?作者簡(jiǎn)介：熱愛(ài)科研的Matlab仿真開(kāi)發(fā)者，修心和技術(shù)同步精進(jìn)，matlab項(xiàng)目合作可私信。

??個(gè)人主頁(yè)：Matlab科研工作室

??個(gè)人信條：格物致知。

更多Matlab完整代碼及仿真定制內(nèi)容點(diǎn)擊??

智能優(yōu)化算法?? ? ??神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)?? ? ??雷達(dá)通信?? ? ?無(wú)線傳感器?? ? ? ?電力系統(tǒng)

信號(hào)處理?? ? ? ? ? ? ?圖像處理?? ? ? ? ? ? ??路徑規(guī)劃?? ? ??元胞自動(dòng)機(jī)?? ? ? ?無(wú)人機(jī)

?? 內(nèi)容介紹

圖像配準(zhǔn)是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的問(wèn)題，它涉及將多個(gè)圖像對(duì)齊在同一個(gè)坐標(biāo)系統(tǒng)中。在許多應(yīng)用中，我們需要將來(lái)自不同傳感器或不同時(shí)間點(diǎn)的圖像進(jìn)行配準(zhǔn)，以便進(jìn)行比較、分析或融合。而多模態(tài)非剛性圖像配準(zhǔn)則是一種特殊的圖像配準(zhǔn)問(wèn)題，它需要解決不同模態(tài)（如磁共振成像和計(jì)算機(jī)斷層掃描）之間的配準(zhǔn)問(wèn)題，并且還要考慮到圖像中的非剛性變形。

在本文中，我們將介紹一種常用的多模態(tài)非剛性圖像配準(zhǔn)算法，并詳細(xì)闡述其步驟和原理。

第一步是特征提取。在圖像配準(zhǔn)中，我們需要找到一些具有代表性的特征點(diǎn)來(lái)進(jìn)行匹配。對(duì)于多模態(tài)圖像配準(zhǔn)，我們可以使用一些特定的特征提取方法，如局部特征描述子（如SIFT、SURF）或基于深度學(xué)習(xí)的方法（如CNN）。這些方法可以從圖像中提取出魯棒性較強(qiáng)的特征點(diǎn)，以便進(jìn)行后續(xù)的匹配。

第二步是特征匹配。在這一步中，我們需要將來(lái)自不同圖像的特征點(diǎn)進(jìn)行匹配。這可以通過(guò)計(jì)算特征點(diǎn)之間的距離或相似性來(lái)實(shí)現(xiàn)。一種常用的方法是使用最近鄰算法（如K最近鄰算法）來(lái)找到兩個(gè)圖像中最相似的特征點(diǎn)對(duì)。匹配的結(jié)果將會(huì)是一組對(duì)應(yīng)的特征點(diǎn)對(duì)。

第三步是變換模型的選擇。在多模態(tài)非剛性圖像配準(zhǔn)中，我們需要考慮到圖像中的非剛性變形，因此我們需要選擇一個(gè)合適的變換模型來(lái)描述圖像之間的變換關(guān)系。常用的變換模型包括仿射變換、彈性變形模型和非線性變形模型等。選擇合適的變換模型可以更好地適應(yīng)圖像之間的變形情況。

第四步是優(yōu)化。在這一步中，我們需要通過(guò)優(yōu)化算法來(lái)估計(jì)變換模型的參數(shù)，使得匹配的特征點(diǎn)對(duì)之間的誤差最小化。常用的優(yōu)化算法包括最小二乘法、梯度下降法和Levenberg-Marquardt算法等。通過(guò)迭代優(yōu)化算法，我們可以得到最佳的變換模型參數(shù)。

第五步是圖像插值和重采樣。在配準(zhǔn)完成后，我們需要將圖像進(jìn)行插值和重采樣，以便得到最終的配準(zhǔn)結(jié)果。插值算法可以根據(jù)配準(zhǔn)結(jié)果的像素坐標(biāo)在原始圖像中找到對(duì)應(yīng)的像素值，并進(jìn)行插值計(jì)算。重采樣算法可以將配準(zhǔn)后的圖像調(diào)整為特定的大小和分辨率。

