基于掌上电脑的地下水自动监测系统软件的研究

本文介绍了一种基于掌上电脑的地下水自动监测系统软件的研究。系统采用掌上电脑作为数据采集的上位机,具有体积小、功耗低、成本低、操作方便、功能强大等特点。使用了操作系统WindowsMobile、软件开发环境VisualStudio.NET2003、软件框架.NETCompactFramework、开发语言C#,软件实现了数据采集、文件管理,分析显示等功能。并采用RS232串行通讯作为掌上电脑与监测仪的通讯接口,利用多线程设计来完成串行端口的通讯。采用标准化、基于文本的XML方式存储数据。在开发软件时利用P/Invoke服务,托管代码可以调用在动态链接库中实现的非托管函数。本软件充分考虑了掌上电脑的特点,采用简洁的窗口界面,具有操作简单,功能强大,并在实际工作中已取得很好的使用效果。     

GLRAM与LDA相结合的人脸识别

提出了一种GLRAM（矩阵的广义低秩逼近）与LDA（线性判别分析）相结合的人脸识别方法。首先利用GLRAM方法获得人脸图像的有效特征,然后通过LDA对获得的特征进行进一步的降维并获得最佳分类特征。这样使得抽取特征的判断能力得到了显著增强。实验结果表明,该算法在较短的时间内取得了较高的识别率,效果优于单独运用GLRAM方法和LDA方法。     

基于稀疏表示的快速图像超分辨率算法

针对传统基于超完备字典的图像超分辨率重建算法训练样本庞大、训练时间长、稀疏度固定,且迭代时间长的问题,提出一种快速的图像超分辨率重建算法。该算法在字典训练阶段引入快速核密度估计算法对训练样本规模进行估计,得到数量合理的训练样本,在稀疏表示阶段使用改进的广义正交匹配追踪算法,克服稀疏表示算法中固定稀疏度的缺陷。实验结果表明,相比传统字典训练算法,该算法能提高超分辨率重构的精度,且平均迭代时间较少。     

基于张量投票和成份标注的彩色文本的分割

自然景观中文本会受到各种噪声的污染,这给文本的分割和识别带来困难.根据不同特征值将图像分层,使用张量投票框架对每层进行分析,可以有效地去除噪声并对缺失的图像进行修补.由于要根据经验判断阈值,要达到理想的效果必须经过多次运算.引入经改进成分标注方法,确定阁值,提高了效率.实验结果表明,该方法取得了比较好的效果.     

基于局部敏感直方图的时空上下文跟踪

针对当前目标跟踪算法在目标区域光照剧烈变化、长时间遮挡或者平面内旋转时会发生偏移甚至跟丢这一现象,提出了基于局部敏感直方图的时空上下文跟踪算法.该算法以贝叶斯框架为基础,利用生物视觉特性,结合底层灰度特征,基于局部敏感直方图提取光照不变特征,建立目标与背景的统计相关模型来实现跟踪,使跟踪时偏移较小且不会跟丢目标.在对不同视频序列的实验表明:基于局部敏感直方图的时空上下文算法和多示例学习算法相比,在光照变化、平面内旋转或者遮挡时都表现出比较好的跟踪效果且中心误差较小,具有较强鲁棒性.     

基于正交SRDA和SRKDA的人脸识别

利用正交投影技术进行降维可以更好地保留与度量结构有关的信息, 提高人脸识别性能。在谱回归判别分析(SRDA)和谱回归核判别分析(SRKDA)的基础上, 提出正交SRDA(OSRDA)和正交SRKDA(OSRKDA)降维算法。首先, 给出基于Cholesky分解求解正交鉴别矢量集的方法, 然后, 通过该方法对SRDA和SRKDA投影向量作正交化处理。其简单、容易实现而且克服了迭代计算正交鉴别矢量集的方法不适应于谱回归(SR)降维的缺点。ORL、Yale和PIE库上的实验结果表明了算法的有效性和效率, 在有效降维的同时能进一步提高鉴别能力。     

基于区域混合活动轮廓模型的医学图像分割

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象, 在一些基于区域的活动轮廓模型基础上提出了一种新的基于区域混合模型的非凸正则化活动轮廓模型。该模型构造了一个新的能量泛函,该能量泛函结合了考虑图像局部聚类性质的LBF模型和测地线模型,增加了非凸正则化项,加快了轮廓曲线的收敛速度,可以很好地保持区域形状并能防止边缘过平滑,然后通过经典有限差分法求得能量泛函的极小值。最后,在合成图像和医学图像上做了仿真实验,结果表明,该算法具有较快的收敛速度 和很好的鲁棒性,分割结果也较准确。     

基于局部保持投影的鲁棒稀疏子空间学习

传统的子空间学习算法包含投影学习和分类两个过程,但是这两个过程分离,且对离群点较敏感,可能导致算法无法获得整体最优解。为此,提出了一种基于局部保持投影的鲁棒稀疏子空间学习算法。该算法将特征学习和分类模型相结合,使学习得到的子空间特征更具有判别性;利用L2,1范数的行稀疏性质,剔除冗余特征,同时在算法模型中考虑数据样本的局部关系来提高对离群点的鲁棒性;最后采用交替迭代方法来求解该模型。在不同数据集上的实验结果表明该算法具有较好的识别效果。     

基于向量排序的图像边缘提取方法

在传统的图像边缘提取的过程中,往往只是注重像素点的灰度值,忽视了相邻像素点间的灰度跃变的方向信息,从而导致了得到的图像边缘的连接性不好,而且缺失了许多重要的细节.结合向量排序统计提出了一种新的边缘提取的方法,利用该方法分别得到图像R,G,B三分量的边缘强度,同时应用非极大抑制和自适应阈值对所得图像边缘进行处理,最后将处理后的三分量边缘信息融合,得到了最终的边缘图像.实验结果表明,该方法很好的保证了图像边缘的连续性和准确性.     

稀疏自编码和Softmax回归的快速高效特征学习

针对特征学习效果与时间平衡问题,提出了一种快速高效的特征学习方法.将稀疏自编码和Softmax回归组合成一个新的特征提取模型,在提取原始图像潜在信息的基础上,利用多分类器返回值可以反映输入信息的相似程度的特点,快速高效的学习利于分类的特征向量.鉴于标签信息已知,该算法在图像分类效果上明显优于几种典型的特征学习方法.为了使所提算法具有更好的泛化能力,回归模型的损失函数中加入了L2范数防止过拟合,同时,采用随机梯度下降的方法得到模型的最优参数.在4个标准数据集上的测试结果表明该算法是有效可行的.