基于高斯扩散模型的化工危险品泄露区域计算及其实现

化工危险品在生产储运过程中会引发泄漏扩散事故,对它的泄露扩散进行模拟,可以及时、准确、有效、直观地对事故过程的危险区域做出预测,并以此为依据制定相应的应急措施。以高斯扩散模型为核心,结合化工危险品数据库、地理信息系统GIS等现代计算机辅助技术对化工危险品扩散的短时间接触容许浓度范围、半致死浓度范围等指标进行科学的量化计算以及对泄漏事故进行技术模拟预测,并且成功的应用于实际项目中。     

高斯烟羽模型扩散面积的算法研究

高斯烟羽模型在研究非重气云扩散方面应用越来越广泛,但是计算高斯烟羽模型扩散面积却没有特别精确有效的方法。因此对高斯烟羽模型计算扩散面积提出一种合理、科学的算法显得十分必要。本文提出了一种计算高斯烟羽模型扩散面积的算法,并介绍了该算法的理论基础和思路实现。应用该算法于工程实例中,并对结果进行验证,表明该算法方便、精确、便于应用,是计算高斯烟羽模型扩散面积的一种行之有效的算法。     

一种改进的放射性气体扩散高斯预估模型算法*

通过对放射性气体扩散的特征描述,针对高斯预估模型存在的缺点,引入了动态变化的泄漏强度,并通过夹角系数的方式将风速和放射性气体自身的扩散速度合成,得到对气体扩散起到关键作用的合成扩散速度,进而更好地模拟了放射性气体扩散过程中在不同时段、不同区域、不同气流状态下的气体浓度。最后通过实验仿真模拟,表明该算法在一定条件下能够有效地计算出放射性气体泄漏后的不同时间点和不同气流状态下的扩散浓度空间分布,能够较好地模拟放射性气体扩散的动态变换过程,对放射性气体泄漏事故现场的预测和评估具有很好的辅助决策作用。     

基于高斯的大气污染评价模型

研究城市防治问题,采用大气污染的经典高斯扩散模制,结合气象因素对污染物浓度的影响,分别估算由污染源排放所造成的大气污染物SO<,2>、NO<,x>和颗粒物的浓度值,根据国家标准,分析各污染物之间的数量关系,建立模糊评价矩阵,最终划分该地区的大气污染等级.结果表明,两种方法的有效结合能够准确地得出某一污染源对该地区大气污染情况影响的综合评价.测试结果表明.符合实际情况.对大气监测有实际意义.     

一种改进的混合高斯背景模型

针对经典混合高斯模型无法识别静态目标的问题,提出一种改进算法。通过加入了参数还原算法,并引入一个反馈调节环节,可以避免静态前景被学习进入背景。当目标停留超过预定帧数时,目标所覆盖的每个像素点的K个高斯函数进行参数还原,避免了目标被更新为背景的一部分。实验结果表明,提出的改进模型,不仅能检测长时间静止目标,而且能识别多模态背景。     

基于高斯混合模型的脑部MR图像自动分割

将脑部组织从MR图像中提取出来是脑部图像处理的一个重要环节,如何精确地将脑组织从非脑组织中分离出来成为研究的难点。传统的水平集方法仅依赖梯度信息,由于脑部图像含有噪音、过度区域等因素的影响,使得分割效果不是很理想。文章提出了一种脑部MR图像的自动分割方法,它利用模糊各向异性扩散方法对图像进行平滑,结合直方图分析得到了图像的全局信息自动构造初始曲线,并利用高斯混合模型构造水平集演化的速度函数,得到较好的分割结果。对脑部MR图像分割的实验表明该方法准确度高、抗噪性能良好。     

各向异性扩散与高斯差分模型的多聚焦图像融合方法

利用各向异性扩散模型具有良好的边缘保持特性,提出一种基于各向异性扩散滤波与高斯滤波差分规则的图像融合算法。各向异性扩散方程对图像进行滤波操作,在图像的同质区域实施正向扩散以平滑图像,而在图像边缘实行较弱平滑以保护边缘细节信息。将通过各向异性扩散模型处理的图像与经过高斯函数滤波的结果图像进行差分操作,可以得到图像的高频系数信息。为提高健壮性,对高频系数进行小窗口累加,其作为像素选择准则,再分别从原始图像中直接获取对应的像素值组成融合结果图像。实验结果表明,所提出的方法可以有效地融合源图像信息,非常适合多聚焦     

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进，将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中，以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像，然后用重构的静态背景图像初始化自适应混合高斯背景模型；而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率，从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。     

应用改进混合高斯模型的运动目标检测

在运动目标检测过程中,背景建模对目标提取至关重要,而混合高斯模型是目前背景建模中较流行的方法之一。针对混合高斯模型中存在的不足做了两点改进：（1）混合高斯模型是对各点孤立建模,对于拥有较高的分辨率的图像运算量较大,引入分块建模思想,可以明显提高目标检测的速率而且考虑到像素点之间的空域信息;（2）混合高斯模型对运动目标停留在场景中某一位置停留过长时,会出现将前景转化成背景,以致于产生目标在场景中消失的现象,根据目标在场景中运动与静止的情况,决定是整帧更新还是只更新背景区域。通过实验可以得出,该算法在不影响识别的情况下可以显著地提高运动目标的检测速率,而且可以减少部分噪声,另外也能有效地克服目标转化为背景的情况,从而保持了运动目标出现的连续性。     