最后，我們需要評(píng)估配準(zhǔn)的質(zhì)量。在多模態(tài)非剛性圖像配準(zhǔn)中，我們可以使用一些評(píng)估指標(biāo)來(lái)評(píng)估配準(zhǔn)結(jié)果的質(zhì)量，如均方差（MSE）、互信息（MI）和結(jié)構(gòu)相似性指數(shù)（SSIM）等。這些指標(biāo)可以幫助我們了解配準(zhǔn)結(jié)果與原始圖像之間的差異和相似性。

綜上所述，多模態(tài)非剛性圖像配準(zhǔn)是一個(gè)復(fù)雜而重要的問(wèn)題，在許多醫(yī)學(xué)圖像處理和計(jì)算機(jī)視覺(jué)應(yīng)用中起著關(guān)鍵作用。通過(guò)特征提取、特征匹配、變換模型選擇、優(yōu)化、圖像插值和重采樣以及質(zhì)量評(píng)估等步驟，我們可以實(shí)現(xiàn)準(zhǔn)確而魯棒的多模態(tài)非剛性圖像配準(zhǔn)。這將為我們提供更多的圖像信息，幫助我們進(jìn)行更深入的分析和研究。

?? 部分代碼

function [Ireg,Bx,By,Fx,Fy] = register_images(Imoving,Istatic,Options)% This function register_images is the most easy way to register two% images both affine and nonrigidly.%% Features:% - It can be used with images from different type of scans or modalities.% - It uses both a rigid transform and a nonrigid registration.% - It uses multilevel refinement% - It can be used with images of different sizes.% - The function will automaticaly detect single modality or multiple% ? modalities, and choose the right registration method.%% [Ireg,Bx,By,Fx,Fy] = register_images(Imoving,Istatic,Options);%% Inputs,% ? Imoving : The image which will be registerd% ? Istatic : The image on which Imoving will be registered% ? Options : Registration options, see help below%% Outputs,% ? Ireg : The registered moving image% ? Bx, By : The backwards transformation fields of the pixels in % ? ? ? x and y direction seen from the ?static image to the moving image.% ? Fx, Fy : The (approximated) forward transformation fields of the pixels in % ? ? ? x and y direction seen from the moving image to the static image.% ? ? ? (See the function backwards2forwards)% Options,% ? Options.SigmaFluid : The sigma of the gaussian smoothing kernel of the pixel% ? ? ? ? ? ? ? ? ? velocity field / update field, this is a form of fluid% ? ? ? ? ? ? ? ? ? regularization, (default 4)% ? Options.SigmaDiff : The sigma for smoothing the transformation field% ? ? ? ? ? ? ? ? ? is not part of the orignal demon registration, this is % ? ? ? ? ? ? ? ? ? a form of diffusion regularization, (default 1)% ? Options.Interpolation : Linear (default) or Cubic.% ? Options.Alpha : Constant which reduces the influence of edges (and noise)% ? ? ? ? ? ? ? ? ? and limits the update speed (default 4). % ? Options.Similarity : Choose 'p' for single modality and 'm' for% ? ? ? ? ? ? ? ? ? images of different modalities. (default autodetect)% ? Options.Registration: Rigid, Affine, NonRigid ?% ? Options.MaxRef : Maximum number of grid refinements steps.