二维广义模糊熵图像阈值分割法

针对一维广义模糊熵不能有效处理含噪图像的分割问题,在二维灰度直方图上定义了图像的二维隶属度函数,提出了二维广义模糊熵阈值分割法.该方法不仅考虑了图像的点灰度值,同时考虑了图像像素的邻域平均灰度值,能更好地利用图像中的信息.为了提高二维广义模糊熵阈值法的运行速度、解决参量选取问题,结合粒子群优化搜索方法,设计了嵌套式的优化过程.实验表明,二维广义模糊熵阈值分割法对噪音图像有更好的适应性.     

一种基于位运算的数字图像加密算法

给出了一种混沌序列的非线性二值化方法,提出了一种基于位运算的数字图像加密算法.加密算法首先利用传统的混沌系统产生的混沌序列对图像进行位置置乱;其次对置乱后图像进行基于灰度值二进制序列的置乱操作;最后应用文中方法对结果图像灰度值的二进制序列按位进行异或运算.实验结果表明,该加密算法具有良好的安全性和加密效果.     

一种基于排列变换的数字图像置乱方法

利用排列变换具有的强不规则性,提出一种数字图像置乱加密方法.借助混沌系统生成的混沌序列得到所需的排列数组,通过对排列数组的数值进行匹配操作,达到对图像行(列)互换的目的,实现对图像的置乱加密.方法对图像大小没有限制.仿真结果表明:该方法具有理想的加密效果和较高的安全性.     

基于SSE-CMM的数据网系统安全风险评估方案

介绍了基于系统安全工程能力成熟度模型（SSE-CMM）和我国电信数据网系统结构，给出了一种新的电信数据网风险评估方案的模型框架。此方案框架对电信数据网的风险评估具有实际指导价值。     

基于双模板Siamese网络的鲁棒视觉跟踪算法

近年来,Siamese网络由于其良好的跟踪精度和较快的跟踪速度,在视觉跟踪领域引起极大关注,但大多数Siamese网络并未考虑模型更新,从而引起跟踪错误。针对这一不足,该文提出一种基于双模板Siamese网络的视觉跟踪算法。首先,保留响应图中响应值稳定的初始帧作为基准模板R,同时使用改进的APCEs模型更新策略确定动态模板T。然后,通过对候选目标区域与2个模板匹配度结果的综合分析,对结果响应图进行融合,以得到更加准确的跟踪结果。在OTB2013和OTB2015数据集上的实验结果表明,与当前5种主流跟踪算法相比,该文算法的跟踪精度和成功率具有明显优势,不仅在尺度变化、平面内旋转、平面外旋转、遮挡、光照变化情况下具有较好的跟踪效果,而且达到了46 帧/s的跟踪速度。     

基于Sugeno补的广义模糊熵阈值分割方法

鉴于传统的基于模糊熵的图像阈值分割方法对于光照不均匀图像的分割结果很不理想,该文提出了基于Sugeno补的广义模糊熵图像阈值分割方法。首先按照Sugeno补函数不动点的变化,对一幅图像产生9个阈值,然后利用图像分割质量评价指标对这9个阈值进行评价,最后选择使得评价指标最大的阈值作为最优的阈值。与传统的模糊熵阈值分割方法相比,新方法增加了选择更好的分割结果的机会,对于光照不均匀的图像能够获得比传统模糊熵方法更好的分割效果。     

倒数粗糙熵图像阈值化分割算法

基于粗糙集理论的粗糙熵阈值法不需要图像之外的先验信息。粗糙熵阈值法需要解决两个问题,一是图像信息不完整性的度量,二是图像的粒化。该文基于倒数信息熵,提出一种倒数粗糙熵用来度量图像中信息的不完整性。为了更好地对图像进行粒化,采用一种基于均匀性直方图的粒子选取方式。该文提出的倒数粗糙熵表述简洁,计算简单。实验验证了该文方法的有效性。

     

基于半监督信息的截集式可能性C-均值聚类算法

截集式可能性C-均值(C-PCM)聚类算法将截集概念引入可能性C-均值(PCM)聚类算法中,明显改善了PCM的聚类中心重合问题,并能够对噪声和奇异点的数据进行有效聚类,但该聚类算法对小目标数据聚类时仍然存在聚类中心偏移的问题。针对此问题,该文将半监督学习机制引入C-PCM的目标函数中,通过部分先验信息来指导聚类过程,提出半监督截集式可能性C-均值(SS-C-PCM)聚类算法。为了提高彩色图像的分割效率和分割准确率,将差分进化超像素(DES)算法获得的图像空间邻域信息融入SS-C-PCM目标函数中,并利用彩色直方图重构目标函数,以降低算法的计算复杂度,进而提出基于差分进化超像素的半监督截集式可能性C-均值(desSS-C-PCM)聚类算法。通过人造数据和彩色图像分割的仿真并与多种相关算法进行对比,表明该文算法能够有效改善小目标数据的聚类效果,提高算法的执行效率。     

基于双分支特征融合的无锚框目标检测算法

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。     

包含度和贴近度的相互诱导关系

基于贴近度和包含度的公理化定义，给出贴近度和包含度之间的相互诱导关系，建立模糊熵、贴近度和包含度之间的联系。