基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

汽配件颜色喷涂顺序问题的TSP转化与建模

汽配件颜色喷涂顺序问题通常以生产线上相邻汽配件颜色切换次数少为最优目标,以进一步降低生产成本.该类问题具有所有汽配件都必须喷涂一次且只喷涂一次的特点,为此提出了TSP转化与建模的方法.将待喷涂汽配件定义为TSP顶点,任意两个待喷涂汽配件的颜色切换定义为顶点的距离,仿照TSP问题构建0-1规划模型;类似于顶点距离,将某些汽配件的颜色或类别不相邻要求定义为0-1矩阵,巧妙地构造了喷涂生产的约束条件.该建模方法简单快速,通用性高,适用于具有类似特点的各类生产实践问题.     

基于Retinex理论与概率非局部均值的红外图像增强方法

针对传统红外图像增强算法中细节模糊及过度增强的问题,提出了一种基于Retinex理论与概率非局部均值相结合的红外图像增强方法.首先通过单尺度Retinex方法调整图像中过暗与过亮部分的灰度级;然后利用概率非局部均值对图像进行分解处理得到基本层与细节层,对基本层采用直方图均衡化拉伸对比度,对细节层采用非线性函数进行增强;最后,将不同层次的结果融合得到对比度与细节增强的红外图像.用该方法对多组不同场景的红外图像进行仿真实验,并将其与多种增强方法进行主、客观对比分析,结果表明所提方法在红外图像的细节及对比度增强方面都获得了更好的效果.     

砂岩方梁断裂过程区范围的实验确定方法

裂纹前端的断裂过程区是引起岩石非线性断裂及尺寸效应的主要原因。利用数字图像相关技术对砂岩开展了三点弯曲梁实验,获得观测区域高精度的全场位移和应变数据,根据断裂韧带区域水平位移和水平应变的分布特征,结合裂尖岩石颗粒变化的微观分析,提出采用裂纹尖端水平位移波动性和水平应变突变性所得到的波动系数和水平应变突变值,确定断裂过程区形状和临界尺寸的方法。结果表明:砂岩断裂过程区的形状为不规则的狭长带状区域,断裂过程区的临界长度为11~13mm,临界宽度为1.58~2.36mm。断裂过程区区域内形变在趋向裂尖时呈指数增加,但其单位区域内的形变增量呈波动状态。该方法能够更加准确判断岩石断裂过程区的范围,有助于分析岩石的非线性断裂特性。     

基于图像处理的光学谐振腔自准直研究方法

针对我国氧碘化学激光器输出能量不断提高的情况下,主要限制光束质量的因素之一是出光过程中的光腔失调,提出了一种基于图像处理的光学谐振腔自准直研究方法。该研究方法利用氦氖穿腔光通过凹腔镜中心孔,并在凸腔镜后方放置工业相机,在屏幕上方形成一个干涉同心圆环。通过借助OpenCV库中二值化、霍夫圆检测等图像处理的方法,获得干涉同心圆环的圆心坐标,再通过以圆心为中心将图像分成上下左右四个部分,通过判断这四部分亮点像素的数量差值来预估干涉同心圆环的偏移状态,进而获得空腔条件下光学谐振腔发生变化的理论判据。实验结果表明,该方法可以获得相当精准的光学谐振腔失调判据,其失调判据选取左右亮点像素差值30000,上下亮点像素差值45000,为今后失调判据与步进电机自动调腔的结合做好充足的准备。     

Hitting probabilities and the Hausdorff dimension of the inverse images of a class of anisotropic random fields

Let X = {X(t):t ∈ R~N} be an anisotropic random field with values in R~d.Under certain conditions on X,we establish upper and lower bounds on the hitting probabilities of X in terms of respectively Hausdorff measure and Bessel-Riesz capacity.We also obtain the Hausdorff dimension of its inverse image,and the Hausdorff and packing dimensions of its level sets.These results are applicable to non-linear solutions of stochastic heat equations driven by a white in time and spatially homogeneous Gaussian noise and anisotropic Guassian random fields.