利用六边形网格实现半色调抖动技术的研究

针对传统的半色调抖动技术存在水平和竖直方向上的人工痕迹以及网格化轮廓等缺陷,提出了一种新颖的基于六边形网格的抖动矩阵构造方法。首先,将原驱散式Bayer抖动矩阵进行元素重组和离散旋转以构造一个更为合理的抖动矩阵,然后按照新矩阵对图像进行半色调化处理。实验结果表明,该抖动算法不但能够显著消除传统抖动技术所存在的不利因素,而且比其他同类的改进抖动算法具有更强的色调再现能力和细节表现力。     

均衡集束网点密度的伪随机混合抖动半色调化算法的研究

该研究发现,基于现有混合加网算法的阳集束网点和阴集束网点密度的比例大致是1;2,而这样悬殊的比例将制约集束网点密度的提高.现有混合加网算法通过一个平面的几何划分形成集柬网点.文中通过欧拉公式推导出了两个关于平面几何划分性质的定理.根据定理2提出的优化算法可以生成集束网点密度均衡的混合半色调化抖动矩阵.文中实验中用优化算法得到的半色调化抖动矩阵的阴阳集束网点的比例由优化前的0.502195提高到0.903919.     

基于调色板分析及误差扩散抖动的迷彩仿造

仿造迷彩是针对特定的环境背景生成的伪装迷彩。在迷彩纹理设计上,无规则的、点阵式的数码迷彩相对传统迷彩具有更好的迷惑效果。提出一种新的仿造数码迷彩方法,在调色板颜色分类排序及直方图合理分析的基础上提取四种主色,结合抖动半色调方法统计四主色比例,并运用随机像素点集的方式生成迷彩图案。实验证明,该方法生成的迷彩图与参照背景图能自然融合,达到较高的伪装隐蔽效果。     

基于特征统计可分性的遥感数据专题分类尺度效应分析

现有的对地观测遥感卫星能够提供从0.61 m到数十公里空间分辨率的遥感数据。通过遥感数据的专题分类得到的专题图的精度不但受遥感数据光谱特征、遥感数据处理和分类过程的影响, 而且受到所用的遥感数据的空间分辨率的影响。遥感数据空间分辨率的变化对遥感专题分类精度的影响受混合像元数目的变化和类内光谱特征变异程度的变化这两个矛盾的因子影响。空间分辨率对分类精度的最终影响决定于这两个矛盾影响因子的净效应。通过分析遥感专题分类中分类特种的统计可分性随遥感数据空间分辨率的变化来分析空间分辨率变化对分类精度的净效应。采用变换的离散度作为特征的统计可分性度量。以TM数据进行土地利用/土地覆被分类为例,首先将原始分辨率的图像以简单平均方法逐步尺度扩展到不同分辨率,然后在原始空间分辨率的图像上,根据该地区土地利用图进行层次随机采样,并以原始分辨率图像上的随机采样位置为掩模,在尺度扩展后的图像上进行同样位置的随机采样,最后在各空间分辨率上分别计算类对间的变换离散度。对变换的离散度随空间分辨率变化的规律进行了分析和定性解释。研究表明,类对间空间邻接结构对类别间混合像元数目随空间分辨率的变化有决定性影响;不同类对之间的最大统计可分性可能发生在不同的空间分辨率;空间分辨率越高,并不一定分类精度越高;不同类别之间的分类需要不同空间分辨率的数据。     

抖动对点目标检测性能影响的分析

红外-光学图像检测跟踪系统中,为了提高信噪比和检测概率常常需要进行多帧信号累积.现有关于能量累积的理论和算法建立在多帧图像中目标在位置上相互对准的假定之下.然而,在点目标情况下,多帧点目标位置相互对准的假定通常是不成立的.该文的目的是研究点目标图像抖动情况下多帧信号累积时信噪比、检测概率等参数的影响.该文建立了简化的抖动环境中随机累积模型,通过分析抖动对累积图像检测性能的影响,得到了点目标检测概率与抖动强度和累积图像帧数的关系.这些结论对点目标检测系统设计有重要意义.     

基于加权空间离群点度量的随机脉冲噪声降噪算法

针对排序统计类降噪算法在随机脉冲噪声（RVIN）图像降噪过程中,对图像边缘和细节部分噪声识别不够准确以及恢复比较模糊的问题,提出了基于加权空间离群点度量（SLOM）的脉冲噪声降噪算法WSLOM-EPR。该算法以优化的空间距离差为基础,引入图像邻域均值和标准差,建立反映局部边缘细节特征的噪声检测方法,提高边缘细节处噪声的识别精度;然后以精确检测结果为基础,优化保边正则（EPR）函数,提高算法的执行效率,并增强算法保留边缘细节的能力。仿真结果显示,WSLOM-EPR算法在40%到60%噪声密度下对噪声点的误检和漏检综合表现优于对比算法,且能在两者之间保持一个较好的平衡;降噪后的峰值信噪比（PSNR）好于对比算法中的大多数情况,且边缘细节在视觉上更加清晰连续。结果表明WSLOM-EPR算法提高了噪声检测精度,有效地保持了恢复图像的边缘细节信息。     

