FOXBASE任意区域花样清屏种种

使用FORXBASE所提供的CLEAR与@<行1,列1>CLEAR TO<行2,列2>命令在瞬间可以实现整屏和区域屏幕的清除,但理想的清屏方式往往不能单纯以速度之快慢来衡量,更应考虑到其艺术效果。 以前刊物曾经有过这方面技巧的介绍,但大多是对整屏进行操作。鉴于在程序模块的运行中,经常要求的是区域性的屏幕的清除,笔者开发了在用户指定的区域内实现艺术清屏方法七种。分别为:区域旋转式(CR.PRG)、区域开幕式(CSM.PRG)、区域卷帘式     

FOXBASE下实现的特色清屏方法

FOXBASE是一种功能很强的数据库管理语言,用它编制各种信息管理应用软件十分方便,但在使用中发现其清屏方法比较单一,没有特色.最近笔者编制了以下这个小程序,实现了特色清屏.方法有:开幕式清屏.闭幕式清屏,落幕式清屏,启幕式清屏,左对角式清屏,右对角式清屏.程序在286以上机器上运行通过.     

任意窗口趣味清屏的C语言函数

本人在程序开发过程中,为使得图形界面在一定范围内实现多种形式的清屏功能,曾查阅了一些资料中介绍的清屏函数,均不能令人满意,因为它们要么是对整个屏幕操作,要么是对特定类型窗口环境操作(如正方形,或长)宽的长方形、或长<宽的长方形等)。为此,本人开发了几个清屏函数,只要在程序中给定操作窗口的左上角坐标和右下角坐标及清屏后希望的窗口     

巧用FOXBASE＋中的INKEY（）函数

巧用ＦＯＸＢＡＳＥ~＋中的ＩＮＫＥＹ（）函数翁元祥青岛市３７００３部队（２６６００３）ＦＯＸＢＡＳＥ＋中的ＩＮＫＥＹ（ｘ）函数是个键盘输入函数，该函数的主要功能是暂停程序运行，等待用户键入任一键，而后程序才能继续往下执行；但在使用中发现，该函数除了这?..     

对FOXBASEINT（）函数“缺陷”的认识

在实践中,时见FOXBASEINT()函数对含一位小数的直接操作数字(自变量)取整出错,且返回值(应变量)均比正常值小‘一’.若其小数位数不是一位,取整值完全准确.经实验证明其源头在数字运算精确度,并非INT()函数自身所固有.择要列下(AST PP3-MS DOS 6.21-2.13L-CFOXBASE+2.1):实验(一)A=255.9-255     

在C—dBASEⅢ（FOXBASE）下把ASCII码字符转换成纯中文方式字符的方法

在Ｃ—ｄＢＡＳＥⅢ（ＦＯＸＢ乃ＳＥ）下，如何利用ＡＳＣ和ＣＨＲ两个函数巧妙地ＩＩ码字符转换成纯中文方式字符的方法。     

VB编程识别任意区域

本文说明了任意区域的屏幕近似方法,分析了任意点与某一简单多边形的关系,建立了识别点包含的层次模型,给出根据模型编写通用识别函数的流程图及例程,最后介绍了识别函数的实际应用情况。     

利用line（）函数画任意曲线

一、问题的提出C语言中提供了众多的绘图函数,比如画圆函数circle()、画矩形函数rectangle()和画椭圆函数fillellipse()等.编程时利用这些函数的确带来了很多方便,但有时需绘制一些不规则曲线,直接使用这些函数实现起来便比较困难.为此笔者想到了利用C语言中的画线函数line()来实现任意曲线的绘制.二、设计思路与程序清单在图形方式下,整个屏幕实际上是由一系列密密麻麻的象素点构成的,利用数学中的极限思想以     

