数字水印的信道选择及容量分析

该文提出了一种基于噪声允许的信道选择方案,根据图象自身特点,结合人眼视觉模型和噪声可见性函数,找出了在满足不可见性条件下每个信道可嵌水印的最大强度。在应用香农信道理论进行容量估计的同时,协调好了鲁棒性、不可见性、容量三者的关系。     

基于深度神经网络的特征加权融合人脸识别方法

针对目前难以提取到适合用于分类的人脸特征以及在非限条件下进行人脸识别准确率低的问题,提出了一种基于深度神经网络的特征加权融合人脸识别方法(DLWF)。首先,应用主动形状模型(ASM)提取出人脸面部的主要特征点,并根据主要特征点对人脸不同器官区域进行采样;然后,将所得采样块分别输入到对应的深度信念网络(DBN)中进行训练,获得网络最优参数;最后,利用Softmax回归求出各个区域的相似度向量,将多区域的相似度向量加权融合得到综合相似度评分进行人脸识别。经ORL和WFL人脸库上进行实验验证,DLWF算法的识别准确率分别达到97%和88.76%,与传统算法主成分分析(PCA)、支持向量机(SVM)、DBN及FIP+线性判别式分析(LDA)相比,无论是限制条件还是非限制条件下,识别率均有提高。实验结果表明,该算法具有高效的人脸识别能力。     

辅助锥面法辅助柱面法与辅助环面法

本文依辅助面与相交两曲面的交线的投影为圆弧或直线的原则,提出了三种求相贯线的新的作图方法.     

一种模板和图像特征相结合的数字水印算法

针对目前基于图像特征的数字水印对非等比例缩放攻击鲁棒性不足的现状,提出了一种模板和图像特征相结合的水印算法。该算法首先利用模板信息纠正非等比例缩放的攻击,再用Harris Laplacian检测算子从载体图像中提取出稳定的特征点,然后根据特征尺度自适应确定局部特征区域,并采用圆环量化的方法将水印信息嵌入到局部特征区域中。实验表明,新算法可以保证水印的不可见性,而且对常规信号处理和几何攻击尤其是非等比例缩放具有较好的鲁棒性。     

基于空间网格细分的不规则场景的光线跟踪

针对不规则场景中光线跟踪算法绘制速度慢的问题,在深入学习和比较近些年的光线跟踪加速算法的基础上,提出了一种改进的网格细分的光线跟踪算法。首先,设置矩形场景包围盒,剔除对场景没有影响的外部光线,进而简化求交运算;其次,采用新方法创建空间网格,该方法可使空间单元数量和存储空间复杂度都限定在一定范围内;最后,对网格进行细分,这一步骤消除了传统空间网格算法忽略部分空白区域对加速效果产生的不良影响, 极大完善了传统空间网格算法。通过实验证明,该方法能有效提高光线在空白空间的穿行速度,不仅提高了时间效率,而且减少了空间开销。     

综合颜色和形状特征聚类的图像检索

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先对HSV模型非均匀量化,利用改进的颜色聚合向量方法提取图像的颜色特征;然后基于改进的Hu不变矩提取图像的全局形状特征;最后,综合颜色和形状特征对图像基于贡献度聚类并建立特征索引库。利用上述方法在Corel图像库中进行图像检索。实验结果表明,与改进的K-means算法的图像检索算法相比,提出算法的查准率和查全率均有较大提高。     

真实感雪场景模拟

在分析现有的降雪和积雪模拟方法的基础上,提出了一种新的粒子属性设置方式,对降雪过程的绘制速度进行了优化,并且创新性地运用阴影形成原理,模拟了风力较为稳定的条件下,建筑物背阴处的积雪情况。将降雪和积雪过程看成是两个独立的阶段,分别采用不同的方法进行模拟。降雪方面,主要是采用了粒子系统,为粒子添加了纹理样式这一属性,并运用了显示列表等优化技术,使得绘制效率得到了显著提高;积雪方面,引入噪声技术,并结合多级粒子系统,再现了现实生活中背阴处无积雪的情况。实验表明,模拟方法效果逼真,实时性良好,适合应用于需要进行实时渲染的虚拟环境。     

基于混合模糊隶属度的模糊双支持向量机研究

双支持向量机是近年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力.但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性.为了克服这个缺点,提出了一种基于混合模糊隶属度的模糊双支持向量机.该算法设计了一种结合距离和紧密度的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类.实验证明,该模糊双支持向量机的分类性能优于传统的双支持向量机.     

高光谱遥感图像空谱联合分类方法研究

在遥感影像研究领域里,高光谱数据分类是一个热点问题。近年来,在这个问题上涌现出很多研究方法,然而,大多数方法都是用浅层的方法提取原始数据的特征。将深度学习的方法引入高光谱图像分类中,提出一种新的基于深信度网络(DBN)的特征提取方法和图像分类架构用于高光谱数据分析。将谱域-空域特征提取和分类器相结合提高分类精度。使用高光谱数据进行实验,结果表明该分类器优于当前的一些先进的分类方法。此外,本文还揭示了深度学习系统在高光谱图像分类研究中具有的巨大潜力。