基于随机路点模型传感网络抗干扰技术研究

研究网络安全优化问题,网络经常受到干扰和入侵攻击的威胁.传感器网络系统中网络资源有限,使得无线传感网络运行受到影响,传统的入侵检测系统存在的较高的漏报率和误报率.针对上述问题,提出一种随机路点模型传感网络抗干扰技术.首先建立入侵模型,即采用一个圆来近似入侵区域,所有的传感器都在圆中,并作随机路点运动,遵循移动模型在一个区域内移动,然后利用传感器的随机移动性允许被侵入的传感器在遭到网络攻击侵入后恢复安全的合理状态.仿真结果表明,改进方法可以有效的阻止网络的攻击,抗干扰技术更优,同时系统开销较小,安全性强,并为网络提供了支撑.     

ODIC-DBSCAN:一种新的簇内孤立点分析算法

长期以来,孤立点的检测一直聚焦于簇边缘的离散点,当聚类后簇的数目低于实际数目,或孤立点被伪装在簇内的情况下,簇内孤立点的判定则会更加困难.为判定簇内孤立点,提出一种基于密度聚类DBSCAN（Density based spatial clustering of application with noise）的簇内孤立点检测方法ODIC-DBSCAN（Outlier detection of inner-cluster based on DBSCAN）.首先在建立距离矩阵的基础上,通过半径获取策略得到针对该点集的k个有效半径Radius集合,并据此构造密度矩阵;然后建立点集覆盖模型,提出了相邻有效半径构造的覆盖多维体能够覆盖点集的思想,并通过拉格朗日乘子法求取最优的覆盖多维体数目之比,输出点比阈值组;最后重建ODIC-DBSCAN的孤立点检测方法,以簇发生融合现象作为算法终止的判定条件.实验通过模拟数据集,公开benchmark与UCI数据集共同验证了ODIC-DBSCAN算法,展示了聚类过程;分析了算法性能;并通过与其他聚类、孤立点判定方法的对比,验证了算法对簇内孤立点的判定效果.     

随机Hough变换实现角点检测

为实现角点的有效检测,提高检测速度,提出一种基于随机 Hough变换的角点检测方法。利用随机 Hough变换求取出直线参数;根据角点在 Hough空间中的特征,利用反 Hough变换的反演原理对参数空间中的峰值进行反变换,定位图像空间中的直线交点;为避免虚假角点,将那些附近不包含任何边缘的交点删除,得到正确的角点。实验结果表明,该方法相对于 Harris算法和SUSAN具有更好的准确性、鲁棒性和稳定性,实时性也有一定提高。     

尺度分布的Getis统计对遥感图像特征参量空间自相关性的研究

分析了Getis统计中空间尺度设定对于标准Z值的影响，提出用变化的空间尺度设定来进行Gctis空间相关性的计算，直观反映遥感特征参量的空间分布，并用被动微波遥感SSM／I（special sensor microwave／imager）的辐射亮度温度数据进行了验证分析。进一步地，针对Getis标准Z值分布不能评估中值聚类的缺点，提出了多层尺度分布的Getis空间自相关性统计方法，用模拟的图像和主动微波遥感ERS-2SAR（European Remote Sensing-2 Synthetic Aperture Radar）数据进行了验证分析，结果证明多层尺度分布的Getis能够比较全面地反映地表特征参量分布的空间信息。     

基于统计特性随机森林算法的特征选择

针对由静息态功能磁共振成像(R-fMRI)得到的脑功能连接矩阵数据运用传统特征选择方法处理的结果,存在特征冗余,无法确定最终特征维数等问题,提出一种全新的特征选择算法.该算法在随机森林(RF)算法中结合统计特性,根据袋外数据的分类效果得到保留的特征,并将其运用在对精神分裂患者与正常被试者的识别实验中.实验结果表明,与传统的主成分分析(PCA)方法相比,该算法可以有效保留重要特征,提高识别精度,且保留的特征具有很好的医学解释性.     

神经网络技术下多尺度时序数据离群点挖掘

在大量的网络数据中,可能隐藏着少许攻击序列,离群点是由异常机制产生,不服从数据的普遍分布规律,设计一个基于神经网络的多尺度时序数据离群点挖掘方法.采用对象与其类别聚类中心的相似度来测量对象属于聚类的程度,确定检测对象的邻域,采用神经网络技术对多尺度时序数据离群点挖掘,初始化BP神经网络,基于网络的实际输出和预期输出,判...     

基于改进尺度的统计建模数据中离群点去除算法及应用

鉴于传统鲁棒离群点去除算法不能准确估计过程采样数据的均值和协方差,导致基于PCA的统计建模监控影响故障诊断效果的局限性,本文提出一种综合CDCm与MVT的异常检测算法,可以克服上述缺陷.通过改进尺度方法对过程原始采样数据实现准确估计并进行中心化和标准化处理,运用采样数据中的最大变量值来计算距离,采用CDCm算法求出样本...     

