轮廓特征包在激光主动照明识别系统中的应用

提出了一种结合轮廓转动惯量和特征包(Bo F)算法的激光主动照明目标识别方法。介绍了转动惯量的定义,并提出了一种多尺度轮廓转动惯量特征区域检测方法和轮廓转动惯量局部不变特征提取方法。多尺度轮廓转动惯量特征区域检测方法能够提取出包含轮廓的最小特征区域,而轮廓转动惯量局部不变特征能够很好地描述轮廓的大小、位置、规则度等信息,对于各种图像变换具有不变性,并且计算效率较高。使用Bo F算法统计图像的轮廓转动惯量局部不变特征,生成归一化特征直方图作为整幅图像的特征向量,输入训练好的支持向量机分类器进行识别。实验结果表明与基于Hu矩和BP神经网络的目标识别方法相比,所提算法在旋转和仿射变换下的识别率分别提高7.33%和19.08%。     

弹丸目标红外图像的阈值分割算法研究

针对红外弹丸目标图像的特点,在分析比较了几种传统的基于直方图阈值分割算法的基础上,探讨了提高该类算法实时性的途径。结合弹丸目标体积固定的特点,提出了一种基于p率直方图的快速算法。在分割效果上提高了对弹丸目标提取的准确性,在运行时间上与传统直方图阈值分割算法相比平均降低了30%以上。在Matlab环境下进行了仿真,验证了算法的有效性和实时性。     

图像分割研究现状概述

图像分割是图像处理到图像分析重要的步骤,同时也是一个经典难题。自20世纪70年代起,研究者们就一直高度重视图像分割,并已经提出上百种分割方法,但至今没有一种通用的方法。本文从传统和新型角度出发,整理和分析了大量的研究文献,具体介绍基于区域、边界、特定理论的分割方法。     

小波包变换及其在电力系统谐波电流检测中的应用

在此阐述了小波变换及小波包变换的基本原理。小波包变换是建立在小波变换的基础上,可以实现对信号的均匀划分,能够更好地提取信号的时频特性。仿真结果表明,小波包变换方法能够正确地提取电力系统的谐波信号,将电流信号中的基波分量和高次谐波分量分离,验证了该方法的有效性。     

基于改进遗传神经网络的MR脑组织图像分割方法

为了提高MR脑组织图像分割的准确度,针对传统BP神经网络算法存在的问题,提出了改进的遗传神经网络算法。首先根据医学图像改进遗传算法的编码方式、适应度函数以及遗传操作,利用该算法获取最小适应度函数值,进而确定神经网络最优权值和阈值;然后将该神经网络用于MR脑部图像的分割。试验结果表明,改进的遗传神经网络算法分割效果优于传统BP神经网络算法。     

初中化学“酸和碱的性质”创意教学*——探析食品发热包

以食品发热包为主题情境,通过探析发热包成分、解密发热原理、计算原料配比、配制发热包等环节梳理酸和碱的性质、用途。从元素观、转化观的视角认识物质转化规律,体现物质研究的一般思路,凸显科学探究的基本过程。通过设计方案测定发热包中碳酸钠的含量,总结混合物成分鉴定及定量测定的方法;归纳气体定量测定的影响因素。呈现一堂学科观念、学科方法教学具体课例,凸显物质研究、定性检验、定量测定的基本方法。     

基于声学心理模型的固定门限音频水印方法

提出了一种基于声学心理模型和小波包变换的的音频水印算法,适用于立体声音频信号和单声道音频信号。对于立体声音频信号,在左右声道加入不同的水印信号;对于单声道音频信号,在奇偶帧加入不同的水印信号。左声道水印通过源信号包络与一个只有版权拥有者持有的随机序列加权生成水印信号,并且通过对得出信号进行小波包和声学心理模型分析控制水印信号的强度;右声道水印信号为幅度限制在可听门限的白噪声,用来控制检测门限。得到的水印信号在时域嵌入,水印的检测无需原文件。该方法能够将检测门限控制在事先设定的范围内,具有较好的隐秘性;嵌入的水印信号能够抵抗时域的切割、加噪攻击和一般的音频变换算法。     

小波域抑制多音干扰的扩频接收机

利用小波包理论提出了一种快速、准确地识别并且抑制多音干扰的有效方法。该方法利用小波包理论将多音干扰的各条谱线逐个定位,然后通过功率谱分析的方法来识别多音干扰的存在区间,最后将被干扰污染的区间逐个切除并反向重构接收到的信号。实验证明该方法的误比特率性能在强干扰时要优于以前的FFT域切割法。     

基于窗帧差的镜头边界系数模型及其应用

针对视频结构分析提出了一种新的镜头边界系数模型.首先,按照特定的计算方法计算当前帧的窗帧差,使得窗帧差在镜头内与镜头边界呈现不同的特征;然后,采用相应的镜头边界检测算子计算镜头边界相似系数,镜头边界相似系数越大,则该帧越可能是镜头边界;最后,为了提高镜头边界相似系数的检测能力,根据镜头边界相似系数定义了镜头边界系数.镜头边界系数具有良好的特性,可以单独检测镜头边界,也可以与传统的镜头边界检测方法相结合,为镜头边界检测提供了一种鲁棒的框架.实验结果表明,基于镜头边界系数模型的镜头边界检测方法能明显改善镜头边界检测结果.     

基于Chan-Vese模型的树形结构多相水平集图像分割算法

由于Chan-Vese(C-V)模型通过单个水平集的符号将待分割图像划分为目标和背景两个部分,所以当图像的多个目标的轮廓成多连接时,C-V模型将无法表示.为了解决C-V模型在表示目标轮廓上的局限,提出了基于C-V模型的树形结构多相水平集算法.关键策略是通过改变图像背景,使得水平集在新图像上重新收敛;核心技术是依据同时明度对比提出的背景填充技术;算法流程采用多水平集串行收敛方式实现多相分割(n-1次收敛可以实现n相分割,n＞1).实验结果表明,本算法可以表示复杂的区域连接情况(n相分割最多可以表示n连接情况),能够实现多目标分割(n相分割可以实现n-1个目标分割),特别适合于目标中含有子目标的图像.