自适应的形态学边缘检测算法

针对传统的基于形态学边缘检测算法抗噪能力较差以及易丢失边缘细节的问题,提出一种自适应的抗噪型边缘检测算法。该算法采用多尺度的结构元素进行滤波,根据边缘方向自动选择相应方向的结构元素进行边缘检测以得到更多的边缘细节。实验结果表明,该算法不仅抗噪能力较强,检测到的边缘细节较多,而且还能提高边缘检测效率,是一种有效的边缘检测算法。     

一种新的纹理基元发现及表达方法

传统的纹理统计方法中对纹理基元采用形式语法的抽象表达使得算法非常复杂.基于图像关联规则挖掘,可发现纹理图像中的频繁模式,将频繁模式构建为纹理联合关联规则,纹理基元可以通过这些强关联规则特征矢量表达.实验证明,纹理关联规则纹理基元特征矢量能够很好区分纹理特征,并且易于表达以及在图像处理中使用,并具有方向不变性,能够为模糊和随机纹理图像处理提供新的思路.     

绿色制造

绿色制造是一种面向环境的制造模式,本文提出了全生命周期中设计、制造、销售、使用、废弃各阶段的绿色制造应采取的措施。     

基于约束的几何造型系统

 提出了一种基于约束的造型系统模型,通过约束网、约束求解器与实体特征表示、实体的边界表示,获得一致的实时更新的实体,此系统将极大地提高设计的灵活性。     

结合多尺度特征与掩码图网络的小样本学习

对样本所含信息的提取能力决定网络模型进行小样本分类的效果,为了进一步提高模型挖掘信息的能力,提出一种结合多尺度特征与掩码图网络的小样本学习方法。设计由1×1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块,与卷积块拼接成特征提取器,以提取样本不同尺度的特征,并通过注意力机制将不同尺度特征融合;使用融合的多尺度特征构建包含结点与边特征的图神经网络,并在其中加入一个元学习器（meta-learner）用于生成边的掩码,通过筛选边特征来指导图结点聚类与更新,进一步强化样本特征;通过特征贡献度和互斥损失改进类在嵌入空间表达特征的求解过程,提升模型度量学习能力。在MiniImagenet数据集上,该方法1-shot准确率为61.4%,5-shot准确率为78.6%,分别超过传统度量学习方法12.0个百分点与10.4个百分点;在Cifar-100数据集上分别提升9.7个百分点和6.0个百分点。该方法有效提升了小样本学习场景下的模型分类准确率。     

基于帧间差分的自适应运动目标检测方法*

本文提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明,该算法能在多个不确定性因素的序列视频中较好的提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量。     

基于云空间和模糊嫡的边缘检测算法

基于模糊集理论及云理论,提出了对象云的图像模糊边缘检测方法(OCFD).算法充分考虑图像的模糊性和随机性,建立起图像空间与云空间的映射模型,生成模糊对象云和边界云,完成图像空间到云空间的映射.在云空间中实现逻辑云运算的边界云提取,提出并实现了基于边界云的过渡区定义及其提取算法.最后利用最大模糊熵在过渡区内实现检测边缘.实验证明,OCFD算法在检测性能方面优于模糊Sobel,Pal.King等算法,为图像的模糊理解和分析提供了一种新的思路,同时也丰富和拓展了云理论.