基于逻辑相似性的运动检索算法

针对基于内容的人体运动检索问题,提出了一种基于逻辑相似性的运动数据检索方法。首先,针对特定人体运动序列数据,使用自组织网络映射算法对运动数据进行预处理,找出运动数据帧的最佳匹配单元。然后,应用数据编码规则对匹配单元进行量化及编码处理,获得基于符号化表示的运动描述符。基于符号化表示的描述符建立运动序列索引机制,应用多分辨率框架进行运动模式匹配。最后,按照模式匹配结果进行运动相似性排序,输出检索结果。在CMU运动数据库中的试验结果表明了算法有效性。     

基于蚁群算法的二维最大熵分割算法

由于二维最大熵分割法不仅考虑了像素的灰度信息,而且还充分利用了像素的空间邻域信息,因此能够取得较好的分割效果.但是,该方法的计算量巨大,不利于红外图像的快速处理.蚁群算法于20世纪90年代初提出,是受到蚁群集体行为的启发而提出的一种基于种群的模拟进化算法,属于随机搜索算法.该算法已经成功应用于旅行商等离散问题.将蚁群算法应用于二维最大熵法,提出了基于蚁群算法的二维最大熵分割算法.与传统的穷尽搜索法相比,求解速度提高了60倍左右.仿真实验表明,该方法快速、简单、有效.     

视网膜皮层图像信号处理的传输机制与仿真

侧抑制是神经系统普遍存在的机理。从侧抑制模型出发进行了视网膜处理及传输机制的研究,提出了基于差分方程的循环侧抑制动态数学模型。通过剖析视网膜感应细胞对光刺激的反应特性,阐述了视网膜皮层电脉冲信号的发放机制,指出了视网膜输出信号是以物体边缘信息为主体的传输机制。结合循环侧抑制动态数学模型,并考虑视网膜感应细胞对光刺激的适应性,创新性地进行了图像信号传递及处理的仿真模拟。     

平稳小波在高精度重力仪信号处理中的应用

为有效地消除噪声对重力仪测量数据的影响,提高重力异常测量值的精度,在分析平稳小波多尺度分析原理的基础上,将平稳小波应用到重力仪数据处理中,并与传统小波多尺度分析进行了对比.理论分析和仿真实验表明,平稳小波和传统小波都能在一定程度上抑制噪声对高精度重力仪测量数据的影响,但平稳小波的性能优于传统小波.     

基于快速骨架提取的三维目标识别(英文)

针对三维目标识别问题,提出了一种基于快速骨架提取的方法。根据骨架所反映的目标拓扑结构,建立了不同目标局部结构之间的对应关系;而在对应的局部曲线段上,采用基于曲线配准的方法进行匹配;以各个局部匹配的成本之和评估不同目标的相似性.这种方法在目标出现一定程度的视觉变形时仍具有较好的识别效果,同时避免了基于曲线方法的匹配目标的局部,而忽略局部之间相互的空间组织的缺点所造成的误匹配.算例结果表明这种算法对于三维目标有较好的识别效果.     

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.     

基于模糊理论的空间屏蔽滤波信号去噪

基于模糊理论提出了一种空间屏蔽滤波信号去噪方法.对信号进行二进小波变换后,对信号进行空间屏蔽滤波,对于未通过滤波器的系数进行模糊阈值处理实现去噪.通过对含噪HeaviSine和Doppler信号的去噪仿真,表明,该方法对噪音具有良好的抑制作用,能较好地保持信号在间断点处的信息.与传统空间屏蔽滤波相比,该方法对不同种类的含噪信号均具有良好的去噪效果.     

红外图像的各向异性分段高斯滤波

提出了一种各向异性分段高斯滤波,这种方法除了考虑图像的尺度和方向特性外,还根据边缘区域可分特性,使用了分段滤波的方法来进一步解决边缘保持的问题.该方法通过本文所提出的一种图像噪音方差估计模型来确定图像的基准尺度,并由Hermite变换得到其方向角,然后再通过确定高斯模型的轴向比和自适应尺度,使对选择区域的滤波转变为对分段高斯模型的滤波,从而使计算的可靠性得到增强.从仿真结果可以看出,各向异性分段高斯滤波器在噪音去除和边缘保持的综合性能上要优于其他常用的滤波算法.     

基于小波变换的多尺度水平集算法研究

针对传统水平集算法在处理低对比度图像时,出现的在局部梯度极大值区域及虚假边缘处停止演化等问题,提出了一种基于小波变换的多尺度水平集算法.采用高斯函数的导函数作为小波函数,使用独立强度传播模型来估计小波函数每一点尺度因子的值,再将沿x,y两个方向小波变换模的递减函数作为水平集速度停止项,对待处理图像进行水平集演化运算.实验结果表明,该方法优于传统水平集变换法.     

基于人眼视觉非均匀特性的实时Mean Shift跟踪方法

由于在成像制导过程中需要实时处理大量的信息,为了在尽可能保留有效信息情况下降低计算量,采用了一种人眼视觉非均匀采样模型——对数极坐标模型,来压缩信息量以提高计算速度;另外,由于对数极坐标变换对目标形状具有旋转和缩放不变性,在跟踪非刚性变形目标时该模型能表现出很好的稳健性;考虑到在成像跟踪末段,质心、角点之类的跟踪方法会产生匹配点漂移,为了抑制匹配点漂移,采用基于目标强度特征的Mean Shift跟踪方法,并对采用Gauss核函数的Mean Shift方法进行了优化来加快计算速度;实验结果表明,该方法能够有效抑制匹配点漂移,是一个稳健的目标跟踪方法.