% ? Options.Verbose: Display Debug information 0,1 or 2 % ? ? ? ? ? ? ? ? ? % Notes,% ? In case of Multiple Modalities affine registration is done with mutual% ? information. The non-rigid registration is done by first doing a% ? modality transformation (paints regions in image 1 with the intensity% ? pallette of those regions in image2 and visa versa), and than % ? using "normal" pixel based demon registration. See MutualTransform.m% %% Example,% ? % Read two greyscale images of Lena% ? Imoving=imread('images/lenag1.png'); % ? Istatic=imread('images/lenag3.png');% % ? % Register the images% ? [Ireg,Bx,By,Fx,Fy] = register_images(Imoving,Istatic,struct('Similarity','p'));%% ? % Show the registration result% ? figure,% ? subplot(2,2,1), imshow(Imoving); title('moving image');% ? subplot(2,2,2), imshow(Istatic); title('static image');% ? subplot(2,2,3), imshow(Ireg); title('registerd moving image');% ? % Show also the static image transformed to the moving image% ? Ireg2=movepixels(Istatic,Fx,Fy);% ? subplot(2,2,4), imshow(Ireg2); title('registerd static image');%% ?% Show the transformation fields% ? figure,% ? subplot(2,2,1), imshow(Bx,[]); title('Backward Transf. in x direction');% ? subplot(2,2,2), imshow(Fx,[]); title('Forward Transf. in x direction');% ? subplot(2,2,3), imshow(By,[]); title('Backward Transf. in y direction');% ? subplot(2,2,4), imshow(Fy,[]); title('Forward Transf. in y direction');%% % Calculate strain tensors% ? E = strain(Fx,Fy);% % Show the strain tensors% ? figure,% ? subplot(2,2,1), imshow(E(:,:,1,1),[]); title('Strain Tensors Exx');% ? subplot(2,2,2), imshow(E(:,:,1,2),[]); title('Strain Tensors Exy');% ? subplot(2,2,3), imshow(E(:,:,2,1),[]); title('Strain Tensors Eyx');% ? subplot(2,2,4), imshow(E(:,:,2,2),[]); title('Strain Tensors Eyy');%% Example Multi-Modalities% ? % Read two brain images % ? Imoving=im2double(imread('images/brain_T1_wave.png')); % ? Istatic=im2double(imread('images/brain_T2.png'));%% ? % Register the images% ? [Ireg,Bx,By] = register_images(Imoving,Istatic,struct('SigmaFluid',4));%% ? figure,% ? subplot(1,3,1), imshow(Imoving); title('moving image');% ? subplot(1,3,2), imshow(Istatic); title('static image');% ? subplot(1,3,3), imshow(Ireg); title('registerd moving image');%% ? % Read normal T1 image and transformation field% ? Inormal=im2double(imread('images/brain_T1.png'));% ? load('images/wave_field.mat');%% ? % Show the difference with ideal image% ? figure, imshow(Imoving-Inormal,[-0.5 0.5]); title('unregistered')% ? figure, imshow(Ireg-Inormal,[-0.5 0.5]); title('registered');% ? disp(['pixel abs difference : ' num2str(sum(abs(Imoving(:)-Inormal(:))))])% ? disp(['pixel abs difference : ' num2str(sum(abs(Imoving(:)-Ireg(:))))])%% ? % Show Warp field% ? figure,% ? subplot(2,2,1), imshow(BxNormal,[-20 20]); title('Bx Normal');% ? subplot(2,2,2), imshow(Bx,[-20 20]); title('Bx');% ? subplot(2,2,3), imshow(ByNormal,[-20 20]); title('By Normal');% ? subplot(2,2,4), imshow(By,[-20 20]); title('By');% Function is written by D.Kroon University of Twente (March 2009)% add all needed function pathstry ? ?functionname='register_images.m'; ? ?functiondir=which(functionname); ? ?functiondir=functiondir(1:end-length(functionname)); ? ?addpath([functiondir '/functions']) ? ?addpath([functiondir '/functions_affine']) ?addpath([functiondir '/functions_nonrigid'])catch me ? ?disp(me.message);end% Disable warningwarning('off', 'MATLAB:maxNumCompThreads:Deprecated')% Process inputsdefaultoptions=struct('Similarity',[],'Registration','NonRigid','MaxRef',[],'Verbose',2,'SigmaFluid',4,'Alpha',4,'SigmaDiff',1,'Interpolation','Linear');if(~exist('Options','var')), ? ?Options=defaultoptions; else ? ?tags = fieldnames(defaultoptions); ? ?for i=1:length(tags) ? ? ? ? if(~isfield(Options,tags{i})), ?Options.(tags{i})=defaultoptions.(tags{i}); end ? ?end ? ?if(length(tags)~=length(fieldnames(Options))), ? ? ? ?warning('register_images:unknownoption','unknown options found'); ? ?endend% Set parametersMaxRef=Options.MaxRef;% Start time measurementif(Options.Verbose>0), tic; end% Store the class of the inputsIclass=class(Imoving);% Convert the inputs to doubleImoving=im2double(Imoving);Istatic=im2double(Istatic);% Resize the moving image to fit the static imageif(sum(size(Istatic)-size(Imoving))~=0) ? ?Imoving = imresize(Imoving,size(Istatic),'bicubic');end% Make smooth images for histogram and fast affine registrationISmoving=imgaussian(Imoving,2.5,[10 10]);ISstatic=imgaussian(Istatic,2.5,[10 10]);% Detect if the mutual information or pixel distance can be used as % similarity measure. By comparing the histograms.if(isempty(Options.Similarity)) ? ?Hmoving= hist(ISmoving(:),60)./numel(Imoving); ? ?Hstatic = hist(ISstatic(:),60)./numel(Istatic); ? ?Hmoving(1)=0; Hstatic(1)=0; ? ?if(sum(log(abs(Hmoving-Hstatic)+1))>0.3), ? ? ? ?Options.Similarity='m'; ? ? ? ?if(Options.Verbose>0), disp('Multi Modalities, Mutual information is used'); drawnow; end ? ?else ? ? ? ?Options.Similarity='p'; ? ? ? ?if(Options.Verbose>0), disp('Same Modalities, Pixel Distance is used'); drawnow; end ? ?endendif(Options.Similarity(1)=='p'), type_affine='sd'; else type_affine='mi'; end% Register the moving image affine to the static image% Affine register the smoothed images to get the registration parametersif(strcmpi(Options.Registration(1),'R')) ? ?if(Options.Verbose>0), disp('Start Rigid registration'); drawnow; end ? ?% Parameter scaling of the Translation and Rotation ? ?scale=[1 1 1]; ? ?% Set initial affine parameters ? ?x=[0 0 0];elseif(strcmpi(Options.Registration(1),'A')) ? ?if(Options.Verbose>0), disp('Start Affine registration'); drawnow; end ? ?% Parameter scaling of the Translation, Rotation, Resize and Shear ? ?scale=[1 1 1 0.01 0.01 1e-4 1e-4]; ? ?% Set initial affine parameters ? ?x=[0 0 0 100 100 0 0];elseif(strcmpi(Options.Registration(1),'N')) ? ?if(Options.Verbose>0), disp('Start Affine part of Non-Rigid registration'); drawnow; end ? ?% Parameter scaling of the Translation, Rotation, Resize and Shear ? ?scale=[1 1 1 0.01 0.01 1e-4 1e-4]; ? ?