基于蚁群算法的遥感影像传输资源调度方法

针对遥感影像数据量大,多用户并发请求造成服务器负载加重,使遥感影像传输效率逐渐降低的问题,提出一种在多线服务器环境下分块调度遥感影像资源的策略。该策略采用改进的蚁群优化(IACO)算法,通过引入一个线路等待因子γ动态选择当前最优的线路进行传输,从而提高传输效率。对IACO、ACO、Max-min、Min-min和Random算法进行了对比实验,IACO算法在客户端的任务完成时间和服务器端的执行时间与其他算法相比均是最少的,且随着任务数目的增加,效果更明显;同时IACO算法的线路资源的利用率也更高。仿真结果表明:多线服务器分块调度策略与改进蚁群算法相结合,使遥感影像传输速度和线路资源利用率均有一定提高。     

基于CNN模板的彩色图像边缘检测算法

基于细胞神经网络CNN的图像处理的研究和应用已取得了很大进展。在图像处理中,边缘检测是基本预处理方法之一。为了能够较好地对彩色图像进行边缘检测,结合人类视觉系统HVS的特点,先分别计算两个颜色的亮度距离和色度距离,然后将这两个距离的加权平均值作为最终的颜色距离。本文利用CNN模板对彩色图像边缘提取,并对其进行理论分析和鲁棒性研究,提出一个设计符合相应功能要求的鲁棒性CNN定理,它为设计相应的CNN模板参数提供了解析判据。仿真实验结果表明,该算法可以对不同特性的彩色图像进行有效的边缘提取,具有较好的健壮性。     

一种基于CNN的彩色图像边缘检测算法

利用细胞神经网络(CNN)模型导出了一种新的彩色图像边缘检测算法。为了充分利用图像中的颜色信息,在RGB彩色空间中用Mahalanobis距离来度量象素之间的差异。为了解决常规边缘提取方法输出二值结果的缺点,采用可以多值输出的CNN来进行彩色图像边缘检测。通过Mahalanobis距离对灰度CNN度量象素差异的方式进行改进,使其可以在RGB彩色空间中进行运算。通过与Sobel、Log和Canny等几种边缘检测算子比较,可以看出新方法的结果更加符合人眼的感知。此外,在含有丰富细节和微小变化的区域,新方法可以取得更好的结果。     

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。新方法继承了CNN的优点,解决了CNN现有算法不能直接检测彩色图像边缘的问题。该方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN方程可以在RGB彩色空间中进行运算。对CNN模板进行理论分析和鲁棒性研究,提出一个实现彩色图像边缘检测功能要求的CNN鲁棒性定理,为设计相应的CNN模板参数提供了解析判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN边缘检测定位准确的优点。     

流域降雨量分形方法在水库汛期分期中的应用

针对传统的水库汛期分期方法主观性大且分期判定指标因子单一的问题,基于分形方法,以降雨量为指标对澄碧河水库汛期进行了分期。在分期前,先根据流域历史日均降雨量确定水库汛期的起讫时间,再根据分形的聚类性确定水库分期的数量。结果表明:澄碧河水库汛期为4月13日—10月31日,其中前汛期为4月13日—6月6日、主汛期为6月7日—8月25日、后汛期为8月26日—10月31日。     

基于CNN的分块自适应彩色图像边缘检测的研究*

利用细胞神经网络(CNN)模型对彩色图像边缘检测时,首先要解决彩色空间的选择以及颜色距离的计算问题,其次网络参数的选择也是一个重要问题。为了达到在确保边缘检测准确的同时有效抑制噪声的目的,对整幅图像进行分块自适应检测,采用熵来度量图像的各个子区域的不同性质,然后根据该区域的性质选择一组合适的网络参数,对提取该区域图像边缘的CNN 模板进行了理论分析和鲁棒性研究,提出一个设计符合相应功能要求的CNN 鲁棒性定理,它为设计相应的 CNN 模板参数提供了解析判据。仿真实验表明,该算法具有较好的健壮性。     

灰色定权聚类法在水库汛期分期中的应用

以潘家口水库为例,在分析水文灰色特性及灰色系统理论的基础上,将灰色定权聚类法运用于水库汛期分期计算中.通过选取汛期各旬为聚类对象,降雨洪水典型因子为聚类指标,主汛期为灰类,然后构造白化权函数计算各旬属于主汛期的定权聚类系数,最后根据定权聚类系数的大小将汛期各旬归类,得出潘家口水库汛前期为6月1日～7月10日,主汛期为7月11日～8月20日,后汛期为8月21日～9月30日.     

大坝安全评价风险标准研究综述

简述风险标准研究的背景、目的与意义,总结和评述国内外大坝安全评价风险标准的研究方法,结合当前风险标准的研究现状,指出风险标准研究所取得的成果与存在的不足,并对今后大坝安全评价风险标准研究的发展方向提出了自己的看法。     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.