基于改进高斯混合模型的自适应前景提取

在复杂场景下的运动前景提取是智能视频监控的基础部分。高斯混合模型是常用的背景建模方法,针对高斯混合模型中模型个数固化导致的无谓的系统开销,提出基于单高斯模型成长的动态个数调整形成的高斯混合模型。对模型的更新率根据场景变化的剧烈程度进行实时改变,能较好适应突发场景、光照的变化。对提取的运动前景进行形态学处理,得到最后的提取目标。实验结果表明,该方法背景建模适应性强,提取前景精度有所提升。     

一种改进的各向异性扩散去噪模型

为了既能有效地去除噪声,又能够较好地保持图像的边缘以及重要的细节信息,在Perona和Malik提出的各向异性扩散模型(P-M模型)的基础上,通过对扩散方程中扩散函数的改进,提出了一种具备自适应性的去噪扩散模型,该模型对图像去噪处理更加高效。改进的扩散函数在梯度较小时为一个常数,大于某个阈值后变为单调递减函数,直至某个梯度时递减为零。以上扩散函数特性使各向异性扩散模型能够达到在同质区加速平滑、在边缘区停止平滑的目的。实验结果表明,改进的扩散模型是一种更为理想的保边缘平滑模型。     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

基于改进混合高斯模型的人群密度估计方法

人群密度估计对于公共安全管理至关重要。针对视频监控系统下的人群密度估计问题,提出了一种基于改进混合高斯模型和像素统计的人群密度估计方法。通过计算图像的均值和偏差均值,提取高斯模型特征,在恒定的模型更新速率指导下,重建混合高斯背景图,从而获取人群二值图,最后,利用像素统计的方法实现人群密度快速估计。实验结果表明,较传统方法,该方法可以更准确有效地估计人群密度。     

一种改进的高斯混合背景模型算法及仿真

高斯混合模型广泛应用于基于背景建模的运动目标检测中,高斯混合模型参数估计和更新算法影响到背景模型的性能.文中对传统的高斯混合背景模型进行了改进,针对背景局部运动、活动阴影等问题,采用混合色彩值抑制阴影,在背景更新中引入一个"前景支撑映射"(Foreground Support Map, FSB),较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题.实验结果证明,实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性.     

一种基于改进混合高斯模型的前景检测

针对传统混合高斯模型(GMM)前景目标检测运算量过大问题,提出一种基于改进混合高斯模型的前景检测算法(TGM)。通过基于历史信息的模型清理机制,减少背景稳定区域像素点的高斯分布数量,进而降低算法运算量;建立临时高斯分布,运用更简单的加减运算进一步减少运算量,最后将符合条件的临时高斯分布转化为正式高斯分布,避免模型无意义的频繁更新,提高了准确性。实验结果表明,改进后的算法与原算法相比,具有更好的实时性和很好的准确性。     

基于改进的混合高斯模型的运动目标检测

针对现有方法在复杂多变环境下不能很好地检测出运动物体的问题,提出了改进的基于混合高斯模型的背景消减法,并对运动目标进行检测。模型初始化时,提出了一种能准确得到实际背景模型的方法;在模型更新中引入了加速因子和合理性反馈使得模型能更快、更准确地反应真实的背景。实验结果表明,同传统检测方法相比,改进的混合高斯模型方法能有效地消除物体发生运动时产生的拖影,并能很好地检测出运动物体。     

一种改进高斯模型的人体运动图像跟踪算法

研究改进的人体图像序列跟踪优化问题,提高跟踪的准确性.针对当人体运动图像序列帧中,背景图像帧变化较快,帧间像素差异较大的情况下,传统的跟踪方法无法适应较大幅度的、快速的图像背景帧变化,提取的动态像素过少,导致出现跟踪前景误判,跟踪效果滞后、失准的问题.为了解决上述问题,提出一种基于高斯混合模型的人体运动跟踪算法,通过建立一种混合高斯模型模拟去除干扰,通过迭代动态像素参数更新,消除图像帧快速变化造成的像素减少带来的影响,解决跟踪滞后问题.实验结果表明,改进方法能够大幅提高在复杂背景下的人体运动准确性,取得了不错的效果.     

高斯扩散特性图象的盲解卷积

图象的盲解卷积恢复具有重要的理论和实际意义,许多情况下系统的扩散特性不能精确获得。针对一类相对平滑或类似高斯分布的扩散特性,建立一种图象盲解卷积算法,采用交替迭代方法。适合总体最小二乘求解。算法能有效地确定点扩散函数,图象恢复质量有明显改善。最后的仿真实验表明了算法的有效性和稳定性。     

基于高斯混合模型的阴影消除算法

关于阴影消除是智能监控系统的重要组成部分,且对后续的识别和跟踪有很大的影响。根据改进的高斯混合模型检测出目标,用高斯混合阴影模型来检测阴影,并用高斯平滑滤波处理检测的结果。然后动态选择合适的阈值对图像做二值化处理,进一步对结果进行形态学滤波。经过整个过程的处理,得到了较为完整的轮廓,很好的消除了阴影,提高后续的识别和跟踪的准确性和可靠性。实验表明,算法能较好地消除阴影,且具有较好的实时性和鲁棒性。     

基于混合高斯模型的异常检测算法改进

针对视频监控系统中分离出合适的运动目标是进行目标识别的关键步骤,并且需要在分离目标时对光线的连续变化有相应的自适应能力并保持检测目标的准确性。为适应应用环境对背景构建和前景的获取与释放控制,对所使用的自适应混合高斯背景模型进行了相应的优化。背景构建和前景控制算法为:构建一个静态背景图像,然后让一个包含场景中移动对象和静态背景图像的视频序列对背景模型进行初始化。对前景消融时间的调整引入前景消融时间控制机制和独立的模型学习效率。通过多次的实验证实了该算法有很好的鲁棒性和准确性。