% Set initial affine parameters ? ?x=[0 0 0 100 100 0 0];else ? ? warning('register_images:unknownoption','unknown registration method'); ? ?endfor refine_itt=1:2 ? ?if(refine_itt==2) ? ? ? ?ISmoving=Imoving; ISstatic=Istatic; ? ?end ?% Use struct because expanded optimset is part of the Optimization Toolbox. ? ?optim=struct('GradObj','off','GoalsExactAchieve',1,'Display','off','MaxIter',100,'MaxFunEvals',1000,'TolFun',1e-14,'DiffMinChange',1e-6); ? ?if(Options.Verbose>0), optim.Display='iter'; end ?x=fminlbfgs(@(x)affine_registration_error(x,scale,ISmoving,ISstatic,type_affine),x,optim); ? ? ? ? ? ?end% Scale the translation, resize and rotation parameters to the real valuesx=x.*scale;if(strcmpi(Options.Registration(1),'R')) ? ?% Make the rigid transformation matrix ? ?M=make_transformation_matrix(x(1:2),x(3));else ? ?% Make the affine transformation matrix ? ?M=make_transformation_matrix(x(1:2),x(3),x(4:5)); ? ?end% Make center of the image transformation coordinates 0,0[x,y]=ndgrid(0:(size(Imoving,1)-1),0:(size(Imoving,2)-1));xd=x-(size(Imoving,1)/2); yd=y-(size(Imoving,2)/2);% Calculate the backwards transformation fieldsBx = ((size(Imoving,1)/2) + M(1,1) * xd + M(1,2) *yd + M(1,3) * 1)-x;By = ((size(Imoving,2)/2) + M(2,1) * xd + M(2,2) *yd + M(2,3) * 1)-y;% Initialize the modality transformed image variablesM_TF=[]; F_TF=[]; % The nonrigid part of the registrationif(strcmpi(Options.Registration(1),'N')) ? ?% Demon registration parameters ? ?refinements=floor(log2(min(size(Imoving))/16)); ? ?if(refinements>MaxRef), refinements=MaxRef; end ? ?parameters.sigma_diff=Options.SigmaDiff; ? ?% Non-rigid registration ? ?if(Options.Verbose>0), disp('Start non-rigid demon registration'); drawnow; end ? ?% Do every refinements step twice if modality transformation enabled ? ?if(Options.Similarity(1)=='m'), ?loop=2; else loop=1; end ? ?% Loop trough all refinements steps. ? ?for j=0:refinements ? ? ? ?for l=1:loop ? ? ? ? ? ?% Set scaling parameters.resizepercentageentage ? ? ? ? ? ?resizepercentage=1/2^(refinements-j); ? ? ? ? ? ?if(resizepercentage>1), resizepercentage=1; end ? ? ? ? ? ?parameters.alpha=Options.Alpha*sqrt(resizepercentage); ? ? ? ? ? ?parameters.sigma_fluid=Options.SigmaFluid; ? ? ? ? ? ?if(Options.Verbose>0), disp(['Scaling resizepercentageentage : ' num2str(resizepercentage)]), end ? ? ? ? ? ?% Incase of multiple modalities, transform both images to their ? ? ? ? ? ?% opposite modalities. ? ? ? ? ? ?if(Options.Similarity(1)=='m') ? ? ? ? ? ? ? ?if(Options.Verbose>0), disp('Start modality transformation'); drawnow; end ? ? ? ? ? ? ? ?Bx_large=imresize(Bx,size(Imoving),'bicubic')*(size(Imoving,1)/size(Bx,1)); ? ? ? ? ? ? ? ?By_large=imresize(By,size(Imoving),'bicubic')*(size(Imoving,2)/size(By,2)); ? ? ? ? ? ? ? ?[Imoving_TF,Istatic_TF]=MutualTransform(Imoving,Istatic,15*sqrt(1/resizepercentage),4,Bx_large,By_large); ? ? ? ? ? ? ? ?if(Options.Verbose>0), disp('Finished modality transformation'); drawnow; end ? ? ? ? ? ?end ? ? ? ? ? ?sigma = 0.3/resizepercentage; ? ? ? ? ? ?