翁桂荣，男，1963，教授，1985年毕业南京理工大学，从事图像处理、生物信息等方面的科学研究，共发表（SCI、EI）论文八十多篇。
2016年来，主要研究的方向为不均匀性图像分割，共发表了三十多篇SCI论文，二十多篇SCI论文为一作或通讯作者，SCI高被引论文二篇。
目前已经在《Knowledge-Based Systems》(一区 ToP)、《Expert Systems With Applications》 (一区 ToP, 三篇)、《Signal Processing》(一区 ToP,二篇)、《Computers and Mathematics with Applications》,《Neurocomputing》,《Engineering Applications of Artificial Intelligence》,《Applied Mathematical Modelling》上共发表了ToP论文十一篇(一作或通讯作者)。
另有多篇(一作或通讯作者)发表在二区《Digital Signal Processing》、《Signal Processing: Image Communication》上。
图像处理、数据处理、神经网络。
关于图像分割：
图像分割：基于区域图像分割算法的兴起已经十多年了，图像分割特别是医学影像经常出现灰度不均匀现象，因此，分割仍然困难。
当前图像分割的热点有二个：一是偏场矫正理论--传统方法；二是用深度学习方法，此模型需要一个强大的数据库(几万-十万张同类的图库)，阿里的马云进入此领域不久并取得有效成果(冠脉MR image 分割)。
目前(2018-2020)我们研究用下面的偏场矫正理论对图像进行分割：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像I(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与真实图像内稟成分(intrinsic component)特性的乘法模型。因此，图像可以被建模为：
I(x)=J(x)*b(x)+n(x)(1)
其中，J是真实图像，b是灰度不均匀的分量，n是附加噪声。
假定b偏场(或阴影图像)为缓慢变化的(如X-ray image, MR image),且真实图像J反映了图像对象的内稟(intrinsic)物理特性，因此，在局部区域内，可以将J(X)假定为拟合常数。
计算出公式中的b(x)及J(x)的最佳估计值，就能找出目标对象的轮廓线。
但是，由于是b*J是乘法模型，在局部区域内，计算偏场b及拟合常数J需要大量的运行开销(大量的卷积运算)，另外，其模型对光照不均、较强噪声、弱信号等是比较敏感的。
我们的创新方法是：预先在迭代计算前，快速找出局部区域的拟合偏场b的估计值by或者拟合常数J的估计值Jy，这样b*J就转换为by*J或b*Jy模型。新的模型就成为一种加性形式，大大简化了计算开销，另外预估计值如果有误差，模型会通过另一个参数自行调整，使得总误差趋于零(I-by*J-->0或I-b*Jy-->0)。通过我们前期研究，目前找到局部区域模糊C聚类估计出by的方法，解决了光照不均、较强噪声、弱信号对分割的影响，并发表在Neurocomputing,2019等国际刊物上。但我们认为还可以进一步提高其效率及鲁棒性，例如找出高效的by计算方法，还有如何计算估计值Jy的方法等。
另外一个问题，传统的主动轮廓模型中的长度项及规则项严重影响系统的鲁棒性，特别是长度项，因此，我们提出创新方法来改善之，部分验证已经发表在Signal Processing,2019等刊物上。长度项的功能是平滑轮廓线及消除虚假的小目标，保证轮廓线有效到达分割目标边界，我们提出用类似于局部区域滤波方法达到此目的。而规则项的功能是保持轮廓线在过零处的有足够的敏感性，同时其他区域保持一定的距离并符号相反，目前我们已经设计出几种函数满足其要求，但要实验去证明其有效性。
例如：冠动脉, 心脏, MR image,Ultrasound image, X-ray image, Fluorescence image 等。
1、Bin Dong, Ri Jin, Guirong Weng * . Active contour model based on local bias field estimation for image segmentation [J]. Signal Processing: Image Communication.(SCI 二区). https://doi.org/10.1016/j.image.2019.07.001. (2018年九月入学的硕士研究生，2019年5月投稿,7月录用并正式发表)Volume 78, 2019, Pages 187-199.
