图像欧氏距离在人脸识别中的应用研究

图像欧氏距离可以嵌入到许多传统的图像分类识别算法中,该嵌入是通过对原始图像的线性变换来实现的,给出了一种基于数据场的图像线性变换方法,将其应用到图像欧氏距离中.实验结果表明,基于数据场的线性变换方法是一种可行的图像线性变换方法,该方法可以完成大尺度图像的线性变换,方便地将图像欧氏距离嵌入到传统人脸识别算法中.     

最大模糊互信息用于图像分割

为了更好地选取图像阈值,将最大模糊熵(MFE)准则与最大互信息(MMI)准则结合,提出最大模糊互信息(MFMI)准则。同时为了有效确定最佳分割类数,提出根据模糊互信息差(dFMI)来判别的准则。综合上述的两点改进,提出一种新的多阈值分割算法——最大模糊互信息量分割算法(MFMI)。对合成图像、无损检测图像、标准测试图像进行仿真,同时对比结合前的MFE与MMI,经典的阈值分割法如OTSU和MET,以及流行的模糊C均值算法(FCM),可以发现MFMI误判率最小,代价是运行时间较长。综上,MFMI是一个有效的图像分割方法。     

一种全局主色和局部主色相结合的图像检索方法

提出一种基于全局主色和局部主色相结合的图像检索方法。对图像进行扇形分割。提取各扇区的主色,对全局主色和局部主色同时进行相似度匹配。不仅利用图像的颜色特征,也考虑颜色特征的空间分布。对该方法的检索效果和性能进行详细分析。实验结果表明该方法反映图像颜色的空间分布及局部细节,具有更好的检索效果。     

一种基于高频强调滤波和直方图均衡化的图像增强方法

直方图均衡化能够调节图像的动态灰度范围,是一种经典有效的图像增强方法,但它建立在合并相似像素灰度的基础之上,模糊了图像的细节。高频强调滤波将变换后的低频和高频分量都得到了增强,但是低频分量的增强要弱一些,这样会使得图像边缘更加清晰。实验表明,经该方法增强后的图像,其主观视觉效果明显改善。     

液剂视频序列中运动异物的模糊自适应分割

运动异物的正确分割是实现液剂自动检测的关键.提出一种基于帧差图空间方差和方差梯度的液剂异物模糊自适应阈值分割算法.首先将4帧序列图像差分得到的2幅帧差图分为5×5的图像块,计算2幅帧差图对应图像块间的方差和方差梯度,并以两者的乘积构成新特征图;然后使用自适应阈值对新特征图进行运动异物分割和提取.为使阈值能够跟随图像块灰度变化,阈值的调整采用模糊推理依据方差和方差梯度变化自适应实现.实验及实际测试结果表明,该算法能够满足低对比度和局部光照变化的液剂异物实时检测要求,是一种实用有效的图像分割算法.     

多工作模式产品配色意象的灰色评价方法

针对产品开发过程中的色彩规划问题,考虑多工作模式产品的配色特征,构建一种多工作模式产品的配色意象评价模型.基于灰色关联分析法建立产品方案色彩与意象之间的关联模型,运用灰色聚类法判断产品配色方案的意象值;将产品各工作模式下的配色意象同时作为评价属性并赋予相应的权值,进行综合评价.文中方法兼顾了多工作模式产品色彩面积的可变性和消费者主观意象的不确定性,将多工作模式产品的配色意象评价方法置于灵活、直观的框架中.最后以工程机械产品为应用实例,证明该方法较单属性评价方法更为贴近消费者的主观意象.     

基于完全加权关联规则挖掘和查询扩展的信息检索

将完全加权关联规则挖掘技术应用于信息检索,提出一种基于完全加权关联规则挖掘和查询扩展的信息检索模型,重点阐述模型的设计思想及其算法和实现的关键技术.实验结果表明,该模型有效,能提高信息检索性能,有很高的实际应用价值和推广前景.     

基于视觉检测技术的浮球姿态测量

给出一种基于图像信息估计被测浮球及其中心轴孔空间姿态的视觉检测方法.若相机焦距已知,且给定空间球与圆特征的形状参数,则可由单视方法估计该球心与圆特征中心位置及其法向方向.基于该算法,可实现对被测球体中心轴端面法线方向的估计,同时还可估计出被测球体及端面中心的位置,从而实现对目标浮球位置及姿态的非接触测量.数值仿真及实际图像处理结果表明了该算法的有效性.     

基于三次B样条曲线的特色照相系统算法模型

给出了一套娱乐性照相系统的算法模型,其原型为哈哈镜.模型以三次B样条曲线为基础,主要为内存和计算能力有限的手机、PDA等手持设备设计.模型的基本思想是将图像抽象成一组直线的集合,将图像的变化看作是这组直线的变化;对这组直线的变化建立数学模型,使图像的变化变成可以描述并且可控制的数学表达式;再将这个教学表达式映射成图像的变化.为了增加模型的实用性,最后又对这个模型进行了优化,将图像的变化转变成图像像素坐标的变化,以变化模板的方式替代了复杂的计算,从而使模型更具有实际使用价值.     

面向草图检索的小样本增量有偏学习算法

为了解决草图检索相关反馈中小样本训练、数据不对称及实时性要求这3个难点问题,提出了一种小样本增量有偏学习算法.该算法将主动式学习、有偏分类和增量学习结合起来,对相关反馈过程中的小样本有偏学习问题进行建模.其中,主动式学习通过不确定性采样,选择最佳的用户标注样本,实现有限训练样本条件下分类器泛化能力的最大化;有偏分类通过构造超球面区别对待正例和反例,准确挖掘用户目标类别;每次反馈循环中新加入的样本则用于分类器的增量学习,在减少分类器训练时间的同时积累样本信息,进一步缓解小样本问题.实验结果表明,该算法可以有效地改善草图检索性能,也适用于图像检索和三维模型检索等应用领域.