团队简介：

广外智慧健康与可视计算实验室是信息学院院属科研团队，目前实验室有在编教师6人，海外教师1人，其中云山讲座教授1人，云山青年学者1人，教授1人。实验室主要研究方向包括计算机视觉、计算几何与图形学、机器学习、医学图像、自然语言处理、医学信息学等。团队从2013年10月创立，2015年4月成型，据不完全统计，已取得1项发明专利受理，3篇中文核心期刊论文，1篇SCI索引、8篇EI检索国际会议论文等研究成果，得到3项国家自然科学基金项目、2项广东省自然科学基金项目、1项广东省高等学校科技创新项目与1项广州市科技计划项目的资金与技术支持，参与1项广东省重大专项。有着稳固的学术支撑与强大的发展潜力。

实验室旨在为在校学生提供科学研究，企业委托课题实践机会，提高学生项目开发能力与科研水平，将学术研究与企业产品深度结合。

团队成员：

指导老师

在读学生（部分）

毕业学生（部分）

研究方向：

计算机视觉

计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。

计算机视觉是一门关于如何运用照相机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛（照相机）和大脑（算法），让计算机能够感知环境。我们中国人的成语"眼见为实"和西方人常说的"One picture is worth ten thousand words"表达了视觉对人类的重要性。不难想象，具有视觉的机器的应用前景能有多么地宽广。

计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。

计算机图形学

计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。图形通常由点、线、面、体等几何元素和灰度、色彩、线型、线宽等非几何属性组成。从处理技术上来看，图形主要分为两类，一类是基于线条信息表示的，如工程图、等高线地图、曲面的线框图等，另一类是明暗图，也就是通常所说的真实感图形。

计算机图形学一个主要的目的就是要利用计算机产生令人赏心悦目的真实感图形。为此，必须创建图形所描述的场景的几何表示，再用某种光照模型，计算在假想的光源、纹理、材质属性下的光照明效果。所以计算机图形学与另一门学科计算机辅助几何设计有着密切的关系。事实上，图形学也把可以表示几何场景的曲线曲面造型技术和实体造型技术作为其主要的研究内容。同时，真实感图形计算的结果是以数字图象的方式提供的，计算机图形学也就和图像处理有着密切的关系。

图形与图像两个概念间的区别越来越模糊，但还是有区别的：图像纯指计算机内以位图形式存在的灰度信息，而图形含有几何属性，或者说更强调场景的几何表示，是由场景的几何模型和景物的物理属性共同组成的。

计算机图形学的研究内容非常广泛，如图形硬件、图形标准、图形交互技术、光栅图形生成算法、曲线曲面造型、实体造型、真实感图形计算与显示算法、非真实感绘制，以及计算可视化、计算机动画、自然景物仿真、虚拟现实等。

机器学习

机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。

医学影像

医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，是一种逆问题的推论演算，即成因（活体组织的特性）是经由结果（观测影像信号）反推而来。

作为一门科学，医学影像属于生物影像，并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。另外，包括脑波图和脑磁造影等技术，虽然重点在于测量和记录，没有影像呈显，但因所产生的数据俱有定位特性（即含有位置信息），可被看作是另外一种形式的医学影像。

临床应用方面，又称为医学成像，或影像医学，有些医院会设有影像医学中心、影像医学部或影像医学科，设置相关的仪器设备，并编制有专门的护理师、放射技师以及医师，负责仪器设备的操作、影像的解释与诊断，这与放射科负责放射治疗有所不同。

在医学、医学工程、医学物理与生医资讯学方面，医学影像通常是指研究影像构成、撷取与储存的技术、以及仪器设备的研究开发的科学。而研究如何判读、解释与诊断医学影像的是属于放射医学科，或其他医学领域的辅助科学。

自然语言处理

自然语言处理是人工智能和语言学领域的分支学科。在这此领域中探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。

自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

医学信息学

医学信息学，或称卫生信息学或医学资讯学，是信息科学，医学和卫生保健学等学科的交叉学科.它研究相关资源，设计和方法，以优化卫生和生物医学信息的获取，存储，检索和利用.医学信息学工具不仅包含计算机，而且包括临床指导原则，医疗术语和信息通讯系统。

医学信息学的子领域包括:临床信息学，护理信息学，医学图形信息学，顾客健康信息学，公共卫生信息学，口腔医学信息学，临床研究信息学，生物信息学和药物信息学。

团队成果（部分）：

[1]Integration of Points of Interest and Regions of Interest, Q. Li, Y. Gong. SIP 2014.

[2]A Content-Aware Scaling Methods for Stereoscopic Images. K. Li, Y. Gong, Q. Li, L. Jiang. ICDH 2014.

[3]Concave Region Partitioning with a Greedy Strategy on Imbalanced Points. Q. Li, Y. Gong, Y. Lu. ICDH 2014.

[4]2维至3维图像/视频转换的深度图提取方法综述.李可宏，姜灵敏，龚永义.中国图像图形学报. 2014.

[5]Visual Tracking via Clustering-based Patch Weighing and Masking, H. Yuan, H. Wu, D. Feng, Y. Gong. ICCSCT 2016.

[6]Detection of Imbalanced Vertices in 3D meshes. K. Feng, Q. Li, Y. Gong, J. Yang, S. Peng. ICDH 2016.

[7]A Shape Model for Contour Extraction of Drosophila Embryos. Q. Li, Y. Gong. BIBM 2016.

[8]Polyline-Driven Stop Sign Detection. Q. Li, Y. Gong. SIP 2016.

[9]Imbalanced Vertices Detection and Applications to Mesh Matching. J. Yang, K. Feng, Y. Gong, Q. Li, J. Li. IJCTE 2016