图像加窗中值滤波算法研究

提出了一种实用的图像滤波算法,即图像加窗中值滤波算法。在分析经典中值滤波算法基础上,给出了加窗中值滤波算法的基本原理与实现过程,与经典的邻域均值滤波器、中值滤波器、Butterworth低通滤波器、Wiener滤波器进行了滤波比较实验,分别从主观效果及客观参数计算两个方面验证了其优良的滤波性能。     

基于数据融合技术的图像均值滤波算法

在分析传统图像均值滤波算法的特性基础上,提出了一种新的均值滤波方法--多窗口均值融合滤波算法.该算法以每一个像素点为中心选取多个不同尺寸的窗口,将各窗口的均值进行融合处理后作为中心点的滤波输出.实验结果表明,本算法对于低信噪比图像具有较好的滤波效果,优于传统的和一些改进的均值滤波算法.     

激光雷达点云数据的滤波算法述评

机载激光雷达是一种快速获取高精度三维地理数据的新技术,对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。主要对数学形态学的滤波算法、基于坡度的滤波法、基于TIN的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法等几种较为重要且实用的激光雷达点云数据滤波算法进行介绍和讨论,评价对比了各自算法的优势和不足,初步探讨了每种算法缺陷及其改进方向。     

基于方向图和Gabor滤波的指纹预处理算法

指纹图像在预处理过程中往往受多方面因素制约,有时无法满足指纹识别系统的要求。本文在传统指纹预处理算法基础上,给出一种有效的指纹预处理改进算法。首先,采用分块方差梯度分割算法分离指纹图像和背景区;再根据指纹特征,用方向图和均值滤波器进行图像增强,并用简化的Gabor滤波器,改进滤波模板滤除边缘模糊效应。二值化、细化并删除伪特征点后,提取出指纹脊线骨架并获得指纹特征点。实验表明,该预处理算法对不同质量的指纹图像均具有较好效果,算法灵活高效、易于实现、精确度高,达到了指纹识别系统的要求。     

离散系统状态和参数鲁棒滤波分离算法

提出了一种离散系统的鲁棒分离滤波方法.为了对状态向量进行较准确估计,将鲁棒滤波器分为:1)零误差状态估计器;2)不确定矩阵估计器;3)鲁棒合成器.零偏差状态估计器是假定系统的不确定部分为零时的状态估计器;其新息作为不确定部分的估计变量,并由此估计系统的不确定部分;最后,根据系统不确定部分估计误差的上下界,用鲁棒合成器对状态向量的估计值进行鲁棒修正.为了在合成器中得到鲁棒滤波的逼近计算式,通过变换状态估计误差的协方差阵,得到了系统矩阵不确定部分的误差上界不等式逼近,并且得到了估计误差协方差阵逆阵的下界不等式逼近,从而给出了鲁棒合成滤波的完整算法.     

基于拟蒙特卡洛滤波的说话人跟踪方法

提出了一种基于拟蒙特卡洛滤波的说话人跟踪方法. 该方法利用拟蒙特卡洛积分技术优化采样粒子在状态空间的分布特性, 降低了滤波过程中的积分误差, 提高了状态估计精度; 同时, 用均值漂移技术使采样粒子向高似然区域移动, 减少了所需采样粒子的数目, 降低了计算需求. 最后, 将所提方法应用于说话人跟踪系统, 提高了说话人位置的跟踪精度. 仿真实验结果验证了本文方法的有效性.     

基于双阈值的滤波算法研究

针对均值滤波和中值滤波的不足,提出一种改进的基于双阈值滤波算法。该算法通过两个阈值和均值的关系来判断当前点应取的值。和传统的滤波算法相比．该算法在滤出噪声的同时,能最大限度保留原始图像信息,滤波效果较好。     

基于中值的自适应均值滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声.但是当图像同时存在高斯噪声和脉冲噪声时,单独用那种滤波方法都不会达到最好的去噪效果.针对该问题,提出了一种基于中值的改进自适应加权均值滤波算法.该算法采用了一种基于自适应阈值的方法对滤波系数加以优化,使其可以更有效地减少噪声,又可以较好的保持图像的边缘细节信息.实验结果表明,该算法能较好的滤除混合噪声,且滤波效果优于传统的滤波算法.     

更普适的快速自适应图像滤波算法——近均值滤波

对常见的滤波算法进行分析,在此基础上提出“近均值”的概念,设计相应的滤波算法。对滤波窗口尺寸采用自适应的方式,在排除部分可疑噪声数据后,对剩余数据计算均值。提出三种计算近均值的规则和两种噪声判断方案,组合设计了九种滤波算法。在与均值滤波、中值滤波及部分改进的滤波算法进行实验对比后,确定提出的第七种滤波算法具有更好的滤波效果,能适应不同类型的噪声,其普适性和实用性进一步增强。     

一种基于图像信息熵的自适应滤波算法

提出一种基于图像最小信息熵的自适应滤波算法,利用局部信息熵最小的办法估计图像中的噪声感染程度,从而自适应地确定修正后的Alpha均值滤波器中滤波窗口的大小和去掉灰度最大和最小的像素个数,然后进行滤波。实验结果表明此算法较现有的中值滤波和均值滤波器的滤波能力有显著提高,而且在图像的局部特征和细节保持方面优于现有的滤波算法,并克服了修正后的Alpha均值滤波器非自适应性的弱点。     