2、Ri Jin, Guirong Weng *. A robust active contour model driven by pre-fitting bias correction and optimized fuzzy c-means algorithm for fast image segmentation[J]. Neurocomputing (SCI 二区 Top ,2019年4月投稿,6月录用并在线发表). Volume 359, 24, 2019, Pages 408-419. DOI:10.1016/j.neucom.2019.06.019.
3、Dong Bin，Weng Guirong. Active contour model driven by Self Organizing Maps for image segmentation，Expert Systems With Applications, 177 (2021) 114948,SCI 一区 ToP.
2020年,我们研究加性偏场矫正理论对图像进行分割(首次提出)：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像i(x)=logI(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与边结构的反射图像加法模型。因此，图像可以被建模为：
i(x)=r(x)+b(x)+n(x) (2)
其中，r是边的反射图像，b是加性灰度不均匀的分量，n是附加噪声。
1、Weng Guirong, Dong Bin. A Level Set Method Based on Additive Bias Correction for Image Segmentation. Expert Systems With Applications, 2021.115633. SCI 一区 ToP。
图像分割技术在计算机视觉、场景识别、目标检测与跟踪、图像压缩、人工智能和导航等领域具有非常重要的意义。基于曲线演化模型和偏微分方程等的分割方法在理论上已经取得新的突破，基于水平集方法的主动轮廓模型已成为图像分割的热点。
论文1、距离规则水平集存在对噪声、初始轮廓敏感、收敛速度慢以及容易从弱边缘处泄露等不稳定问题。结合待分割目标灰度统计信息和图像梯度信息，提出了一种自适应初始轮廓的水平集演化方法，利用图像信息构成的自带符号目标信息函数代替面积项中的边缘指示函数，解决水平集方法对初始轮廓敏感问题。另外，设计一个自我调整的面积项系数解决水平集方法对收敛速度慢以及弱边缘处泄露问题。
论文9、一个自适应符号函数用于提高初始轮廓的鲁棒性；为了进一步克传统对收敛速度慢、容易陷入虚假边界中以及容易从弱边缘处泄露等不稳定问题，改进了边缘指示函数，加快了演化速度；此外还修正了距离正则项，使得演化更稳定。数字图像处理、电子技术基础（模电、数电）
第一作者及通讯作者（*）论文(近几年在图像处理方向的研究成果）
17、Bin Dong, Ri Jin, Guirong Weng * . Active contour model based on local bias field estimation for image segmentation [J]. Signal Processing: Image Communication.78 (2019) 187–199.(SCI 三区). https://doi.org/10.1016/j.image.2019.07.001. (2018年九月入学的研究生,2019年5月投稿, 7月录用)
16、Ri Jin, Guirong Weng *. Active contour model based on improved fuzzy c-means algorithm and adaptive functions[J]. Computers and Mathematics with Applications (SCI 数学二区) DOI:10.1016/j.camwa.2019.06.010
15、Ri Jin, Guirong Weng *.A robust active contour model driven by pre-fitting bias correction and optimized fuzzy c-means algorithm for fast image segmentation[J]. Neurocomputing (SCI 二区). DOI:10.1016/j.neucom.2019.06.019
14、Ri Jin, Guirong Weng *.Active contours driven by adaptive and fuzzy c-means energy for fast image segmentation[J].Signal Processing (SCI 二区), 2019,163,1-10.
13、Ri Jin, Guirong Weng *. A robust active contour model driven by fuzzy c-means energy for fast image segmentation[J].Digital Signal Processing (SCI 三区). 90(2019)100–109
12、Ri Jin, Guirong Weng*. Active contour model based on fuzzy c-means for image segmentation[J].Electronics Letters (SCI).55(2019).84-86 (17年9月入学的研究生，2018年3月投稿).
11、Yu Guo, Guirong Weng *. K-means++ clustering-based active contour model for fast image segmentation[J]. Journal of Electronic Imaging (SCI). 27(6), 063013 (2018).(17年9月入学的研究生，2018年4月投稿).