阿尔茨海默症诊断与病理区域检测的反事实推理模型

目的 随着全球人口老年化趋势日益加剧,阿尔茨海默症（Alzheimer''s disease,AD）的及时诊断与病理区域的可视化及其准确定位具有重要的临床意义。目前的研究中,基于块级和区域级的检测,由于采用非线性交互很难解释影响模型决策的病理区域。针对此问题,提出了一种AD病理区域定位及诊断的联合学习框架。方法 利用反事实推理的思想,基于前景背景注意力掩码构建注意力引导的循环生成对抗网络（attention-guided cycle generative adversarial network,ACGAN）可视化AD患者的病理区域,并使用生成的病理区域知识指导增强诊断模型。具体来说,通过在ACGAN模型的生成器中设计注意力掩码来引导生成方案,使模型更好地聚焦于疾病的病理区域,有效地捕捉突出的全局特征。并通过ACGAN模型中病理区域生成器实现结构磁共振图像（structural magnetic resonance imaging,sMRI）在源域和目标域之间的转换清晰地划分出细微的病理区域。利用生成的病理区域知识作为指导,并结合三维坐标注意力与全局局部注意力,获取三维图像之间的依赖关系及三维空间的位置信息,优化诊断模型。结果 为了验证方法的有效性,在公开的ADNI（Alzheimer’s disease neuroimaging initiative）数据集上对模型进行评估,与传统的卷积神经网络（convolutional neural network,CNN）模型及几种较为先进的AD分类诊断模型相比,本文使用病理区域知识指导增强诊断模型显示出优越的诊断性能,相比于性能较好的方法,ACC（accuracy）、F1-score、AUC（area under curve）分别提高了3.60%、5.02%、1.94%。并对生成的病理区域图像进行定性及定量评估,本文方法得到的病理区域图像归一化互相关分数和峰值信噪比均优于对比方法。结论 与现有方法相比,本文模型可以学习sMRI图像在源域和目标域之间的转换,能够准确地捕获全局特征及病理区域。并将学习到的病理区域知识用于AD诊断模型的改进,使分类诊断模型取得了卓越性能。     

一种对不确定区域再分类的路面检测算法

路面检测是智能汽车领域的一个重要研究课题。基于学习的方法将获取的汽车前方的图像划分为一些区域,然后分别将这些区域分类为路面区域或非路面区域。由于现实场景的复杂性,存在一些既包含路面又包含非路面的不确定区域,只是将其分类为路面区域或非路面区域是不合理的。针对上述问题,提出了一种新的基于分割的路面检测算法,其核心是不确定区域再分类算法RCUR（Re-classification on Uncertain Regions）。该算法检测出不确定区域后,利用不同分割算法的互补性将不确定区域分割为若干子区域,通过对子区域的组合、分类可以有效地区分出不确定区域中的路面与非路面部分。实验表明该算法能够在现实场景中适应路面的多样性,提高路面检测的正确率,降低噪声对路面检测结果的影响。     

城市区域交通网络的GIS-T构建方法研究与应用

构建城市区域交通网络是进行区域交通规划的基础,区域交通线网数据种类繁多,其存储、显示、管理过程复杂。运用GIS-T技术辅助建立的交通网络层次清晰,直观性强且易于操作。结合长沙洋湖垸区域案例探讨了基于GIS-T的交通网络系统的构建方法,通过矢量图形和数据库相结合实现了区域网络编辑和属性数据处理的可视化,在TransCAD仿真平台上实现了网络数据的可视化输入、编辑及方案优化。借助GIS-T可以及时更新区域交通网络信息,为区域交通网络运输系统的规划、设计提供准确、完备的测试数据。     

基于LIBSVM和时间序列的区域货运量预测研究

针对区域货运量预测中影响因素多、样本数量小的问题,提出了互信息MI与LIBSVM支持向量回归以及状态空间时间序列相结合的预测方法,采用MI进行高维度特征降维后,以新的低维空间作为样本输入,分别建立LIBSVM支持向量回归和状态空间时间序列预测模型。通过重庆市货运量预测实验结果及对比分析表明,该方法在进行有效预测的同时能够改善预测精度,相对误差约为0.06。     

