建筑企业"独生长尾"群体管理模式

本文以某建筑企业为例,基于"长尾理论"研究了独生子女群体中末尾人员(简称"独生长尾")令人不满意的工作现状并分析了原因,提出在数字化时代,"灰度管理"是更适合"独生长尾"的管理方式,用其所长避其所短能帮助其实现自我价值,成为对企业有贡献的人.     

基于LabVIEW估算空转电流均值

LabVIEW可作为上位机应用在EPB耐久试验台，实现创建数据库、批量处理数据等功能。数据批量处理中一个重要的环节是估算空转电流的简单算术平均值。传统求均值的方法是直接从数据的初值和终值着手，但大数据多组初值和终值浮动范围大，直接法不适用。针对这种情况，首先采用估算空转电流初值和终值的算法“点积法”，再用以阈值插值一维数组模块，根据电流初值和终值找到空转电流开始时间与结束时间，最后由已知值求得空转电流均值。实验结果表明，该算法能有效地用于数据库估算空转电流数据均值，在批量数据处理中具有可行性。     

灰度位图的定义和转换

该文首先介绍了灰度位图的背景知识,包括灰度位图的定义、特点、应用范围。接着介绍了全彩色和灰度色彩转换的算法。最后演示了基于GDI+的,将全彩色位图转换为灰度位图的核心代码。该代码使用了GDI+的Bitmap类,并通过其成员函数ConvertFormat进行位图格式转换。特点是代码高度简单,程序员无须了解位图格式转换,颜色转换等的细节,大大降低了编码难度和复杂度。     

基于DoG检测图像特征点的快速二进制描述子

针对SIFT描述子实时性差和传统二进制描述子对尺度、旋转和视角变化鲁棒性差的问题,本文通过优化采样模式和添加灰度差分不变量比较测试进行改进,提出了一种鲁棒性更高的二进制描述子。首先,设计了一种尺度关联、编号标记的采样模式;然后,旋转采样模式中各采样点到特定位置,确保描述子尺度、旋转不变性;接着,分析了采样点点对模式对描述子的影响,选择使用机器学习训练后的128对采样点对;最后,选择灰度值比较测试及梯度绝对值和比较测试构建二进制描述子。实验中采用DoG检测图像关键点,结果表明:本文提出的描述子在描述子构建和描述子匹配上比SIFT描述子分别快84%和67%;在有视角变化的图像匹配上,准确率比传统的二进制描述子高3%~5%,召回率平均要高30%以上。本文提出的特征点描述方法适用于时间要求高的图像匹配领域。     

基于灰度预测对移动端考研教育产品的发展分析

针对互联网时代下的移动端考研教育未来发展的问题,综合使用了线性分析、回归分析、模糊层次分析等方法,分别建立了线性回归、灰度预测、层次分析结构等模型,综合使用了LINGO,MATLAB,EXCEL,SPSS等软件编程,分别得出影响移动端考研产品发展主要因素、移动端考研产品的合理价格区间、移动端考研产品潜在市场占有率以及产品投放可行性分析等结果。     

基于近场均匀照明的纸病检测系统光源优化方案

针对纸病检测系统中采集到的图像存在横向灰度不均匀现象,基于几何光学辐射照度理论,围绕纸病检测系统光源模块照射到被检测纸张上的照度均匀分布问题开展了应用技术研究。依据斯派罗法则,确定了光源模块中LED灯珠间的最优距离函数;从机器视觉的角度出发,利用实验法确定了光源阵列中不同位置灯珠的功率优化函数;采用图像灰度均匀度指标,对光源的改进效果进行了验证。结果表明,本优化方案可以将获取到的图像灰度均匀度由优化前的57. 8%提高到98. 6%,有效地提高了纸张的成像质量,可降低后期的图像处理难度,有望提高应用程序的执行效率。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。     

基于密集神经网络的灰度图像着色算法

针对在灰度图像着色领域中，传统算法信息提取率不高、着色效果不理想的问题，提出了基于密集神经网络的灰度图像着色算法，以实现改善着色效果，让人眼更好地观察图片信息的目的。利用密集神经网络的信息提取高效性，构建并训练了一个端到端的深度学习模型，对图像中的各类信息及特征进行提取。训练网络时与原图像进行对比，以逐渐减小网络输出结果的信息、分类等各类型的损失。训练完成后，只需向网络输入一张灰度图片，即可生成一张颜色饱满、鲜明逼真的彩色图片。实验结果表明，引入密集网络后，可有效改善着色过程中的漏色、细节信息损失、对比度低等问题，所提算法着色效果较基于VGG网络及U-Net、双流网络结构、残差网络（ResNet）等性能优异的先进着色算法而言取得了显著的改进。