平面向量场的分解及特征抽取

向量场分解是指将向量场分解为无旋场、无散场和调和场三部分。向量场分解研究对向量场变形处理、特征检测、流体动画等有着重要的应用价值。本文实现了平面向量场分解的算法，并对向量场分解技术在海洋流场特征抽取上的应用做了初步研究，从而为提零连类流场中的结构特征开辟了新的途径。     

一种新型的视盘分割方法

视盘的检测对于眼底图像分析和计算机辅助诊断视网膜神经疾病有重要意义。论文提出了一种新型的视盘分割方法,新方法的思想是在去除血管的背景图像应用梯度向量场 GVF 活动轮廓模型。首先,从原始图像获取部分背景图像的像素,即获得在去除图像中血管像素之后的部分像素,然后利用取得部分背景的像素重塑整个背景图像,最后在恢复的背景图像中应用 GVF 活动轮廓模型分割出视盘,GVF Snake 模型的初始曲线为 Hough circle 。选取了不同的眼底医学图像进行了大量的实验,结果表明论文算法的分割结果十分准确,具有较好的分割效果。     

基于小波变换与偏微分方程的图像分解及边缘检测

针对含纹理的自然图像在图像分解时,结构图像的边缘信息容易被当作纹理分解到纹理图像中,致使结构图像的边缘不清晰,检测到的边缘不准确,提出了基于小波分解的偏微分方程(PDE)图像分解及边缘检测模型。首先利用小波变换阈值提取部分纹理信息,再利用改进的保边缘的偏微分方程图像分解模型进一步分解图像并提取边缘。实验结果表明,新方法提高了图像分解的质量,纹理信息提取充分,结构图像有较好的分片光滑性和较清晰的边缘,检测到的结构边缘更准确。     

一种PDE图像分解去噪模型及算法

通过分析ROF(Rudin,Osher and Fatemi)模型和LLT（lysaker,lundervold and Tai)模型在处理噪声图像时存在的缺陷,以及纹理部分和噪声部分之间的差异,将图像分解思想和ROF模型与LLT模型相结合,提出了一种新的分解去噪模型：DD(decomposition and denoising)模型。该模型在处理噪声图像时,将噪声图像分解为结构、纹理和噪声3部分,从而达到既去噪又能分解的目的。进一步通过仿真试验,验证了DD模型和算法的合理性及有效性。     

基于偏微分方程的医学超声图像降噪研究

提出一种将图像分解和几何分析相结合的算法去除超声图像中的斑点噪声。针对超声图像的斑点噪声为乘性噪声特性,将经典的ROF图像分解模型引入到适合于受乘性噪声污染的图像分解。超声图像经模型分解为轮廓部分、细节部分和噪声部分,然后对分解后的差值图像进行Ridgelet降噪,由于Ridgelet降噪克服传统小波分析方向性上的不敏感的缺点,能很好地保持图像边缘。处理后得到的图像无论是在斑点噪声去除、细节保护方面都优于传统的非线性滤波器和小波分析方法。实验表明,算法是完全可行和有效的。     

基于图像分解的图像修复技术

针对整体变分(TV)图像修复模型缺点,提出基于图像分解的修复模型。采用图像分解技术,提取图像的结构信息和纹理信息。将图像结构部分用基于TV的改进模型进行修复,避免TV模型在平滑区域产生阶梯效应。在迭代过程中,对图像的特征点与非特征点分别考虑,确保在修复过程中特征点不被模糊化,图像纹理部分采用改进的基于样本修复技术。Matlab仿真实验结果表明,改进算法的修复效果和峰值信噪比计算结果优于原始算法。     

基于几何流多级树Bandelet分割编码的医学图像压缩方法

本文提出了一种新的医学图像压缩方法,利用稀疏表示方法结合图像结构的几何规律,构建图像的灰度级有规则变化的方向的几何流表示方法,获得二元方形图像四叉树表示形式。针对几何正则化数据的小波分解结果存在较少的显着系数问题,使用二维向量场表示正则性的方向,并用样条表示法得到了这些方向的逼近。最后,在几何流图像的方向分解的基础上,利用M-band离散小波变换构建多级树Bandelet分割编码方式,实现了Bandelet系数计算改进。实验结果表明,该方法可有效提高医学图像压缩方法的计算效率。     

