基于Bandelets变换的红外图像去噪

提出了一种基于Bandelets变换的红外图像模糊阈值去噪方法,该方法结合了Bandelets变换和模糊阈值在去噪方面的优点.对红外图像进行Bandelets变换的同时,对系数进行模糊阈值处理,实现了图像去噪;同时针对图像去噪问题提出了Bandelets变换中压缩率阈值的选取方法.结果表明,与正交小波硬阈值去噪方法相比,该方法具有良好的去噪性能,并且在去除红外图像噪音的同时,能够获得很好的边缘保持效果.     

Hardy和Littlewood的一个三角和

本文对Hardy和Littlewood考虑的一个有限三角和做了进一步地研究.通过充分运用Chebyshev多项式和M?bius函数的性质,建立了该有限三角和的一个有趣的恒等式,并得到了一个精确的渐近公式.     

多级离散小波变换的高效超大规模集成架构

设计了一种单时钟域内低级展开、高级折叠的多级离散小波变换架构;采用横向三输入扫描方式,基于9/7离散小波变换提升算法,设计第1级离散小波变换模块;根据第2级离散小波变换的时钟周期与有效输入数据之比,设计半折叠的第2级离散小波变换模块;将第3级及更高级的离散小波变换的架构折叠到第2级离散小波变换架构上,从而降低了硬件资源的消耗。结果表明:对于大小为512 pixel×512 pixel的经3级离散小波变换处理的输入图像,所提架构的硬件效率比其他现有架构提高了57.1%以上。     

探寻旋转的特征

因为世界是永恒发展与普遍联系的,动态几何的引入,进一步丰富了静态几何.其中初中阶段学习的轴对称、平移、旋转和相似等四种图形变换都是动态几何,它们分别是图形绕直线旋转、直线运动、绕点旋转、图形的缩放.其中旋转与相似是学生学习的重点和难点,是中考必考内容.要学好旋转这种图形变换,掌握旋转的特征是最基本的,也是最重要的,那么,旋转的特征有哪些呢?以下做一探讨!     

水质评价涉及的因子权重与定权方法

水质评价涉及属性权与熵权两种权重.熵权表征因子的分类能力,由因子的隶属度向量通过计算信息熵确定.属性权表征因子重要性程度的差异,用途是使不同因子的隶属度具有"可比性",但定权方法众说不一.指出,因子重要性程度差异源于因子属性与因子取值无关,并且表征这种差异等同于对因子接重要性排序.AHP的比例标度判断矩阵为因子排序提供了合理的数据条件,但基于"一致性检验"的特征根排序法受到质疑;FAHP也因没有彻底摆脱"一致性",所以建立的排序方法有局限性.为此,通过标度变换将比例标度转化为评分标度,利用评分标度的可加性把判断矩阵中由评分标度确定的因子的序关系转化为因子排序.由此建立不受"一致性"干扰的定权方法.     

重分析 巧变形 抓特点 再换元

《中学生数学》2014年第5期刊登了康宇老师的文章《学会运用换元法》,文中总结出了利用换元法注意的四个问题,即等价性、必要性、多样性、求简性.阅后受益匪浅.因此对换元法作了进一步的研究,总结出了学好换元法必须做到：＂重分析、巧变形、抓特点、再换元＂.下面举例说明,供读者参考.     

拉普拉斯变换微分性质的若干应用

给出拉普拉斯变换微分性质在求解拉普拉斯变换和拉普拉斯逆变换时的三个应用,并分别给出相应算例.     

三角代数上的Jordan双导子（英文）

设T是定义在交换环上R的三角代数,φ:T×T→T是定义在T上的任意Jordan双导子.受[Comm.Algebra,2017,45(4):1741-1756]和[Linear Algebra Appl.,2009,431(9):1587-1602]研究的启发,本文致力研究φ的结构形式.我们指出在适当条件下Jordan双导子φ可以分解成内双导子和extremal双导子之和,推广了本方向现有成果.本文结果可直接应用于分块上三角矩阵代数和Hilbert空间定义的套代数.     

错误集的变换与错误的消除

对错误集C作了阐述,并介绍了相关的定义。再者,研究了错误集的有关运算及这些运算所满足的运算律;得出错误集的变换包括逆、或、积;错误集的变换类型包括单位变换、置换变换、分解变换、组合变换、毁灭变换、增加变换、相似变换的结论。最后,举例说明了错误集的变换与错误的消除。