一维Logistic映射混沌伪随机序列统计特性研究

针对一维Logistic映射的非线性混沌动力学特性进行了分析,并提出一种混沌伪随机序列的统计特性改进算法,以求取得比一般随机数构造方法更好的统计特性。利用一维Logistic映射产生的混沌时间序列,加入反正弦与反余弦变换,对Logistic映射进行优化改进,以提高伪随机数列的统计特性。通过定性分析和定量计算发现,改进后的Logistic映射统计特性受迭代次数的限制较小,在随机性和均匀性上都优于常用的随机数列构造方法。     

一种基于多尺度轮廓点空间关系特征的形状匹配方法

针对使用三角形区域表示描述子对相似形状进行匹配时,对微小形变比较敏感 以及区分剧烈变化的不相似形状时判别能力较弱的问题, 提出一种结合轮廓点空间关系特征的多尺度形状特征描述子.通过分析不同尺度下参考点与其他采样点之间的位置关系, 利用对应角度信息来对形状进行表示, 并在此基础上构造出一种新的形状特征描述子.本文所提特征提取方法能对形状的局部及全局信息更准确地描述, 具有较好的鲁棒性和判别能力.在形状特征匹配阶段, 利用轮廓点集顺序关系已知这一优势, 引入动态规划及形状复杂度分析的方法,分析形状间的匹配结果, 能够得到较好的形状匹配精度.通过对不同形状数据集行仿真实验, 证明本文方法能够有效地实现形状识别和检索.     

基于随机配置法和输入端缩减技术的统计静态时序分析

在考虑工艺偏差影响的统计静态时序分析中,针对求解多个随机分布最大值(MAX)的关键问题,提出一种快速MAX算法.该算法将统计输入下的MAX问题转换为求解一组离散配置点上的确定性MAX问题,并用带权最小二乘来计算MAX输出多项式的系数;基于稀疏网格技术有效地减少配置点数,提出输入端缩减技术,进一步提高了MAX的计算效率.ISCAS85基准电路的实验结果表明,该算法较已有的二阶矩匹配算法和基于降维的随机Galerkin算法明显地提高了精度,且效率相当;与10000次蒙特卡罗的结果相比,中值和方差的相对误差基本小于5%,且有100倍的速度提升.     

基于鲁棒尺度的统计建模数据中异常点去除算法的研究及应用

针对基于主元分析 (PCA)的统计监控模型受到历史数据中异常点强烈影响的不足,鉴于建模历史数据中存在的异常点会影响过程监控效果,分析目前常用的鲁棒异常值检测算法原理及其缺陷,提出将中心最短距离(CDC)法与椭球多变量整理(MVT)法相结合,构成一种基于鲁棒尺度的CDC-MVT异常值综合检测算法,更加准确地检测异常点。将该算法应用于工业发酵过程,与CDC法和MVT法相比较,该算法能够有效去除建模数据中的异常点。     

基于随机时间自动机和统计模型检验技术的无线传感网络协议建模与分析

近年来,传感器技术得到了长足而有效的提升,无线传感网络(WSN)以其开放、动态的特征获得了极大的关注,并成为了互联网计算的一个重要组成.WSN系统行为复杂,经常面临信息丢失、节点动态变化等不确定因素,且网络中的节点一旦部署将很难更改、维护.因此,为了保证相关应用的正常工作,在系统设计阶段对WSN中的底层协议进行质量保障就成为了一项非常重要的研究问题.系统设计人员不仅需要保证协议功能上的正确性,还应该评估协议在目标工作环境下的性能,以保证其可以胜任相应的工作需求.针对以上问题,本文提出了一种基于随机时间自动机和统计模型检验技术的WSN协议建模、分析和评估途径.在建模阶段,首先将采用时间自动机对协议在理想环境下的基本业务流程进行建模.考虑到WSN系统实际工作中会遇到的各种不确定性因素,将用带权分枝来对模型进行扩展,生成协议的随机时间自动机.在验证阶段,首先采用经典模型检验技术,在理想时间自动机上检验相关功能性质,保证协议工作逻辑的正确性.为评估协议在不同条件下的具体性能,则在随机时间自动机上用统计模型检验技术对其进行数值分析,以进行参数配置、性能预测、协议比较等工作.为展示该途径的可用性及其技术细节,本文对两种著名的WSN时间同步协议,TPSN和FTSP分别进行了完整的建模与评估.     

基于时空混沌的伪随机序列发生器设计与分析

提出了一种基于耦合帐篷映像格子模型的改进型时空混沌模型,基于此模型设计了一种快速产生多维混沌伪随机序列的伪随机序列发生器。改进的耦合帐篷映像格子模型继承了耦合帐篷映像格子系统在空间上的并行迭代特征和时间上的耦合扩散机理,格点间采用猫映射作为耦合方式,使不同序列之间的互信息趋近于零。基于此模型设计的伪随机序列发生器能快速并行产生多维混沌伪随机序列,多维序列具有均匀分布及相互独立两个特征,从而克服了混沌伪随机序列发生器设计中存在的根本性缺陷。     

结合多尺度体素和高阶条件随机场的点云分类

针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.