去除阶梯效应和震荡提取的分片变分分解模型

为了去除在变分图像分解中TV模型结构部分出现的阶梯现象和精确地提取震荡部分,提出一个分片变分分解模型.该模型将图像的支撑集聚类为2个不同性质的区域,在平滑区域采用固定边界的Mumford-Shah模型进行分解,以去除平滑区域内的阶梯现象;再在过渡区域采用(BV,G)分解,以此来精确地提取图像的震荡部分;然后对模型存在非平凡解的条件进行了讨论;最后采用梯度下降和有限差分对模型进行交替迭代求解.理论分析和与TV模型的对比实验结果表明,文中模型能很好地去除结构分量中的阶梯现象,并且能精确地提取图像的噪声和纹理.     

一种基于L1的图像自适应分解变分方法

变分方法可以将图像分解为同类部分u和振荡部分v,但传统的图像分解方法会导致分解结果的对比度发生改变,并产生阶梯效应。为了更好地进行图像分解和去噪,提出了一种基于L1的可根据图像局部信息自适应的图像分解变分方法。该方法首先使用L1范数作为分解模型中的逼近项,以便使分解结果能保持原始图像边缘和保持对比度不变;然后通过引入图像局部特征的自适应函数来削减同类部分u的阶梯效应。实验证明,新方法比传统方法能更好地应用于图像分解和图像的噪声去除。     

基于Mumford-Shah模型和G空间的图像结构纹理分解

构造了一个变分问题来实现图像的纹理结构分解.其中结构成分用分段光滑的函数(即Mumford-Shah模型)刻画,纹理部分用振荡函数(G空间)来描述.由于Mumford-Shah模型将结构成分显式地描述为分段光滑函数,在非结构边缘点处的梯度采用L2范数约束,故相对于全变差(Total variation,TV,梯度的L1范数)的分解方式,很好地克服TV带来的阶梯效应;G空间本身定义的纹理函数的振荡特性保证了分解的结构成分中含有更少的纹理信息.实验表明,无论相对于经典的TV-L2分解还是TV-G分解,本文方法均体现出了很好的分解性能.     

FLASH动漫在中国的发展

Flash具有很多优点,如矢量动画、关键帧技术和流式播放,其优势让动漫得以迅速发展,并进入中国。     

面向智能客服的句子相似度计算方法

针对金融领域中智能客服的句子相似度计算方法进行了研究。利用基于词性的分词纠正模型减少中文歧义词、金融相关词汇的分词错误；通过词向量方法和循环神经网络分别提取词语级和句子级的语义特征，并且得到句子向量；用融合层计算出句子向量间的差异特征；对差异特征进行降维和归一化得到句子相似度计算结果。实验结果表明，该方法具有较高的准确率和[F1]值。     

On combining multiple features for cartoon character retrieval and clip synthesis

How do we retrieve cartoon characters accurately? Or how to synthesize new cartoon clips smoothly and efficiently from the cartoon library? Both questions are important for animators and cartoon enthusiasts to design and create new cartoons by utilizing existing cartoon materials. The first key issue to answer those questions is to find a proper representation that describes the cartoon character effectively. In this paper, we consider multiple features from different views, i.e., color histogram, Hausdorff edge feature, and skeleton feature, to represent cartoon characters with different colors, shapes, and gestures. Each visual feature reflects a unique characteristic of a cartoon character, and they are complementary to each other for retrieval and synthesis. However, how to combine the three visual features is the second key issue of our application. By simply concatenating them into a long vector, it will end up with the so-called "curse of dimensionality," let alone their heterogeneity embedded in different visual feature spaces. Here, we introduce a semisupervised multiview subspace learning (semi-MSL) algorithm, to encode different features in a unified space. Specifically, under the patch alignment framework, semi-MSL uses the discriminative information from labeled cartoon characters in the construction of local patches where the manifold structure revealed by unlabeled cartoon characters is utilized to capture the geometric distribution. The experimental evaluations based on both cartoon character retrieval and clip synthesis demonstrate the effectiveness of the proposed method for cartoon application. Moreover, additional results of content-based image retrieval on benchmark data suggest the generality of semi-MSL for other applications.     

