基于改进马尔科夫特征的图像拼接检测研究

针对传统马尔科夫特征拼接检测准确率不高的问题,提出了一种有效的马尔科夫特征提取方法。与传统马尔科夫特征的计算过程不同,只计算水平和垂直两个方向的转移概率矩阵,选择四个转移概率矩阵中对应位置求和后的值作为最终特征。求和操作不仅降低了特征维度,而且使真实图像与拼接图像之间的概率分布区分更加明显。所提出的算法的特征维度与数据集无关。该方法在哥伦比亚彩色拼接检测图库、CASIA V1. 0和CASIA V2. 0数据集上测试的准确率分别为94. 38%、99. 19%、96. 02%。     

以形补型——圆在环境设计中的应用探究

中国是一个尚"圆"的民族,从远古神力说到古代道家,圆代表着万物生成本源的认识。在建筑设计方案和装潢中大量存在圆形造型,圆形用它柔美的外形点缀着环境中的点滴。如可以更加妥善的利用,这将以形补型,让设计更加赋有韵味。通过查阅大量文献资料,梳理了圆、环境设计以及圆在环境设计中的应用相关研究,为本研究的深入探讨起到铺垫作用。接着分析了圆在环境设计中的实例,进一步表明圆的应用非常广泛;最后说明了用圆形来做造型的具体方法,为以后设计师在设计方案时提供思路。     

《祈·源》

马家窑彩陶纹饰中,多以同心圆为中心组成图案,图案有旋转、流动、饱满等特点。自然物(水)抽象化,绘制成几何纹的规律排列,这个规律性与劳动的节奏感有着内在的联系,表现了远古先人们的智慧和审美。远古时期,人们依水而居,水,是生命之源。绘制水纹,大概是寄托了生生不息、源源不断的美好祈望。     

群智能优化算法反演概率积分参数的性能比较与分析

目前,各种群智能优化算法涌现且各有特色、性能各异、普适性不强、在开采沉陷领域应用较少,更为重 要的是,众多学者面对该类算法,无法有效选择最优算法进行开采沉陷研究。 常见的群智能优化算法中狮群算法( Lion Swarm Optimization,LSO)、蝙蝠算法(Bat Algorithm,BA)、人工鱼群算法(Artificial Fish School Algorithm,AFSA)具有 不同的特征,且在概率积分参数反演中鲜有应用。 为此,将上述 3 种群智能优化算法引入概率积分参数反演中,并从 抗随机误差性能、抗粗差干扰性能、观测点缺失的抗干扰性能、参数波动性和全局搜索性能等几个角度对群智能优化 算法进行研究分析。 模拟试验及工程实例分析表明,上述 3 种群智能优化算法均满足应用精度要求。 LSO 算法在抗 随机误差干扰影响、观测点缺失的抗干扰能力方面以及参数结果总体波动性方面相对于 BA、AFSA 算法有一定优势; BA 算法在抗粗差干扰能力方面优于 LSO、AFSA 算法;在全局搜索性能方面,随着反演参数解空间范围扩大为原来的 2 倍后,用 AFSA 算法反演概率积分参数的精度优于 LSO、BA 算法。 通过详细比较分析,总结了上述 3 种算法在开采 沉陷中的性能表现,可为有效选择合适的群智能优化算法进行概率积分参数反演提供参考。