10、翁桂荣*、何志勇. 基于自适应符号函数的主动轮廓模型[J]. 软件学报. 录用.
9、Xingyu Zhang, Guirong Weng *,Qian Yiming. Local Segmentation of Skull CT Image using Morphological Processing and Sparse Field Level Set Method[C].Tenth International Conference on Digital Image Processing, ICDIP 2018. (EI)
8、Xinyu Zhang, Guirong Weng*. Level set evolution driven by optimized area energy term for image segmentation[J]. Optik 168 (2018) 517–532 (SCI).
7、朱云龙, 翁桂荣*. 面积项能量加强的距离规则水平集演化模型[J], 图学学报. Vol.39, No.1, 12-20.2018
6、Ding K, Xiao L, Weng G*. Active Contours driven by Local Pre-Fitting Energy for Fast Image Segmentation with Intensity Inhomogeneity[J]. Pattern Recognition Letters, 104:29-36. 2017. (SCI 三区)
5、Ding K, Weng G*. Improved region-scalable fitting model with robust initialization for image segmentation[C]. IEEE 2nd International Conference on Signal and Image Processing, 2017: 111-115. (EI)
4、Ding K, Weng G*. A robust and fast active contour model for image segmentation with intensity inhomogeneity [C]. 9th International Conference on Graphic and Image Processing, 2017(EI)
3、Keyan Ding, Linfang Xiao, Guirong Weng*. Active contours driven by region-scalable fitting and optimized Laplacian of Gaussian energy for image segmentation[J]. Signal Processing. 134 (2017). 224–233(SCI 二区)
2、Keyan Ding, Guirong Weng*. Robust active contours for fast image segmentation[J]. ELECTRONICS LETTERS. 29th September 2016 Vol. 52, No. 20 pp. 1687–1688.(SCI)
1、翁桂荣*、朱云龙、钱森.一种自适应初始轮廓的水平集演化方法的研究[J]. 电子学报Vol. 45, No. 11. 2728-2733, 2017
.
硕士研究生
翁桂荣，男，1963，教授，1985年毕业南京理工大学，从事图像处理、生物信息等方面的科学研究，共发表（SCI、EI）论文八十多篇。
2016年来，主要研究的方向为不均匀性图像分割，共发表了三十多篇SCI论文，二十多篇SCI论文为一作或通讯作者，SCI高被引论文二篇。
目前已经在《Knowledge-Based Systems》(一区 ToP)、《Expert Systems With Applications》 (一区 ToP, 三篇)、《Signal Processing》(一区 ToP,二篇)、《Computers and Mathematics with Applications》,《Neurocomputing》,《Engineering Applications of Artificial Intelligence》,《Applied Mathematical Modelling》上共发表了ToP论文十一篇(一作或通讯作者)。
另有多篇(一作或通讯作者)发表在二区《Digital Signal Processing》、《Signal Processing: Image Communication》上。
图像处理、数据处理、神经网络。
关于图像分割：
图像分割：基于区域图像分割算法的兴起已经十多年了，图像分割特别是医学影像经常出现灰度不均匀现象，因此，分割仍然困难。
当前图像分割的热点有二个：一是偏场矫正理论--传统方法；二是用深度学习方法，此模型需要一个强大的数据库(几万-十万张同类的图库)，阿里的马云进入此领域不久并取得有效成果(冠脉MR image 分割)。
目前(2018-2020)我们研究用下面的偏场矫正理论对图像进行分割：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像I(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与真实图像内稟成分(intrinsic component)特性的乘法模型。因此，图像可以被建模为：
I(x)=J(x)*b(x)+n(x)(1)
其中，J是真实图像，b是灰度不均匀的分量，n是附加噪声。
假定b偏场(或阴影图像)为缓慢变化的(如X-ray image, MR image),且真实图像J反映了图像对象的内稟(intrinsic)物理特性，因此，在局部区域内，可以将J(X)假定为拟合常数。
计算出公式中的b(x)及J(x)的最佳估计值，就能找出目标对象的轮廓线。