改进支持向量机的网络流量预测

支持向量机具有良好的非线性建模能力,其参数对网络流量预测结果有直接影响,为了解决支持向量机的参数确定的难问题,根据杂草算法的优势,提出了改进支持向量机的网络流量预测模型.首先收集大量网络数量原始数据,将支持向量机参数作为杂草种子,然后模拟杂草的生存、繁殖过程搜索最优参数寻优,建立网络流量预测模型,最后采用具体网络流量数据测试模型的可行性.结果表明,该模型不仅得到了高精度的网络流量预测结果,而且可以应用网络流量管理中.     

基于支持向量数据描述的系统调用轨迹异常检测

通过监控主机系统调用的执行,可以在很大程度上发现入侵行为。建立支持向量数据描述(SVDD)的异常检测模型,通过对正常状态应用程序系统调用轨迹进行训练,使偏离正常模式的活动都被认为是潜在的入侵。通过对IE进程系统调用轨迹的优化处理,只利用少量的训练样本,试验获得了对异常样本99%的检测率,而虚警率不到1%。     

改进的SemBERT特征重组模型

SemBERT模型实现了对BERT模型的提升, 但存在两个明显的缺陷. 第一, 模型获得向量表示的能力不足. 第二, 没有从特征的种类出发, 直接使用传统特征进行任务分类. 针对这两个缺陷, 提出了一种新的特征重组网络. 该模型在SemBERT内部添加自注意力机制, 外接特征重组机制, 得到更好的向量表示并且重新分配特征权重. 实验数据表明新的方法在MRPC数据集上比经典的SemBERT模型在F1值上提高了1%. 实现在小数据集上的明显提升, 并且超越了大多数优秀模型.     

自然手语动作序列生成的研究

文章探讨了如何让在手语新闻播报中的卡通人按照自然手语的语法规则而非正常人的语法规则来打手语。首先整理了现代汉语自然手语的规则并将其形式化,并建立了正常汉语到汉语自然手语转换的形式规则库;从而实现了现代汉语文本到相应的自然手语的手语动作序列的自动生成。最后将其嵌入到通过手语合成技术和卡通动画的手语新闻播报系统中,使其在线输出的是符合聋人习惯的自然手语。     

GPU加速的光滑轮廓线绘制

轮廓线的高效提取是非真实感绘制的一个关键问题。提出了一个完全利用GPU生成光滑轮廓线的高效算法。在几何处理阶段,先根据相邻三角形的法向量与视向量的关系检测出轮廓线,然后对轮廓线进行宽度扩充,同时对轮廓线顶点设置相应的渐变因子;在像素处理阶段把渐变因子转化为相应的alpha值,通过光照生成卡通渲染,最后通过alpha混合得到光滑轮廓线。算法完全在GPU里实现,能满足实时的绘制要求。     

面向交互式快速动画制作的素材标注与检索系统

交互式快速动画制作需要丰富的动画素材库作为支撑,因此,有必要研究动画素材的标注与检索技术,为动画素材的重用提供支持.研究并实现了交互式快速动画制作素材标注与检索系统,首先建立丰富的动画素材库,然后研究动画场景和形象等素材的语义标注方法,最后在此基础上实现对动画素材的颜色分块特征、局部不变特征、形状等多种特征的浏览与检索.系统具有良好的可扩展性、交互性以及快速检索能力,其关键技术已在动画制作企业得到实际应用,并取得了良好的应用效果.     

基于KPCA的多变量时间序列数据异常检测方法研究

介绍了一种采用的KPCA技术获取多变量时间序列数据高维特征空间的主成方向矢量,使用主成方向矢繁内积作为异常的度量,并采用vMF分布表征主成方向矢量分布来进行多变量时间序列数据异常检测的方法;检测过程中使用历史数据训练获取分布模型的参数估计,通过计算实际数据主成方向矢量在训练模型的概率来判断异常的发生;与传统的异常检测方法相比,该方法不依赖先验的专家知识,且能够通过训练学习自动调节模型参数,可用于不同系统的异常检测中;实验表明,该方法具有较高的有效性.