基础矩阵估计的聚类分析算法

提出一种基于聚类分析的Robust基础矩阵估计算法．该算法用高斯混合模型描述匹配点估计余差,采用改进的分裂合并EM算法对匹配点估计余差进行聚类分析,根据分类结果及平均余差最小规则筛选出正确匹配点类别,抛弃错误匹配点;最后,用M估计算法对筛选出的正确匹配点进行迭代求精．大量实验结果表明,文中算法比随机抽样一致性算法的估计精度高,且计算效率高．     

用LSI法研究不同工作条件下自由旋气动窗口的光束质量

当高能激光器长时间工作或激光功率特别高时,激光器晶体输出窗口就会产生热畸变甚至炸裂,从而影响激光束质量或使激光器根本无法工作.为了解决此问题,人们利用气体对电磁辐射的选择吸收作用,提出了气体动力学激光器输出窗口(即气动窗口)的解决方案.依据不同的气动工作原理,先后提出了引射式等轴向式气动窗口,以及膨胀波式、斜激波式、膨胀波-斜激波联合式、自由旋式等横向气动窗口. 在实际工作中,由于自由旋气动窗口的工作射流的流场结构也比较复杂,也会对输出的激光的光束质量带来一定的影响.本文采用横向剪切干涉仪测量研究自由旋气动窗口在不同的工作状态下,其工作射流流场对输出激光光束质量的影响.以斯特列尔比为评价标准,给出自由旋气动窗口不同工作条件和对光束质量影响程度的关系.结果表明,在设计工作状态下,该自由旋气动窗口能较好地满足要求.(PG4)     

高能激光器气动窗口光束质量测量方法探讨

根据参考文献[1]所指出的气动窗口光束质量的评价方法，给出几种与其相配套的光束质量实验测量的实用方法，并对其进行比较分析，同时给出相应的实验结果，为气动窗口的进一步研究提供参考，理论与实验的对比表明，该方法是可行的，并达到了与气动窗口类别无关的评价要求。     

基于预检验的快速随机抽样一致性算法

随机抽样一致性算法MNSAC(random sample consensus)是在计算机视觉领域内应用最广泛的Robust 估计算法之一,但是MNSAC算法计算效率较低.提出一种基于模型参数预检验的快速MNSAC算法(preview model parameters evaluation MNSAC,简称PEMNSAC).算法在RANSAC算法模型参数检验前,加入预检验过程,在保证计算结果置信概率不变的前提下,过滤掉大量偏差较大的模型参数,提高了MNSAC算法的整体效率.模拟数据和真实图像数据实验结果表明,此算法和MNSAC算法计算精度保持一致,计算速度高于MNSAC算法.     

一种新的消失点检测算法

该文在随机抽样一致性算法基础上,提出了一个基于预检验的随机抽样一致性Preview model Parameters Evaluation RANSAC(PERANSAC)消失点估计算法:该算法在原始RANSAC算法消失点检验前,加入一个预检验步骤,在保证计算结果精度不变的前提下,过滤掉大量偏差较大的消失点,减少了检验的计算量,大大提高了算法的整体效率。大量的实验结果表明,该算法的计算精度与RANSAC算法精度保持一致,计算速度远高于RANSAC算法。