排序方式: 共有17条查询结果,搜索用时 250 毫秒
1.
三维复合模型及其在散体桩复合地基分析中的应用 总被引:3,自引:0,他引:3
在假定复合地基桩土问竖向和切向变形协调以及应力平衡的基础上,用有效应力分析法建立了三维复合有限元模型。并令复合有限元模型的平均固结度等于单桩轴对称复合地基的平均固结度,从而反算出其在线性加荷情况下的渗透系数,把得到的渗透系数代入三维复合有限元模型中就可用于固结变形分析。算例分析表明,无论复合地基中的桩体是否打穿软土层,该方法都具有较好的计算精度,该方法较适用于对散体桩复合地基的固结分析。 相似文献
2.
3.
目的 图像修复是计算机视觉领域研究的一项重要内容,其目的是根据图像中已知内容来自动地恢复丢失的内容,在图像编辑、影视特技制作、虚拟现实及数字文化遗产保护等领域都具有广泛的应用价值。而近年来,随着深度学习在学术界和工业界的广泛研究,其在图像语义提取、特征表示、图像生成等方面的应用优势日益突出,使得基于深度学习的图像修复方法的研究成为了国内外一个研究热点,得到了越来越多的关注。为了使更多研究者对基于深度学习的图像修复理论及其发展进行探索,本文对该领域研究现状进行综述。方法 首先对基于深度学习图像修复方法提出的理论依据进行分析;然后对其中涉及的关键技术进行研究;总结了近年来基于深度学习的主要图像修复方法,并依据修复网络的结构对现有方法进行了分类,即分为基于卷积自编码网络结构的图像修复方法、基于生成式对抗网络结构的图像修复方法和基于循环神经网络结构的图像修复方法。结果 在基于深度学习的图像修复方法中,深度学习网络的设计和训练过程中的损失函数的选择是其重要的内容,各类方法各有优缺点和其适用范围,如何提高修复结果语义的合理性、结构及细节的正确性,一直是研究者们努力的方向,基于此目的,本文通过实验分析总结了各类方法的主要特点、存在的问题、对训练样本的要求、主要应用领域及参考代码。结论 基于深度学习图像修复领域的研究已经取得了一些显著进展,但目前深度学习在图像修复中的应用仍处于起步阶段,主要研究的内容也仅仅是利用待修复图像本身的图像内容信息,因此基于深度学习的图像修复仍是一个极具挑战的课题。如何设计具有普适性的修复网络,提高修复结果的准确性,还需要更加深入的研究。 相似文献
4.
5.
6.
7.
8.
图像在采集过程中会因为机械设备、天气状况等原因产生曝光不均等问题,使得图像的拍摄效果不佳,无法满足实际应用的需求。而传统的Retinex算法应用于图像增强时会导致图像边缘模糊与泛灰等问题。因此,针对传统的Retinex算法现存的问题,提出一种新颖的图像增强算法——基于L0范数的Retinex算法RIEALN。首先通过全局L0梯度最小化方法提取图像的轮廓成分,然后进行Retinex算法处理,再将提取的轮廓成分融合到原始图像,实现原始图像的增强。实现过程中还通过增加不同的L0梯度最小化因子确保不同尺度轮廓成分的均匀增强。实验结果表明,该算法不仅可以增强图像的对比度,而且还能够较好地保留边缘信息。 相似文献
9.
10.
针对基于样本块图像修复方法中样本块优先级计算易受纹理信息影响,引起修复顺序偏差,进而造成最终修复结果中结构特征不连续的问题,将图像结构成分引入修复过程,提出一种基于图像结构成分计算样本块优先级的图像修复方法.首先通过自适应局部拉普拉斯滤波器对待修复图像进行保边细节平滑处理,得到图像结构成分;然后利用结构成分和原图像共同计算样本块数据项,并以此确定样本块修复优先级,实现图像修复.通过增加结构成分引导方法,在基于等照度线和基于结构张量的图像修复算法上对常用修复测试图像进行实验,结果表明,增加结构成分引导的方法相对于原方法可改进修复效果. 相似文献