图和线图的邻接谱及拉普拉斯谱的关系

图谱理论是图论研究的重要领域之一,也是非常活跃的研究方向。实践表明,对特征值的计算十分复杂,但可以研究不同定义的谱之间的关系确定特征值的上下界。通过利用对称矩阵和半正定矩阵的一些性质,讨论简单无向图G及其线图Gl的邻接谱之间的一些关系,推广已有的结果。同时也讨论图的邻接谱和拉普拉斯谱之间的关系。对判定某些图的邻接谱和拉普拉斯谱的范围具有一定的指导作用。     

Laplacian图像边缘检测器的FPGA实现研究

介绍了Laplacian边缘检测算法模型,边缘检测工作流程,分布式运算原理,阐述了用FPGA实现的一个Lapla—cian图像边缘检测器的设计,包括系统总体设计,主要模块的设计思想和系统仿真结果。该检测器采用了流水式数据输入和高速分布式卷积运算等技术,具有良好的实时处理性能,若系统工作时钟为100MHz,则处理一幅1024-1024的图像的时间仅需0．01s左右。     

基于改进Laplacian算子的弱小目标检测

由于图像中的背景复杂、目标弱小,在面对具有强噪声或者目标存在遮掩的情况下没有很好的检测算法。提出一种改进的Laplacian算子和Hog特征及Adaboost分类器相结合的算法。该方法根据拉普拉斯算子的边缘检测特性,先通过中值滤波滤掉一部分随机噪声,然后利用改进的Laplacian算子对图像进行卷积,获取图像使用稀疏矩阵表示的Hog特征,输入到Adaboost分类器后最终得到一个最准确的目标,并且在仿真实验中的准确率高达93.5%。     

代价敏感的半监督Laplacian支持向量机

代价敏感学习是机器学习领域的一个研究热点.在实际应用中,数据集往往是不平衡的,存在着大量的无标签样本,只有少量的有标签样本,并且存在噪声.虽然针对该情况的代价敏感学习方法的研究已取得了一定的进展,但还需要进一步的深入研究.为此,本文提出了一种基于代价敏感的半监督Laplacian支持向量机.该模型在采用无标签扩展策略的基础上,将考虑了数据不平衡的错分代价融入到Laplacian支持向量机的经验损失和Laplacian正则化项中.考虑到噪声样本对决策平面的影响,本文定义了一种样本依赖的代价,对噪声样本赋予较低的权重.在7个UCI数据集和8个NASA软件数据集上的实验结果表明了本文算法的有效性.     

一类树的SL谱刻画

图的谱理论是图论与组合矩阵论的一个重要研究领域。设图G是一个有n个顶点、m条边的简单图,Q（G）为图G的无符号拉普拉斯矩阵,树图是图论研究的一类重要的图,为了确定一类树的sL谱惟一性,利用图与同谱图之间的关系,运用删边缩边原理,探讨了两组顶点数目的树图。通过比较两组图中子树数目的大小逐项排除和删边删点的方法证明了一类树的SL谱惟一性。     

MUSIC算法中谱线改进处理的研究

MUSIC算法,即多信号分类算法,常用于同频信号测向系统,主要利用信号分量相对应的信号子空间和信号分量正交的噪声子空间的正交性来对信源进行估计计算。在实际测向过程中,信号子空间和噪声子空间并不能实现完全正交,并且测试环境引入噪声干扰,对测向结果都构成影响。基于以上问题,对MUSIC算法进行了改进,加入了两种谱线改进算法,分别是谱线增强算法和谱二阶算法;通过对信号进行谱线增强,提高信号的信噪比,并在信号测向过程中加入二阶导数识别算法、提高信号测向角度识别率等方法,能够有效提高信号的信噪比和抗干扰性,增强了测向算法的识别率和精准度。     

基于Laplacian塔式分解的自适应图像模糊增强

为解决部分数字图像对比度偏低、细节模糊等问题,提出了一种非线性拉伸与模糊增强相结合的自适应图像增强算法。使用Laplacian塔式分解对图像进行分解,高频子带系数采用贝叶斯萎缩阈值和非线性增益函数进行处理,以增强后高频子带系数信息熵为目标,自适应选取控制增益曲线形状参数和控制增益强度参数;低频子带系数采用模糊增强算法进行处理,对隶属度函数和模糊增强算子进行改进,并提出了一种模糊增强算子中阈值参数的自适应选取算法。实验结果表明,该算法能有效提高图像对比度和清晰度,突显图像细节信息,且实现了增强参数的自适应选择,更有利于图像的检测与识别。     

由幅度谱重构序列的一个新方法

由幅度谱重构序列是信号重构的一个重要问题，近年来引起了中、外学者的广泛重视[1-7]，本文就这个问题提出了一种新方法，导出了其含全部解答的通解形式，得到了一个由幅度谱重构序列的通用方法．许多由幅度谱唯一重构序列的其它方法，都可视为在某些特定约束条件下本文方法的特例．作为本文通用方法的特殊应用，本文还讨论了由幅度谱及任一时域唯一重构序列的条件及方法。     

确定分形函数的局部奇异性指数及其谱

基于配分函数的多分形形式仅仅提供了信号奇异性指数的全局描述,并没有给出局部信息,然而在实际应用中,揭示出信号的局部奇异性信息往往更具有重要性。该文提出了一种确定信号局部奇异性指数的新算法,构造了一种类似于奇异性谱的直方图,并用来描述信号奇异性的全局统计分布。数字试验验证了该算法的有效性。     

Correlation-and-bit-aware additive spread spectrum data hiding for Laplacian distributed host image signals

Watermarking and data hiding are important tools for copyright protection of digital media contents. To reduce the interference effect of the host signal and improve the decoding performance in the popular additive Spread Spectrum (ASS) embedding scheme, we have proposed a novel correlation-and-bit-aware additive Spread Spectrum (CASS) embedding scheme for the Gaussian distributed host signal. However, in practice, the discrete cosine transform (DCT) coefficients of real images follow the Laplacian distribution. For practical application of CASS to real images in the DCT domain, this paper proposes a CASS data hiding scheme for the Laplacian distributed host image signal. To extract the hidden message bits, we derive an optimal decoder of the ASS scheme for the Laplacian distributed host signal. The bit-error ratio (BER) of ASS and proposed CASS schemes are analyzed in theory. Finally, Monte Carlo simulations and tests on real images are carried out to illustrate the decoding performance of the ASS and proposed CASS schemes. Compared with the traditional ASS scheme, the proposed CASS scheme maintains the simplicity of the decoder, significantly reduces the host effect in data hiding and improves the decoding performance remarkably. As an extension, we discuss the CASS scheme for the generalized Gaussian distribution (GGD) distributed host signal in brief.