% Set and resize the moving image and static image ? ? ? ? ? ?M=imresize(imgaussian(Imoving,sigma,[sigma*6 sigma*6]),resizepercentage,'bicubic'); ? ? ? ? ? ?F=imresize(imgaussian(Istatic,sigma,[sigma*6 sigma*6]),resizepercentage,'bicubic'); ? ? ? ? ? ?% Resize the modality transformed images ? ? ? ? ? ?if(Options.Similarity(1)=='m') ? ? ? ? ? ? ? ?M_TF=imresize(imgaussian(Imoving_TF,sigma,[sigma*6 sigma*6]),resizepercentage,'bicubic'); ? ? ? ? ? ? ? ?F_TF=imresize(imgaussian(Istatic_TF,sigma,[sigma*6 sigma*6]),resizepercentage,'bicubic'); ? ? ? ? ? ?end ? ? ? ? ? ?% Resize the transformation field to current image size ? ? ? ? ? ?Bx=imresize(Bx,size(M),'bicubic')*(size(M,1)/size(Bx,1)); ? ? ? ? ? ?By=imresize(By,size(M),'bicubic')*(size(M,2)/size(By,2)); ? ? ? ? ? ?% Put transformation fields in x and y direction in one variable ? ? ? ? ? ?B=zeros([size(M) 2]); B(:,:,1)=Bx; B(:,:,2)=By; ? ? ? ? ? ?% Store the dimensions of transformation field, and make a long vector from T ? ? ? ? ? ?sizes=size(B); B=B(:); ? ? ? ? ? ?% Parameters ? ? ? ? ? ?options.sigma_fluid=parameters.sigma_fluid; ? ? ? ? ? ?options.sigma_diff=parameters.sigma_diff; ? ? ? ? ? ?options.alpha=parameters.alpha; ? ? ? ? ? ?options.interpolation=Options.Interpolation; ? ? ? ? ? ?% Optimizer parameters ? ? ? ? ? ?optim=struct('Display','off','StoreN',10,'GoalsExactAchieve',0,'HessUpdate','lbfgs','GradObj','on','OutputFcn', @store_transf,'MaxIter',200,'TolFun',1e-14,'DiffMinChange',1e-5); ? ? ? ? ? ?if(l==loop), ? ? ? ? ? ? ? ?optim.TolX = 0.02; ? ? ? ? ? ?else ? ? ? ? ? ? ? ?optim.TolX = 0.1; ? ? ? ? ? ?end ? ? ? ? ? ?if(Options.Verbose>1), optim.Display='iter'; end ? ? ? ? ? ?% Start the demon energy registration optimizer ? ? ? ? ? ?B=fminlbfgs(@(x)demons_energy(M,F,M_TF,F_TF,x,sizes,options),B,optim); ? ? ? ? ? ?% Reshape B from a vector to an x and y transformation field ? ? ? ? ? ?B=reshape(B,sizes); ? ? ? ? ? ?Bx=B(:,:,1); By=B(:,:,2); ? ? ? ?end ? ?end ? ?% Scale everything back if not already ? ?if(resizepercentage~=1) ? ? ? ?Bx=imresize(Bx,size(Imoving),'bicubic')*(size(Imoving,1)/size(Bx,1)); ? ? ? ?By=imresize(By,size(Imoving),'bicubic')*(size(Imoving,2)/size(By,2)); ? ?endend % Transform the input imageIreg=movepixels(Imoving,Bx,By,[], 3);if ( nargout>3 ) ? ?% Make the forward transformation fields from the backwards ? ?[Fx,Fy]=backwards2forwards(Bx,By);end% Set the class of output to input classif(strcmpi(Iclass,'uint8')), Ireg=im2uint8(Ireg); endif(strcmpi(Iclass,'uint16')), Ireg=im2uint16(Ireg); endif(strcmpi(Iclass,'uint32')), Ireg=im2uint32(Ireg); endif(strcmpi(Iclass,'int8')), Ireg=im2int8(Ireg); endif(strcmpi(Iclass,'int16')), Ireg=im2int16(Ireg); endif(strcmpi(Iclass,'int32')), Ireg=im2int32(Ireg); endif(strcmpi(Iclass,'single')), Ireg=im2single(Ireg); end% End time measurementif(Options.Verbose>0), toc, end

