基于随机查找的并行大规模纹理合成

传统的纹理合成方法使用高维向量树来加速目标纹理块的搜索效率,存在占用内存量大、执行效率低、无法在GPU上并行执行等缺点.为了实现图像块的快速近似邻域查找,提出一种并行优化纹理合成方法.该方法分为初始化和迭代优化2个阶段,初始化阶段从样本纹理中随机抽取样本纹理块填充目标图像,迭代阶段交替采用并行的随机查找算法和并行的纹理块传播算法迭代精化目标纹理.随机查找算法根据最相似纹理块出现在前一目标纹理块周围的概率与它到前一目标纹理块的距离成反比的特点,使随机采样纹理块的概率分布与最相似目标纹理块出现的概率相匹配,达到加速纹理合成的目标.采用CUDA实现了文中方法,实验结果表明,其执行效率比已有的纹理合成算法快50～100倍,可应用于交互式纹理合成和超大尺寸纹理合成.     

异构CAD协同设计中的一维拓扑元素匹配方法

为了解决异构CAD协同设计中的一维拓扑元素匹配问题,在对其进行分类讨论的基础上,提出了一种新方法.首先在源CAD系统中,获取建模操作所弓l用的一维拓扑元素,并利用合并算法将这些拓扑元素进行合并,合并条件为:同类型、相邻接且合并所得的拓扑元素类型与原类型相同或相近.然后在目标CAD系统中,通过匹配算法为合并后的每个一维拓扑元素寻找相匹配的目标拓扑元素,匹配条件为:类型相匹配、属性相同且目标拓扑元素的2个端点与源拓扑元素的2个端点重合或在其内部.实验结果表明,该方法有效地解决了异构CAD协同设计中的多种一维拓扑元素匹配问题,从而弥补了现有方法的不足.     

Parzen窗算法下图像视觉显著目标识别仿真

受光照、尺度、噪声等影响，图像目标在识别结果会存在一定的偏差，为此提出基于Parzen算法的图像视觉显著目标识别算法。对图像的超像素实施分割处理，并将图像内超像素块作为图像结构顶点，基于Parzen窗算法对顶点密度计算后，结合K-means算法实现图像分割处理；依据分割结果采用马尔科夫确定图像显著区域，通过对图像视觉显著区域特征的提取，将其作为特征向量输入到PSO-SVM模型中训练，实现图像视觉显著目标识别。实验结果表明，通过对上述方法开展图像分割、目标识别和识别耗时测试，验证了所提方法的可行性。     

基于ARM的光耦单项数据传输设备实验设计

针对ARM是目前市场主流的嵌入式系统处理器,具备低电压、低功耗和高集成度等特点,且具有很强的开放性与可扩展性,对于学生学习嵌入式系统课程具有非常好的指导性与代表性,以光电耦合器这种特殊的信号传输元件为基础,设计一种数据物理单项导入设备实验,提高学生嵌入式系统的硬件设计与开发能力。本设计方案主要实现的是U盘文件单向导入功能,将从U盘中文件单向导入到PC机中指定的目录下,在底层的硬件数据传输过程中,创新性的加入了光电耦合器件,从硬件层面保证了数据传输的单向性和不可逆性;同时在USB主机控制芯片上实现了U盘文件的只读控制。该方案能从软件层面和硬件层面保障PC机内部的信息安全。     

基于模糊连接度的抠图样本集构造方法

针对已有的图像抠图采样方法易受trimap输入的影响且精确度不足的问题,提出一种基于模糊连接度的抠图样本集构造方法.通过计算模糊连接度求解未知像素到前景边界和背景边界的最强路径,以与最强路径关联的已知像素为中心搜集邻近的已知像素,并构造出未知像素的样本集,且当新的用户笔画加入后,能够快速地更新样本.实验结果表明,文中方法对trimap的依赖性小、采样精确度高、鲁棒性强.     

组合测试中用例集的选择策略

组合测试用例众多,软件测试人员都希望用最少的测试用例集达到最好的测试覆盖。研究了组合测试的常规算法,比较了配对测试法和正交表测试法的特点,并借助于PICT测试工具重点研究了2因子模型的配对组合测试,在此基础上,总结出在组合测试中测试用例集的选择策略,进而达到满意的测试覆盖。     

异构协同设计环境中特征模型的提取与重建

以基于过程恢复的特征数据交换框架为背景,研究了异构特征模型的提取与重建这一关键问题,包括一阶特征信息的提取,二阶特征信息的提取以及模型的重建.实验结果验证了本方法的合理性,从而有效提高和补充了现有方法的不足,把特征数据交换技术向前推进了一步.     

协同建模系统中的一种对象引用正确性保证方法

乐观并发控制允许操作并发执行,由此将产生对象引用发生时刻与对象引用使用时刻的几何模型的不一致,结果将导致命名机制的失效而不能保证对象引用的正确性.将引用对象分为可替代与不可替代2种类型,对于可替代对象引用,通过构建对象引用发生时刻的临时几何模型保证该类对象引用的正确性;对于不可替代对象引用,通过恢复对象引用发生时刻的几何模型,然后完成引用该类对象的操作,最后Redo模型恢复过程中被Undo的并发操作来保证该类对象引用的正确性.在原型系统中对提出的方法进行了验证.     

一种随机的视觉显著性检测算法

图像处理与模式识别技术一样,依赖于高质量的视觉显著性图(saliency map)才能得到较好的处理结果.现有的视觉显著性检测技术通常只能检测得到粗糙的视觉显著性图;这些粗糙的视觉显著性图应用于图像处理中将严重影响图像处理的最终结果.本文提出了一种随机的基于内容的视觉显著性区域检测算法;该算法整合多层次粗糙的视觉显著性图到结果显著性图中,并逐步自适应地精化可信度不高的显著性值,最终得到一个考虑了多尺度特征的精细的视觉显著性结果.因为随机算法具有执行效率高,占用内存少等特点;本文的高效随机视觉显著性检测算法不需要建立额外的辅助数据结构来加速算法,只需占用少量内存就能快速检测出精细的高质量视觉显著性结果.并且高效随机的视觉显著性检测算法可以直接移植到GPU上并行执行;大量的实验结果表明本文的算法可以得到更加精细的显著性结果,这些精细的显著性结果应用于基于内容的图像缩放中得到了较好的处理结果.