从三叶半夏(Pinellia ternata Breit)叶肉原生质体再生植株

从三叶半夏叶片分离到大量、具活力的叶肉原生质体,采用无机盐、激素、蔗糖浓度不同的液体和固体双层培养基培养。4—7天内原生质体出现第一次分裂,分裂频率为3—8％,3周后形成80—100个细胞的细胞团,转入液体培养基中振荡培养,1月后将形成1—2mm直径的愈伤组织再转入固体分化培养基中,愈伤组织先增殖、生长,3—4周后分化出绿芽和小苗,再1月后,由原生质体再生的半夏小植株已长至6—10cm高。半夏原生质体再生植株的发生途径有器官型和胚状体型两种方式。比较和讨论了悬浮培养、双层培养和组份浓度差液-固体双层培养对原生质体培养的效果。     

改进的多重分形图像奇异性分析算法

为了准确地研究图像奇异性以及各部分的属性及特征,采用一种基于亚像素边缘测度的多重分形算法,该算法根据方形孔径采样定理计算亚像素位置的梯度面密度函数值和图像任意子集(半径可以达到亚像素精度)的边缘测度,进而利用多重分形理论将实际图像分割成一系列具有不同奇异性指数的分形集合.并利用含有不同信息含量的分形集合重建原图像算法,实现了图像从纹理到边缘各层面内容的精确划分.对该算法进行了理论分析和实验验证,得到3×3亚像素方法提取的边缘信息重构原图像,其峰值信噪比达到14.76dB.结果表明,重建图像峰值信噪比主要依赖于所提取的边缘信息质量以及重构系数比,提取的各层面信息与人类的视觉系统所捕获的重要信息相吻合.     

离子色谱法测定酸雨中的阳离子

用离子色谱法测定酸雨中的Na^ 、NH4^ 、K^ 、Mg^2 、Ca^2 等阳离子，并同时用原子吸收分光光度法进行了对比实验。结果表明，利用离子色谱法测定阳离子，方法简便、快捷，能一次同时测定多种离子，测定结果和原子吸收法相符。     

波导柱结构分析——第一部分 缝隙导抗矩阵

将电磁学中的反作用概念用于分析矩形波导中二类有用的柱安装结构。第一种结构是常见的在每个柱上带有一个缝隙的多柱装置,第二种是带有多缝的单柱结构。本文的分析导出了用于计算这二种结构的缝隙导抗元的公式.     

彩色图像去马赛克的非局部稀疏表示方法

目前,大部分彩色去马赛克（Color DeMosaicking,CDM）算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l₁范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.     

稀疏性正则化的图像泊松去噪算法

去除医学、天文图像中的泊松噪声是一个重要问题,基于图像在过完备字典下的稀疏表示,在BayesianMAP框架下建立了稀疏性正则化的图像泊松去噪凸变分模型,采用负log的泊松似然函数作为模型的数据保真项,模型中非光滑的正则项约束图像表示系数的稀疏性,并附加非负件约束,保证去噪图像的非负性.基于分裂Bregman方法,提出...     

基于变换域数字图像水印技术的研究

以数字图像水印为研究对象,在介绍典型的最低有效位LSB空间域图像水印算法优缺点的基础上,对DFT、DCT、DWT、Ridgelet变换域数字图像水印技术进行了研究,然后重点分析了Contourlet变换新技术,Contourlet变换通过各向异性基实现了图像的多尺度多方向性分解,更能捕获图像的曲线奇异性和匹配人类视觉特性,这一新技术在数字图像水印领域有广阔地应用前景,最后指出了数字水印的发展方向.     

SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法

基于深度学习的高光谱遥感图像地物分类是目前研究的热点.但由于其参数规模大以及结构复杂,深度网络通常需要大量训练样本和较长训练时间,如何在小规模样本下建立深度学习监督分类模型是需要解决的关键问题.本文提出了一种小规模样本下高光谱图像分类的空-谱卷积稠密网络算法,称为SSCDenseNet,其包含三种新颖的架构策略：（1）空-谱分离卷积,即采取光谱维一维卷积和空间维二维卷积的分离卷积结构构成隐层单元,并通过多个隐层单元堆叠构造深度网络;（2）隐层单元中使用批归一化,减少数据协方差漂移及加速网络训练;（3）隐层单元间构建稠密连接,缓解梯度消失问题并实现特征复用.通过Indian Pines、Pavia University与Salinas数据集进行综合测评,表明该方法优于若干最新深度学习方法,特别在小规模样本下具有优异的分类性能.     

一种最优正交小波基选择的遗传算法方法

本文提出一种利用遗传算法的最优正交小波基选择方法。通过将信号用小波级数展开后得到其在某个期望尺度上的近似表示,由此建立一个表达信号与其近似之间误差的代价函数,然后我们利用遗传算法最优化此代价函数以获得全局最优的正交小波基。实验结果表明本文的方法能够快速准确地得到全局最优的正交小波基,从而得到信号在期望尺度上的最佳近似。