一种改进的图像模板细化算法

针对现有图像模板细化算法中存在的诸如迭代次数较多、细化速度较慢、图像某些部位细化不完全等问题，提出了一组改进的细化模板。针对指纹图像应用新算法进行的细化实验结果表明，采用改进的细化模板，新算法在保证对图像完全细化的同时，能显著减少细化所需的迭代次数，从而加快了细化处理速度。     

一种改进的A-W细化算法

针对一般细化算法在进行图像细化时会出现细化不彻底、过度腐蚀等问题,提出一种改进的A-W细化算法。改进算法采用高斯平滑滤波器对原始图像进行平滑,在A-W细化算法的20种细化模板基础上,增加3组细化模板进行第1次细化,并设计4种新的细化模板进行第2次细化。实验结果证明,改进算法能较好保持曲线的连通性,保留主线的细节特征,细化后的图像光滑无毛刺。     

工程图纸输入与自动识别的改进细化算法

系统地介绍了两种典型的细化算法OPTA算法和Hilditch算法的原理和计算机实现，分析了OPTA算法和Hilditch算法的性能与不足，并提出了一种改进的Hilditch细化算法。该算法通过借鉴OPTA算法中的模板方法有效地减小了图像骨架偏移和毛刺的影响，经实验结果观察，改进的算法使图像细化结果得到较大改善。     

基于改进的OPTA的并串混合细化算法

现有的指纹细化算法存在着很多问题,如细化不彻底、纹线吞噬、骨架偏离纹线中心等。对OPTA（One-Pass Thin-ning Algorithm）算法和改进的OPTA算法进行了深入的分析和研究,指出了各自的优点和缺点。在此基础上提出了一种基于改进的OPTA的并串混合细化算法。该算法扩展了改进的OPTA算法的消除模板,舍弃保留模板,同时用缩小的消除模板来彻底细化。对以上算法进行了编程实验。实验结果表明,算法不仅保持了改进的OPTA算法的优点,也继承了OPTA算法的并行性,是一种较为理想的细化算法。     

改进的EPTA并行细化算法

为了解决现有细化算法中像素冗余、分叉、畸变等问题,在ZS（ZHANG和SUEN）并行细化算法的基础上增加了两个映像子过程,获得了更加接近中心线的骨架图像;通过增加判决条件并设计消除模板,提出了一种改进的EPTA并行细化算法,解决了EPTA细化算法的像素冗余、二像素宽度斜线细化局限性畸变等问题。实验结果表明改进的EPTA细化算法能得到更准确的完全细化结果。     

一种新的快速图像细化算法研究与实现

关于细化的算法有多种,针对模板匹配的rosen算法的不足之处,该文又提出一种新的快速细化算法,并进行了计算机仿真,结果显示改进的算法无论在细化质量上更为实用,消除了毛刺和笔划断裂现象,可用于进一步的文字及图像识别软件的开发。     

一种基于改进后模板的图像快速细化算法

为了快速地进行图像细化，提出了一种新的图像快速细化算法，该算法提出了组合模板的概念，不仅有效地提高了模板的匹配速度，同时对组合模板进行了优化，最后在优化后的组合模板基础上，提出了新的改进算法。大量实验表明，该新算法不但同时具有以往算法的优点，而且细化速度比以往算法提高了3～6倍，是一种较为理想的细化算法。     

一种新的改进OPTA细化算法

深入研究改进的OPTA细化算法,针对已有算法中存在细化后毛刺较多的问题,提出了一个新的改进OPTA细化算法。该算法在原有细化算法的基础上,根据纹线角度和弯曲方向的不同采用不同的细化顺序,并修改了消除模板,改进了保留模板的去除情况。大量实验表明,该算法在继承原有算法优点的基础上显著地减少了细化后的毛刺,是一种较为理想的细化算法。     

改进的字符图像细化算法

针对现有并行细化算法中存在的细化不完全、二像素宽斜线细化畸变等问题,提出一种改进的细化算法.首先对二值图像构造了一组保留模板和消除模板,采用算术逻辑运算对图像进行初步细化,并结合保留模板匹配将二像素宽斜线予以保留;再利用消除模板匹配进一步删除斜线上的冗余像素,得到8连接的单像素图像.针对字符图像的实验结果表明,文中算法能够有效地避免二像素宽斜线的细化畸变,保持了原图像的拓扑结构,实现图像的完全细化.     

一种有效的混合式指纹快速细化算法

针对现有指纹细化算法存在的模板匹配次数过多、迭代频繁、细化不完全等现象 ,在深入分析了快速细化算法和串并混合式细化算法特点的基础上 ,提出了一种新的混合式指纹细化算法 ,有效地提高了细化速度和细化质量。     

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

模糊Job Shop调度中的混合搜索策略的研究

采用并行遗传算法作为全局搜索算法，提出一种混合搜索策略，用于求解模糊Job Shop调度问题．根据模糊Job Shop调度问题解的特征，提出基于关键工序的邻域选择方法，并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法，加强了遗传算法局部搜索能力．针对13个困难benchmark问题的实验结果表明，在较短的时间内，混合搜索策略的算法得到的平均满意度比并行遗传算法提高4.67%，比TSAB算法提高5.76%．采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

改进并行蚁群算法求解置换流水线调度问题

为了解决置换流水线的调度问题,提出了改进的并行蚁群算法.针对置换流水线问题本身的特性,在蚂蚁系统算法(ACS)的基础上,设计出了新的启发式信息算法.在计算大数据量的情况下,通过设计的新规律对数据进行分组,并对分组进行并行计算,然后合并各组最优解来问题的最优解.实验结果表明,该改进方法行之有效,新的启发式信息提高了解的质量,而按数据规律的分组并行不仅缩小查找最优值时间,相比于随机分组的并行算法,更加提高了解的质量.     