一种WEB日志挖掘的数据预处理方法①

Web日志是目前Web数据挖掘的重要研究方向。数据预处理是Web日志挖掘中的关键技术。详细的介绍了Web日志挖掘的预处理过程。数据预处理包括数据清理、识别用户、识别会话和框架页面清理、路径补充。用户识别后,框架页面降低了数据挖掘的效率,可以通过过滤框架页面大幅度减少产生的无效页面数。     

一种基于数据预处理和卡尔曼滤波的 温室监测数据融合算法

温室具有空间大、无线传感器节点易受到干扰等特点,节点采集的数据波动性较大且易出现丢失现象.为了提高温室监测无线传感网的可靠性和数据融合的精度,提出了一种基于数据预处理和卡尔曼滤波的无线传感器网络数据融合算法.经过对各传感器数据进行预处理和卡尔曼滤波估计,再将数据发送到簇头节点进行基于状态补偿策略的加权数据融合.通过对温室湿度数据进行仿真,结果表明:数据预处理能明显减小数据波动,大幅减少网络数据传输量和能耗,提高抗干扰能力.另外,针对温室无线传感器网络容易出现丢包的现象,基于状态补偿策略的加权数据融合算法可以明显提高在数据丢包情况下的融合精度.     

一种基于时间窗口的数据预处理算法

提出了一个基于时间窗口的数据预处理算法．面向具体应用,根据已有知识,此算法可以智能化地滤去一些“噪声”数据．与一般的定义不同．本文所谓的“噪声”数据是指那些由一些已知的规则决定性地影响着的数据,研究显示它们会对进一步的数据挖掘形成极大干扰．实际测试结果表明,本算法能够改善一些已有数据挖掘算法的执行效果．     

一种为保密挖掘预处理数据的新方法

Apriori算法是数据挖掘中一个里程碑式的经典算法,在该算法的思想上衍生出了许多通过产生频繁项集来导出关联规则的算法。提出了一种基于数据项闭包的、为保密数据挖掘进行数据预处理的全新方法。该方法针对类Apriori算法的特点和过程对不同特点的数据项进行不同的变换,使得挖掘请求方既能够正确地得到自己想要得到的关于己方产品的信息,又无法正确地得到关于潜在的竞争对手的信息。因此数据提供方在采用该方法预处理数据后,能够提供有利于双方的数据,以达到双赢的目的。     

一种改进的Web访问日志数据预处理算法

数据预处理是Web使用挖掘的一个关键环节,其结果直接影响到后续的事务识别、路径分析、关联规则挖掘和序列模式挖掘的结果。提出了一种用户识别的通用算法、路径补充的启发式策略和基于主题规约的方法,并用实验证明了其高效性。     

三维激光扫描仪分辨率的测试方法

为获取便携式三维激光扫描仪分辨率与扫描范围间的量化关系,以Creaform公司的Handyscan EXAscan扫描仪获取标准块在不同分辨率等级下的点云数据,应用逆向校核软件Geomagic Qualify测试试验数据样本,并采用方差分析和加权平均的统计方法分析样本数据。试验结果显示,EXAscan扫描仪的四级分辨率与扫描范围间均呈线性关系,且拟合度均超过0.979,该测试方法可快速有效地判别三维激光扫描仪的分辨率水平。     

一种基于约束的空缺数据预处理算法

现实数据库中的数据经常包含空缺数据,这些空缺数据的存在可能导致数据挖掘和基于数据仓库决策的失败。该文针对一类包含聚集信息的空缺数据,给出了一种基于约束的预处理算法。文章首先描述了算法的处理思想和步骤,然后给出了实验结果。分析和实验表明,算法是可行的并且能够比不使用约束信息的方法更精确地重构空缺值。     

一种基于粗糙集的新的数据预处理算法

数据预处理在数据挖掘项目中有着举足轻重的作用,是数据挖掘整个过程的关键步骤之一。论文根据粗糙集概率模型应用于数据挖掘的特点,提出了一种用于数据预处理的基于信息归纳的概率粗糙集算法SRII;实验证明,SRII结合算法C4.5应用于数据挖掘具有良好的效率与显著改进的挖掘结果。     

基于Web的日志挖掘数据预处理方法的研究

随着www的广泛应用及相应的Web技术的出现,使数据挖掘的研究进入了一个新的阶段。Web日志挖掘就是运用数据挖掘的思想来对服务器日志进行分析处理。论文针对基于日志的数据挖掘提出了前期的几种数据预处理方法,目的是分割服务器日志为多个独一无二的用户的一次访问序列,并给予了很好的算法实现。     

基于数据预处理的专家反评估方法

科技评价活动中往往存在不可靠的评审数据,直接用这些数据反评估专家的水平可能会导致误差甚至得出错误的结果。为解决该问题,根据不可靠数据只会分布于评审数据两端的特点,使用格鲁布斯测试法检测评审数据中的异常点,采用欧氏距离作为评估指标,再结合累计数、命中率、成功率等指标,确定专家的评审水平。实验结果证明,该方法得到的评估值更可靠。