但是，由于是b*J是乘法模型，在局部区域内，计算偏场b及拟合常数J需要大量的运行开销(大量的卷积运算)，另外，其模型对光照不均、较强噪声、弱信号等是比较敏感的。
我们的创新方法是：预先在迭代计算前，快速找出局部区域的拟合偏场b的估计值by或者拟合常数J的估计值Jy，这样b*J就转换为by*J或b*Jy模型。新的模型就成为一种加性形式，大大简化了计算开销，另外预估计值如果有误差，模型会通过另一个参数自行调整，使得总误差趋于零(I-by*J-->0或I-b*Jy-->0)。通过我们前期研究，目前找到局部区域模糊C聚类估计出by的方法，解决了光照不均、较强噪声、弱信号对分割的影响，并发表在Neurocomputing,2019等国际刊物上。但我们认为还可以进一步提高其效率及鲁棒性，例如找出高效的by计算方法，还有如何计算估计值Jy的方法等。
另外一个问题，传统的主动轮廓模型中的长度项及规则项严重影响系统的鲁棒性，特别是长度项，因此，我们提出创新方法来改善之，部分验证已经发表在Signal Processing,2019等刊物上。长度项的功能是平滑轮廓线及消除虚假的小目标，保证轮廓线有效到达分割目标边界，我们提出用类似于局部区域滤波方法达到此目的。而规则项的功能是保持轮廓线在过零处的有足够的敏感性，同时其他区域保持一定的距离并符号相反，目前我们已经设计出几种函数满足其要求，但要实验去证明其有效性。
例如：冠动脉, 心脏, MR image,Ultrasound image, X-ray image, Fluorescence image 等。
1、Bin Dong, Ri Jin, Guirong Weng * . Active contour model based on local bias field estimation for image segmentation [J]. Signal Processing: Image Communication.(SCI 二区). https://doi.org/10.1016/j.image.2019.07.001. (2018年九月入学的硕士研究生，2019年5月投稿,7月录用并正式发表)Volume 78, 2019, Pages 187-199.
2、Ri Jin, Guirong Weng *. A robust active contour model driven by pre-fitting bias correction and optimized fuzzy c-means algorithm for fast image segmentation[J]. Neurocomputing (SCI 二区 Top ,2019年4月投稿,6月录用并在线发表). Volume 359, 24, 2019, Pages 408-419. DOI:10.1016/j.neucom.2019.06.019.
3、Dong Bin，Weng Guirong. Active contour model driven by Self Organizing Maps for image segmentation，Expert Systems With Applications, 177 (2021) 114948,SCI 一区 ToP.
2020年,我们研究加性偏场矫正理论对图像进行分割(首次提出)：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像i(x)=logI(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与边结构的反射图像加法模型。因此，图像可以被建模为：
i(x)=r(x)+b(x)+n(x) (2)
其中，r是边的反射图像，b是加性灰度不均匀的分量，n是附加噪声。
1、Weng Guirong, Dong Bin. A Level Set Method Based on Additive Bias Correction for Image Segmentation. Expert Systems With Applications, 2021.115633. SCI 一区 ToP。
图像分割技术在计算机视觉、场景识别、目标检测与跟踪、图像压缩、人工智能和导航等领域具有非常重要的意义。基于曲线演化模型和偏微分方程等的分割方法在理论上已经取得新的突破，基于水平集方法的主动轮廓模型已成为图像分割的热点。
论文1、距离规则水平集存在对噪声、初始轮廓敏感、收敛速度慢以及容易从弱边缘处泄露等不稳定问题。结合待分割目标灰度统计信息和图像梯度信息，提出了一种自适应初始轮廓的水平集演化方法，利用图像信息构成的自带符号目标信息函数代替面积项中的边缘指示函数，解决水平集方法对初始轮廓敏感问题。另外，设计一个自我调整的面积项系数解决水平集方法对收敛速度慢以及弱边缘处泄露问题。
论文9、一个自适应符号函数用于提高初始轮廓的鲁棒性；为了进一步克传统对收敛速度慢、容易陷入虚假边界中以及容易从弱边缘处泄露等不稳定问题，改进了边缘指示函数，加快了演化速度；此外还修正了距离正则项，使得演化更稳定。数字图像处理、电子技术基础（模电、数电）
第一作者及通讯作者（*）论文(近几年在图像处理方向的研究成果）
17、Bin Dong, Ri Jin, Guirong Weng * . Active contour model based on local bias field estimation for image segmentation [J]. Signal Processing: Image Communication.78 (2019) 187–199.(SCI 三区). https://doi.org/10.1016/j.image.2019.07.001. (2018年九月入学的研究生,2019年5月投稿, 7月录用)
