基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。     

基于复合条件下的油纸绝缘极化/去极化电流探讨

温度及湿度条件对极化/去极化电流曲线的影响较大,但许多研究只基于单个影响因素进行试验研究,因此提出了在复合条件下进行试验来研究温度及湿度复合变化条件下的极化/去极化曲线。通过模拟工程实际中的高温高湿、高温干燥、低温高湿、低温干燥条件下的极化/去极化曲线,发现了复合条件下的试验曲线变化规律。     

基于Jigsaw的网络词典的设计与实现

介绍了一种基于Jigsaw开发和发布网络词典的方法.用户可以在客户端浏览器中输入URL以及查询的单词,服务器根据请求返回相应的结果并在浏览器中显示.本文通过分析FileResource、PostableFrame、I/O流、编码以及显示这几大部分,详细地介绍了实现上述功能的思路和方法,并且分析了在实现过程中可能遇到的问题,同时针对这些问题分别给出了解决方案.本文所提出的思路对类似的应用有很好的借鉴作用.     

2020年企业技术八大趋势

转眼间,2019年已经结束,我们也迎来了本世纪的第二个十年。作为一位I T从业者和观察者,预测未来总是困难和危险的,因为你的每一个预测,都可能被技术的发展完全推翻。但是我们又需要大胆想象,来推动技术的交流和发展。有鉴于此,我来抛砖引玉,预测2020年企业技术领域将出现的八大潜在趋势和发展动向,以供大家参考。     

压缩感知及其图像处理应用研究进展与展望

压缩感知理论（Compressed sensing,CS）通过少量的线性测量值感知信号的原始结构,并通过求解最优化问题精确地重构原信号.该理论减少了数字图像及视频 获取时的存储及传输代价,也为后续的图像处理及识别的研究提供了新的契机,促进了理论和工程应用的结合. 阐述了CS的基本原理,综述了其关键技术稀疏变换、观测矩阵 设计、重构算法的一系列最新理论成果和发展,深入分析和比较了CS理论应用到图像处理领域的研究和发展状况,总结了其中存在的问题,并对未来的应用前景进行了展望.     

OpenOffice.org文档结构的研究与分析

阐述OpenOffice.org文档的压缩存储方式以及这种方式和其他的多种存储方式相比的优势;针对OpenOffice.org的各种文档描述了它们的结构,并且讨论了从OpenOffice.org的XML文档中读取元数据方法;最后进一步讨论了OpenOf-fice.org的XML元数据读取的意义以及它和文档结构化其他研究的关系。     

基于线特征和控制点的可见光和SAR图像配准

以具有典型人造目标的可见光和SAR (Synthetic aperture radar)图像为研究对象,提出一种自适应多尺度快速Beamlet变换方法提取人造目标在可见光和SAR图像的共有特征---线特征, 并基于线特征构造控制点,设计了一种基于控制点特征的匹配度函数,采用基于特征一致的粗配准和基于控制点的精确配准方法,对待配准图像实现由粗到精的自动配准. 实验表明,在可见光和SAR图像存在较大灰度差异、旋转和平移的情况下,该算法仍然能够精确配准图像.     

OpenOffice.org文档结构的研究与分析

阐述OpenOffice．org文档的压缩存储方式以及这种方式和其他的多种存储方式相比的优势；针对OpenOffice．org的各种文档描述了它们的结构，并且讨论了从OpenOffice．org的XML文档中读取元数据方法；最后进一步讨论了OpenOflice．org的XML元数据读取的意义以及它和文档结构化其他研究的关系。     

深度学习在高光谱图像分类领域的研究现状与展望

高光谱图像（Hyperspectral imagery,HSI）分类是高光谱遥感对地观测技术的一项重要内容,在军事及民用领域都有着重要的应用.然而,高光谱图像的高维特性、波段间高度相关性、光谱混合等使得高光谱图像分类面临巨大挑战.近年来,随着深度学习新技术的出现,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展,为其研究提供了新的契机.本文首先介绍了高光谱图像分类的背景、研究现状及几个常用的数据集,并简要概述了几种典型的深度学习模型,最后详细介绍了当前的一些基于深度学习的高光谱图像分类方法,总结了深度学习在高光谱图像分类领域中的主要作用和存在的问题,并对未来的研究方向进行了展望.