?? 運(yùn)行結(jié)果

?? 參考文獻(xiàn)

[1] 石躍祥,陳才.基于最優(yōu)Atlas多模態(tài)圖像的非剛性配準(zhǔn)分割算法[J].光學(xué)學(xué)報(bào), 2019, 39(4):11.DOI:10.3788/AOS201939.0410002.

[2] 蘇孟超.基于SURF和光流場(chǎng)的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)技術(shù)研究[D].南昌航空大學(xué),2019.

[3] 王麗芳,王雁麗,史超宇,等.基于ZMLD與GC離散優(yōu)化的非剛性多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法:CN201810563047.7[P].CN108711168A[2023-10-26].

?? 部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除

?? ?關(guān)注我領(lǐng)取海量matlab電子書(shū)和數(shù)學(xué)建模資料

?? ?私信完整代碼、論文復(fù)現(xiàn)、期刊合作、論文輔導(dǎo)及科研仿真定制

1 各類(lèi)智能優(yōu)化算法改進(jìn)及應(yīng)用

生產(chǎn)調(diào)度、經(jīng)濟(jì)調(diào)度、裝配線調(diào)度、充電優(yōu)化、車(chē)間調(diào)度、發(fā)車(chē)優(yōu)化、水庫(kù)調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車(chē)間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設(shè)施布局優(yōu)化、可視域基站和無(wú)人機(jī)選址優(yōu)化

2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面

卷積神經(jīng)網(wǎng)絡(luò)（CNN）、LSTM、支持向量機(jī)（SVM）、最小二乘支持向量機(jī)（LSSVM）、極限學(xué)習(xí)機(jī)（ELM）、核極限學(xué)習(xí)機(jī)（KELM）、BP、RBF、寬度學(xué)習(xí)、DBN、RF、RBF、DELM、XGBOOST、TCN實(shí)現(xiàn)風(fēng)電預(yù)測(cè)、光伏預(yù)測(cè)、電池壽命預(yù)測(cè)、輻射源識(shí)別、交通流預(yù)測(cè)、負(fù)荷預(yù)測(cè)、股價(jià)預(yù)測(cè)、PM2.5濃度預(yù)測(cè)、電池健康狀態(tài)預(yù)測(cè)、水體光學(xué)參數(shù)反演、NLOS信號(hào)識(shí)別、地鐵停車(chē)精準(zhǔn)預(yù)測(cè)、變壓器故障診斷

2.圖像處理方面

圖像識(shí)別、圖像分割、圖像檢測(cè)、圖像隱藏、圖像配準(zhǔn)、圖像拼接、圖像融合、圖像增強(qiáng)、圖像壓縮感知

3 路徑規(guī)劃方面

旅行商問(wèn)題（TSP）、車(chē)輛路徑問(wèn)題（VRP、MVRP、CVRP、VRPTW等）、無(wú)人機(jī)三維路徑規(guī)劃、無(wú)人機(jī)協(xié)同、無(wú)人機(jī)編隊(duì)、機(jī)器人路徑規(guī)劃、柵格地圖路徑規(guī)劃、多式聯(lián)運(yùn)運(yùn)輸問(wèn)題、車(chē)輛協(xié)同無(wú)人機(jī)路徑規(guī)劃、天線線性陣列分布優(yōu)化、車(chē)間布局優(yōu)化

4 無(wú)人機(jī)應(yīng)用方面

無(wú)人機(jī)路徑規(guī)劃、無(wú)人機(jī)控制、無(wú)人機(jī)編隊(duì)、無(wú)人機(jī)協(xié)同、無(wú)人機(jī)任務(wù)分配、無(wú)人機(jī)安全通信軌跡在線優(yōu)化

5 無(wú)線傳感器定位及布局方面

傳感器部署優(yōu)化、通信協(xié)議優(yōu)化、路由優(yōu)化、目標(biāo)定位優(yōu)化、Dv-Hop定位優(yōu)化、Leach協(xié)議優(yōu)化、WSN覆蓋優(yōu)化、組播優(yōu)化、RSSI定位優(yōu)化

6 信號(hào)處理方面

信號(hào)識(shí)別、信號(hào)加密、信號(hào)去噪、信號(hào)增強(qiáng)、雷達(dá)信號(hào)處理、信號(hào)水印嵌入提取、肌電信號(hào)、腦電信號(hào)、信號(hào)配時(shí)優(yōu)化

7 電力系統(tǒng)方面

微電網(wǎng)優(yōu)化、無(wú)功優(yōu)化、配電網(wǎng)重構(gòu)、儲(chǔ)能配置

8 元胞自動(dòng)機(jī)方面

交通流 人群疏散 病毒擴(kuò)散 晶體生長(zhǎng)

9 雷達(dá)方面

卡爾曼濾波跟蹤、航跡關(guān)聯(lián)、航跡融合