16、Ri Jin, Guirong Weng *. Active contour model based on improved fuzzy c-means algorithm and adaptive functions[J]. Computers and Mathematics with Applications (SCI 数学二区) DOI:10.1016/j.camwa.2019.06.010
15、Ri Jin, Guirong Weng *.A robust active contour model driven by pre-fitting bias correction and optimized fuzzy c-means algorithm for fast image segmentation[J]. Neurocomputing (SCI 二区). DOI:10.1016/j.neucom.2019.06.019
14、Ri Jin, Guirong Weng *.Active contours driven by adaptive and fuzzy c-means energy for fast image segmentation[J].Signal Processing (SCI 二区), 2019,163,1-10.
13、Ri Jin, Guirong Weng *. A robust active contour model driven by fuzzy c-means energy for fast image segmentation[J].Digital Signal Processing (SCI 三区). 90(2019)100–109
12、Ri Jin, Guirong Weng*. Active contour model based on fuzzy c-means for image segmentation[J].Electronics Letters (SCI).55(2019).84-86 (17年9月入学的研究生，2018年3月投稿).
11、Yu Guo, Guirong Weng *. K-means++ clustering-based active contour model for fast image segmentation[J]. Journal of Electronic Imaging (SCI). 27(6), 063013 (2018).(17年9月入学的研究生，2018年4月投稿).
10、翁桂荣*、何志勇. 基于自适应符号函数的主动轮廓模型[J]. 软件学报. 录用.
9、Xingyu Zhang, Guirong Weng *,Qian Yiming. Local Segmentation of Skull CT Image using Morphological Processing and Sparse Field Level Set Method[C].Tenth International Conference on Digital Image Processing, ICDIP 2018. (EI)
8、Xinyu Zhang, Guirong Weng*. Level set evolution driven by optimized area energy term for image segmentation[J]. Optik 168 (2018) 517–532 (SCI).
7、朱云龙, 翁桂荣*. 面积项能量加强的距离规则水平集演化模型[J], 图学学报. Vol.39, No.1, 12-20.2018
6、Ding K, Xiao L, Weng G*. Active Contours driven by Local Pre-Fitting Energy for Fast Image Segmentation with Intensity Inhomogeneity[J]. Pattern Recognition Letters, 104:29-36. 2017. (SCI 三区)
5、Ding K, Weng G*. Improved region-scalable fitting model with robust initialization for image segmentation[C]. IEEE 2nd International Conference on Signal and Image Processing, 2017: 111-115. (EI)
4、Ding K, Weng G*. A robust and fast active contour model for image segmentation with intensity inhomogeneity [C]. 9th International Conference on Graphic and Image Processing, 2017(EI)
3、Keyan Ding, Linfang Xiao, Guirong Weng*. Active contours driven by region-scalable fitting and optimized Laplacian of Gaussian energy for image segmentation[J]. Signal Processing. 134 (2017). 224–233(SCI 二区)
2、Keyan Ding, Guirong Weng*. Robust active contours for fast image segmentation[J]. ELECTRONICS LETTERS. 29th September 2016 Vol. 52, No. 20 pp. 1687–1688.(SCI)
1、翁桂荣*、朱云龙、钱森.一种自适应初始轮廓的水平集演化方法的研究[J]. 电子学报Vol. 45, No. 11. 2728-2733, 2017
.
硕士研究生