基于PCNN与区域特征的红外与可见光图像融合

针对红外图像与可见光图像融合中容易产生红外目标不明显、对比度不高的问题,提出了一种新的融合算法。该算法创新地将PCNN与区域特征应用到NSCT域内低频和带通子带系数的选择上。通过NSCT分解得到待融合图像的子带系数。运用PCNN对分解后的子带系数进行处理,得到子带系数的点火映射图。低频子带点火映射图采取基于区域标准差的方法选取融合系数。带通子带点火映射图采取基于区域能量的方法选取融合系数。融合图像通过NSCT逆变换可以得到。仿真实验表明与其他算法相比,该算法能够得到红外目标突出、质量更好的融合图像,图像客观评价指标提升明显。     

基于兴趣区域的无参考图像质量评价方法

为了评价不同失真类型图像的质量,提出了一种基于兴趣区域和自然图像统计特性的无参考图像质量评价方法。该方法对Itti模型进行改进,并利用改进的Itti模型提取失真图像的感兴趣区域和非感兴趣区域,在非下采样Contourlet域提取图像的统计特性,通过计算失真图像的不同区域与自然图像统计特性的差异来获得图像的质量分数。在LIVE数据集上与已有方法进行对比,实验结果表明,提出的方法和主观感知具有较好的一致性。     

基于动态感兴趣区域车道线分段拟合算法

提出实时视频中基于动态感兴趣区域及分段拟合的车道线的检测算法,动态调整感兴趣区域（ROI）,缩小处理空间。采用大津算法（OTSU）动态提取感兴趣区域灰度阈值,并将该值作为多梯度Sobel边缘检测中的灰度阈值以提高边缘检测精度,利用改进的并行快速细化算法骨架化边缘图像,利用基于广度优先最短路径算法去除毛刺,最后再将图像划分近景和远景区域。在不同区域,采用直线或者曲线分段拟合,提高拟合精度。模拟实验结果表明,背景不太复杂时,一帧图像处理时间约为15ms;而背景较复杂时,处理时间约为35ms,能满足实时性。     

基于区域分解的并行动态LOD构建算法

面向大规模可视数据的高速绘制问题,提出了一种基于区域分解的并行动态LOD（level-of-detail,层次细节模型）构建算法。算法首先改进了传统的渐进网格方法,实现了基于二次误差测度网格简化算法的渐进网格方法;接着提出了一种基于模型包围盒的区域分解算法,实现了原始模型的自适应区域分解;在每个子区域上,并行地执行渐进网格方法,实现了模型的并行动态LOD构建。实验结果表明,该算法可生成高质量的LOD模型,具备理想的加速比和可扩放性;与串行算法相比,该算法有效地提高了算法的执行效率。     

支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

基于FPGA的快速连通区域标记算法的设计与实现

针对无行消隐图像不间断输入的高速图像处理情况,提出一种快速连通区域标记算法的硬件实现方法。利用游程编码优化标号生成算法,减小临时标号数量和等价表长度,并可同时完成特征提取;利用逐像素扫描法,以单时钟周期实现标号跟踪;利用等价表合并方法完成标号合并和特征合并。FPGA仿真结果表明：对连续输入的二值图像进行连通区域标记和特征提取时,运行时间仅由图像输入时间和等价表合并时间组成,明显优于其他方法,可适用于图像的快速识别与跟踪。     

多特征区域的细粒度船舶图像目标识别方法

为解决单一特征细粒度船舶图像识别率低的问题,提出一种循环注意卷积神经网络（recurrent attention convolutional neural network,RA-CNN）与多特征区域融合的船舶目标识别方法。该方法通过在VGG-19网络中引入尺度依赖池化（scale-dependent pooling,SDP）算法解决小目标过度池化的问题,提升了小型船舶的识别性能;注意建议网络（attention proposal network,APN）加入联合聚类（joint clustering）算法,生成多个独立的特征区域,使整个模型充分利用全局信息,提高了船舶识别精度;同时设计特征区域优化方法降低多个特征区域的重叠率,解决了过拟合问题;通过定义新的损失函数来交叉训练VGG-19和APN,加快了收敛速度。利用公开的光电船舶数据集对该方法进行测试实验,识别准确率最高可达90.2%,无论是识别率还是模型的鲁棒性较单特征都有了很大的提升。