移动开发-双源flash CT双能量肺动脉成像图像质量的优化研究.pdf

该资源为红外热成像数据集和标记好的XML文件，且仅对数据集中的人进行了标注，共有3493张红外热成像图片和对应标注好的3493个XML格式文件。该资源可用于深度学习中红外热成像人体的识别，且仅供学习和研究，不以盈利为目的；同时也希望能够促进基于深度学习的目标检测在红外热成像方面的发展。

FLIM分析仪 用于分析荧光寿命成像显微镜（FLIM）数据的Python软件包。 要求： Python 3.7（或更高版本） 大熊猫 numpy的（1.18） matplotlib 海生的 火炬 scikit学习 xlsxwriter wxpython（4.0.7） pypubsub python.app（对于Mac OSX） Windows安装： 安装VS代码 安装： git clone https://github.com/uvaKCCI/flimanalyzer.git cd flimanalyzer conda env create -f environment.yml 这将创建一个Conda环境flimenv ，其中包含运行FLIM Analyzer应用程序所需的所有Python软件包。 运行应用程序 从命令行 在Windows和Linux上，运行此命令 conda

为 了 给 半 导 体 器 件 、 印 刷 电 路 板 和 功 率 器 件 等 电 子 器 件 提 供 细 微 热 分 析 的 手 段 ， 完 成 电 子 电 路 的 故 障 检 测 、 失 效 分 析 和 可 靠 性 检 测 等 ， 本 文 基 于 非 制 冷 焦 平 面 探 测 器 设 计 了 一 种 新 型 的 光 学 微 扫 描 显 微 热 像 仪 。 介 绍 了 系 统 的 工 作 原 理 、 系 统 构 成 、 工 作 过 程 ， 研 究 推 导 了 系 统 噪 声 等 效 温 差 （ ＮＥＴＤ） 和 噪 声 等 效 辐 射 率 差 （ ＮＥＥＤ） 模 型 ， 为 系 统 的 设 计 提 供 了 理 论 指 导 ， 基 于 Ｍａｔｌａｂ 完 成 了 整 个 系 统 的 图 像 采 集 处 理 界 面 设 计 。 实 际 图 像 采 集 和 处 理 结 果 表 明 了 本 系 统 设 计 的 合 理 性 。 随 着 产 品 化 ， 本 系 统 将 会 用 到 其 他 需 要 显 微 热 分 析 的 场 合 ， 具 有 广 泛 的 应 用 前 景 。

聚束式合成孔径成像（BP算法)

为 NIfTI 图像设计的简单医学成像可视化工具。包括用于转换 DICOM、Philips 和其他专有格式的 dcm2nii MRIcron 功能强大且稳定，但开发工作已转移到 MRIcroGL。MRIcroGL 的主要缺点是它需要支持硬件加速的 OpenGL 3.3 图形。因此，MRIcron 对于旧计算机的用户或在连接到远程超级计算机集群时仍然有用。这些用户也可以考虑 fsleyes，它可以设置为只需要OpenGL 1.4 和间接渲染。 最新版本的 MRIcron 仅包括 MRIcron 查看器和 dcm2niix 图像转换器。曾几何时，该软件随统计信息 (NPM) 和传统图像转换器 (dcm2nii) 一起分发。人们仍然可以从 NITRC 下载旧版本的MRIcron或编译这些遗留工具（见下一节）。 NPM 是一种用于神经影像病变数据的非参数分析的工具。dcm2nii 旨在将医学成像中使用的复杂 DICOM 格式转换为科学家首选的简单 NIfTI 格式。这些工具已经成熟并且有望健壮，但不再处于积极开发中。

用于宽场成像的图像处理和工具\ 您可以通过查看 pipelineHere.m 来查看如何预处理数据的示例。主要是将您的成像数据加载到“平面二进制文件”中（就像您使用 matlab 的 fwrite 制作的那样），然后将其放入 get_svdcomps.m。有关详细信息，请参阅该功能的帮助。 “get_svdcomps”函数最终只是在做与 matlab 通常的“svd”函数在 nPixels x nFrames 矩阵上做的事情相同的事情，但是做了一些事情来处理我们的电影不适合 RAM 的事实（比如考虑帧块）。 然后我们要做的唯一另一件事是，而普通的 SVD 会产生 U、S 和 V，这样： M = U * S * V 其中 M 是您的电影（nPixels x nFrames），U 是“空间分量”（nPixels x nComponents），S 是缩放分量的奇异值（对角矩阵，nComp x nComp），V 是“时间分量”（nComp x nFrames); 相反，为了简单起见，我们将 S * V 部分折叠为 V，因此我们在其余代码中称为 V 的实际上是 S * V，而数据的表

MRI快速成像技术原理及发展趋势，一篇论文 仅供参考

深度散斑相关性：一种通过散射介质实现可扩展成像的深度学习方法。 通过散射成像是一个重要但具有挑战性的问题。通过利用固定介质的确定性输入-输出传输矩阵已经取得了巨大的进步。然而，这种一对一的方法非常容易受到散斑去相关的影响——对散射介质的小扰动会导致模型错误和成像性能的严重下降。我们的目标是开发一个新的框架，该框架对介质扰动和测量要求都具有高度可扩展性。为此，我们提出了一种全面的统计深度学习技术，该技术封装了广泛的统计变化，使模型能够适应散斑去相关。具体来说，我们开发了一个卷积神经网络 (CNN)，它能够学习在一组具有相同宏观参数的扩散器上捕获的散斑强度模式中包含的统计信息。然后，据我们所知，我们首次展示了经过训练的 CNN 能够通过一组完全不同的相同类别的扩散器进行泛化并进行高质量的对象预测。我们的工作为通过散射介质成像的高度可扩展的深度学习方法铺平了道路。

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。