面向图像局部重建的梯度分析

在基于场方向导数的图像局部区域重建过程中,梯度计算对图像边缘的重建效果有很大影响。分析选择单向计算梯度分量的必要性,提出梯度计算的就近原则,对参与梯度分量单向计算的相邻点设置优先级,将缺损点与已知点之间的边缘特征反映在已知点的梯度中,进而影响重建过程,从而实现对图像中边缘特征的重建。实验结果表明,采用该梯度计算模式能有效改善对图像边缘特征的重建效果。     

埋刮板输送机弯曲段的几何设计

本文分析了埋刮板输送机弯曲段内、外圆弧中心距(H)与接口法兰长度(L)、中心角(r)之间的关系,总结出任意中心角(0相似文献   

一种新颖的虹膜识别算法

虹膜识别通常包含虹膜定位、特征提取以及编码和识别几个关键步骤。本文提出的算法从建立虹膜灰度图像的直方图入手，分析虹膜边界的灰度阈值，依靠投票机制完成虹膜的定位；然后根据人眼的生理构造特点将虹膜分区，再对经过分区处理形成的虹膜纹理特征图像用一维连续Gabor复小波提取虹膜纹理特征点的相角信息；最后对相角信息以二比特格雷码实现一次编码和循环差分二次编码，利用特征多项式计算进行比较的两个虹膜的特征差异矩值(P_frfs)，根据判定阈值(P0)判定，最终实现虹膜识别。     

基于隶属度函数的决策层融合算法

虹膜识别对所采集的样本图像较为苛刻的要求所造成的高采集失败率和注册失败率是阻碍它推向大规模应用的重要原因,也是目前虹膜识别研究的难点问题之一。在适当降低虹膜图像采集质量要求的条件下,能够大幅降低采集失败率和注册失败率,但同时也降低了识别的性能。采用数据融合的方法,在识别的决策层引入对应的脸像特征模板的相似度判据,根据所提出的基于隶属度函数的决策层融合算法实现融合决策。实验结果表明,这种多生物特征融合决策的方法既可以使得虹膜的采集失败率和注册失败率保持在实际应用可以接受的程度,又能够使得整体的识别性能达到目前虹膜识别技术的水平。     

基于多层感知卷积和通道加权的图像隐写检测

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%～6.15%。     

双偏差双空间局部方向模式的人脸识别

针对局部方向数（Local Directional Number pattern,LDN）类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式（Double Variation and Double Space Local Directional Pattern,DVDSLDP）。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分获得的相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明：利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.50%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其他方法,表现出良好的鲁棒性。     

一种基于量化表修改的F5隐写方法

IQTM-F5方法在高嵌入比情况下,DCT系数直方图统计特性会被破坏。针对该问题,利用新的信息嵌入策略并结合IQTM-F5方法中采用的修改后量化表,提出一种保持DCT系数直方图统计特性的F5隐写方法。实验结果表明,该方法能够取得与IQTM-F5方法近似的信息隐藏容量和嵌入效率,隐秘图像具有更高的图像质量,并且抗直方图统计分析攻击的能力更强。     

基于智能体的动态网络监测

网络规模的不断扩大及网络结构的复杂化,使得网络监测技术面临极大的挑战。通过对网络监测技术和智能体（IA）技术的研究,提出在跨平台语言Python的环境下,采用手动监测和自动监测2种方式的结合,实现基于IA的动态网络监测的方法。实验证明,该方法适用于不同的网络环境和网络拓扑结构,并能可靠地获取网络节点信息,有效地提高网络的可靠性。