改进的模糊阈值图像分割方法

提出了一种自适应的模糊阈值图像分割方法,通过预分割和直方图信息相结合的方法,解决了传统的模糊闽值图像分割法难以自动获取窗宽的困难;并针对模糊闽值图像分割方法不能适用于直方图呈单峰分布的图像的缺陷,提出了一个新的平滑迭代公式。该平滑迭代公式利用像素点的邻域信息使图像增强,再使用自适应的模糊阈值图像分割方法进行分割,可以拓宽模糊阈值图像分割方法的适用范围。实验结果表明,使用该方法的目标分割正确率达97.3％,显示了较高的分割精度和较强的鲁棒性。     

一种目标跟踪中的模糊核直方图

针对目标模型内的背景像素造成目标跟踪定位偏差的问题,提出了一种适合于目标跟踪的模糊核直方图.通过在核直方图中引入模糊隶属度,可降低背景像素对目标特征的影响.另外,研究了模糊隶属度函数,根据中心-周围方法提取背景特征,并给出了确定模糊隶属度函数的两种策略,即比率策略和差分策略.在比率策略中采用对数似然函数技术,而在差分策略中采用目标特征与背景特征的差分技术.实验表明,基于比率策略的目标跟踪更适合于场景简单的情形,而基于差分策略的目标跟踪适合于场景复杂的情形.     

基于最大模糊相关准则的图像快速分割

根据数字图像本质上具有模糊的特性,分析了传统模糊熵阈值方法的缺陷,提出了最大模糊相关准则快速阈值分割方法.首先应用模糊隶属度函数把数字图像转换到模糊域,然后根据相关的定义计算图像直方图目标与背景的模糊相关总量,并依据最大模糊相关准则自动选取最佳阈值.另外,为了缩短最佳阈值获取时间,应用差分演化算法对模糊隶属度函数参数进行寻优.最后在真实图像上与其它几种典型的阈值法进行了对比实验,实验表明所提方法能获得较好的分割结果,满足实时性需求.     

一种基于FCM的图像分割方法

提出一种新的图像分割方法 FWFCM(fast walvet fuzzy C-means method),该方法对图像像素点的灰度进行模糊隶属度的分析,将需要聚类的像素空间投影到灰度直方图空间,从而减少了经典FCM算法的迭代计算量,提高了算法的收敛速度;并且利用小波变换的多分辨率的分析,抑制噪声点对图像分割的影响,提高了图像分割的精度.     

复杂光照环境下的线材缺陷自适应分割方法

针对高速线材表面缺陷检测技术难题,对复杂光照下的线材缺陷分割技术展开研究。基于灰度直方图多峰值的特点,给出了峰值选取准则,并在双峰值模糊阈值分割的基础上提出了分段自适应模糊阈值的分割方法,实现了线材的提取;在此基础上,利用对位遍历的思想,实现了线材缺陷的边缘分割。实验结果表明,该方法能够克服光照不均带来的灰度连续问题,可以比较准确的提取线材缺陷,为进一步研究线材表面缺陷视觉识别技术奠定了基础。     

基于模糊AHP和TOPSIS的企业知识吸收能力评价

建立了企业知识吸收能力的评价指标体系,并提出了基于模糊AHP和TOPSIS的评价方法。借助模糊AHP方法确定评价指标的三角模糊权重,并用重心法对模糊权重进行反模糊化;运用模糊TOPSIS方法构建模糊加权评价矩阵,计算各企业方案与理想解之间的相对贴近度,从而比较出各企业吸收能力强弱。通过实例分析验证了该方法的实用性和有效性。     

正则半群上模糊同余的模糊核

模糊核迹方法是研究正则半群上模糊同余的重要手段，模糊核作为一个方法的组成部分成为重要的讨论对象。目的在于研究正则半群的模糊子集满足什么条件构成模糊同余的模糊核：引入一般半群上的模糊等价关系浸满一个模糊子集的概念，证明了正则半群上每个模糊同余浸满它的模糊核，给出了正则半群的模糊子集是某个模糊同余的模糊核的充要条件。     

模糊聚类分析在模糊神经网络结构优化中的应用

研究了模糊聚类分析在多变量模糊神经网络的结构确定中的应用,在传统的模糊C－均值算法的基础上,给出了一个衡量聚类有效性的函数和确定模糊指数的启发式方法,并给出了应用该算法的具体的模糊神经网络模型。     

一类变量为梯形模糊数的线性规划

针对变量为梯形模糊数的模糊线性规划问题,利用结构元方法定义了一种模糊数的排序准则,讨论了如何将变量是梯形模糊数的线性规划去模糊化,即将含有变量为梯形模糊数的模糊线性规划转化为经典模糊线性规划.同时,证明了该模型的最优解等价于经典的线性规划的最优解,再利用单纯形法求出最优解.并设计了求解该类模型的算法.通过算例验证了该方法的可行性和算法的有效性,从而为变量模糊的广义模糊线性规划问题的研究提供了新的方法.     

模糊变分原理在求解结构屈曲临界载荷中的应用

首先在结构屈曲临界载荷的瑞利商变分中引入模糊参数,得到了结构屈曲临界载荷问题的模糊变分原理。进而基于模糊变分原理推导了模糊里兹法和模糊有限元法。这两种方法都可以直接得到问题的模糊解,避免了传统区间方法要先将模糊参数转化为区间参数求解,之后再由区间解构造模糊解的计算过程。因此,所提方法可以很大程度上减少计算量。最后通过数值算例表明了所提方法的可行性。