RM码的一种并行最大似然译码算法

根据Chase译码算法和分阶统计译码（OSD）算法在纠错能力上的互补性,提出一种新的针对RM码的OSD-Chase并行译码算法,其中,OSD算法对接收序列的高可信相互独立符号集合（MRIPs）进行处理,并产生候选码字,若MRIPs中有超过i个错误,则order-i的OSD算法译码失败。Chase算法对接收序列的低可信度符号集合（LRPs）进行处理,若有过多的错误出现在LRPs中,超过代数译码的纠错能力,则Chase译码失败,同时设计一种并行最大似然译码算法。仿真实验结果表明,该算法能够获得较高的译码性能。     

基于可见光的海上船舶油井平台遥感检测

针对目前海上船舶油井提取多是使用已有的非实时陆地岸线提取海域,并且提取算法缺少在大尺度影像上搜索和查找可能存在目标能力的问题,提出一种基于可见光遥感数据的船舶油井检测策略。该策略主要包括综合形态学运算提取海域、目标有无判定算法、迭代最优阈值分割(TS)滑动窗口(SW)目标提取三个部分。探讨了目标有无判定算法中的参数设置和滑动窗口的大小设置,并将提取结果与人工目视解译结果进行了交叉对比验证。结果表明,该策略通过设置合理的参数,可使目标提取的真实精度达到0.981,相对精度达到0.954,表现出较高的实用性。     

训练支持向量机的并行序列最小优化方法

序列最小优化(SMO)是训练支持向量机(SVM)的常见算法,在求解大规模问题时,需要耗费大量的计算时间。该文提出了SMO的一种并行实现方法,验证了该算法的有效性。实验结果表明,当采用多处理器时,并行SMO具有较大的加速比。     

多尺度特征融合的轻量化口罩佩戴检测算法

科学规范地佩戴口罩是预防新冠、流感等呼吸道传染病的有效方法,在当前疫情形势下,正确佩戴口罩显得尤为重要。已有的口罩佩戴检测算法多数存在结构复杂、训练难度较高和特征提取不足等问题,为此,提出一种多尺度特征融合的轻量化口罩佩戴检测算法L-MFFN-YOLO。以YOLOv4-Tiny网络为基础,L-MFFN-YOLO改进原始残差结构,使用轻量化残差模块促进模型快速收敛,在有效降低模型计算量的同时保证检测精度。在原网络、这2个尺度的基础上增加特征分支,以增强低特征层的信息表达能力并降低小目标的漏检率。通过多层级交叉融合结构最大程度地提取有用信息,从而提高特征利用率。除佩戴和未佩戴口罩2种情况外,在数据集中新增口罩佩戴不正确的类别并进行手工标注,实验结果表明,L-MFFN-YOLO算法的模型大小仅为5.8 MB,较原始网络YOLOv4-Tiny,其模型规模减小76%,mAP提高5.25个百分点,CPU下的处理时间快14 ms,能在资源受限的设备中满足口罩佩戴检测任务对准确率和实时性的要求。     

基于PVM的最小权三角划分并行遗传算法研究

平面点集的三角划分在计算机图形学,三维可视化等领域具有广泛地应用,在许多应用中需要提供形状最优的三角划分。但该类问题推测属于NP完全问题。为了快速有效地求解最小权三角划分(MWT)问题,提出了一种基于PVM的并行遗传算法来近似获取全局最优解,并系统地测试算法中一些重要的并行控制参数,包括迁移代数和节点平均负载对算法性能的影响。实验结果表明,该方法简单,可靠,大大缩短了优化过程的时间,提高获取全局最优解的概率。     

并行最短路径搜索算法的设计与实现

针对串行最短路径搜索算法本身固有的局限性,难以随着网络规模的增大而提高搜索速度的问题,设计并实现了一种基于并行Dijkstra思想的并行最短路径搜索算法,使算法复杂度由O（N²）减少到O（N²/p+N*（p-1））,提高了算法的效率。实验结果表明,该算法搜索速度快且性能稳定,当结点数目相当庞大时,算法的优越性更加明显。     

用于WEB文档分类的并行KNN算法

针对WEB文档分类中KNN算法计算复杂度高的缺点,不同于以往从减少训练样本集大小和采用快速算法角度来降低KNN算法的计算复杂度,从并行的角度出发,提出一种在Hyper-cube SIMD模型上的并行算法,其关键部分的时间计算复杂度从O（n²）降为O（log（n））,该算法与传统的串行算法相比,能显著地提高分类速度。