方向性微孔对润滑状态转化的影响

基于平均流量模型和微凸体接触模型,研究混合润滑状态下织构表面的摩擦特性,通过数值求解得到Stribeck曲线,分析法向载荷、润滑油黏度、表面粗糙度、方向因子和倾斜角对摩擦因数及名义摩擦副间隙等摩擦性能参数的影响规律。结果表明：混合润滑条件下,随着载荷的减小或润滑油黏度的增大,摩擦因数减小,名义摩擦副间隙增大,混合润滑转变为流体润滑时的临界转速降低;随着表面粗糙度的增大,摩擦因数和名义摩擦副间隙均增大,临界转速升高;随着倾斜角的减小或方向因子的增大,摩擦因数减小,名义摩擦副间隙增大,并且倾斜角越小,临界转速越低。     

基于纹理特征的H.264/AVC帧内预测模式快速选择算法

H.264/AVC视频标准中的帧内编码通常采用率失真优化技术,通过遍历所有可能的编码模式,选择其中一个具有最小率失真代价的模式作为最佳帧内预测编码。率失真优化技术在提高编码可靠性、准确性、抗误码率的同时,增加了编码的复杂度和搜索时间。在分析标准帧内预测的情况下,计算当前4×4块和重建4×4块的残差值,若小于某一阈值可提前结束宏块编码,反之则利用图像块的纹理方向与预测模式选择之间的相关性,提出一种快速的帧内4×4块预测模式选择算法。该算法在结合改进的Canny算子和平方梯度法的基础上,提取出当前块的纹理方向,并详细分析了纹理方向与预测模式之间的对应关系。实验仿真在H.264/AVC的参考模型JM13.2平台上完成。结果表明,与标准算法相比,该算法在编码码率持平和峰值信噪比保持不变的前提下,编码时间有较大幅度的下降。     

Softness,elasticity, and smoothness characteristics of cooked udon noodles based on texture analysis

Objective evaluation methods for the elasticity, smoothness, and softness of cooked udon noodles were established on the basis of texture analysis. Noodles with different diameters and amylose contents were prepared to verify the reliability of the proposed evaluation methods. Results revealed that the elasticity of udon noodles could be examined by using the method that involved rinsing cooked noodles with 10°C cold water for 30 s and stretching a single strand of cooked noodle at 3 mm/s with an A/KIE probe until broken. The stiffness of the sample at 3.5 mm could be determined to indicate the elasticity caused by the size of dried udon noodles. The softness and smoothness of cooked udon noodles could be examined when cooled and drained for 30 s by using an heavy duty platform/pasta firmness/stickiness rig probe. The elasticity of cooked udon noodles increased as their diameter increased, and their smoothness and softness significantly increased as the amylose content decreased (p < .05). Texture analysis could be used to quickly and accurately indicate the elasticity, softness, and smoothness of cooked udon noodles. The texture characteristics of udon noodles were related to their formulation, processing, and size. Establishing an adaptability evaluation method for the quality of udon noodles is a prerequisite for optimizing processing technologies and developing new products. Thus far, limited research has focused on objective methods for evaluating the texture of cooked udon noodles. This work developed valuable instrumental methods for examining the elasticity, softness, and smoothness of cooked udon noodles and provided noodle manufacturers a tool for selecting udon noodle formulations and processing technology based on texture analysis.     

基于面料肌理设计的礼服设计研究

叙述了面料肌理的概念及其分类,分析了礼服设计中面料肌理的表现技法,阐述了面料肌理设计对礼服设计的影响,为服装设计师提供了设计的新思路.     

模糊几何和纹理特征在指纹细节点后处理中的应用

指纹识别一般基于指纹细节点匹配,当指纹图像质量较差时,细节点的可靠提取十分困难,通常会产生大量的虚假细节点．为提高细节点的精度,给出一种在原始灰度指纹图像上进行细节点后处理验证的方法．在每个自动提取出的细节点上取其在原始灰度指纹图像上的局部邻域,分析邻域图像的模糊几何特征和纹理特征,然后用MLP神经网络对提取出的局部邻域特征进行分类,实现细节点类型验证．实验结果表明：文中方法能有效地去除大量的虚假细节点,与其他方法相比具有较高精度．     

银耳多糖对低脂酸奶发酵、质构及感官品质的影响

为提高低脂酸奶的品质,将银耳多糖(0.37、0.74、1.11、1.48、1.85 mg/mL)添加到酸奶中,考察对低脂酸奶微生物数量、发酵时间及酸奶品质的影响。结果表明,随着银耳多糖浓度的增加,酸奶中保加利亚乳杆菌和嗜热链球菌数量逐渐增加,发酵时间显著降低(p<0.05);银耳多糖在低浓度(0.37和0.74 mg/mL)时酸奶的感官评分最佳;且银耳多糖浓度在0.37 mg/mL时酸奶的持水力、硬度及脆度显著提高(p<0.05)。综合实验结果,适量银耳多糖(0.37 mg/mL)的添加可增加发酵细菌的数量,缩短发酵时间,改善低脂酸奶的持水力和质构,提升低脂酸奶的感官品质,并拓宽银耳多糖的应用范围。     

混合波原子和双边滤波的纹理图像滤波方法

为了更好地去除纹理图像中的噪声, 提出了一种新的混合波原子阈值的振荡纹理图像扩散模型; 利用扩散方程和图像滤波方法的理论联系, 给出了联合双边滤波的图像去噪算法; 最后, 利用峰值信噪比(PSNR)和结构相似度(SSIM)两个客观图像质量评价指标, 与目前流行的图像去噪方法(包括波原子阈值、双边滤波、高斯尺度混合(GSM), 以及非局部滤波(NLM))进行比较。 实验结果验证了新方法的有效性。     

基于图像纹理清晰度的数字水印算法

为了提高嵌入水印图像的视觉效果和解决自适应调节参数简单的问题,借鉴了离散小波变换下纹理特征清晰度分析评价标准的思想,对文献[1]提出的分块自适应水印算法做出了改进,并提出了一种改进的水印算法.对图像离散小波变换的近似子带进行分块和纹理特征计算处理,对纹理特征计算值进行分类和确定对应分类的嵌入强度,将水印信息嵌入到近似子带分块SVD(奇异值分解)的S矩阵中.实验结果表明,通过纹理清晰度分析出来的自适应效果好于文献[1]中提到的方法,PSNR=70,NC=0.9926,而且水印信息具有良好的鲁棒性和不可见性.     

基于图理论聚类和二值纹理分析技术的彩色文本图像二值化方法

为了有效地对彩色文本图像进行分割，提出了一种复杂背景下彩色图像中文本一背景分离的新方法。该方法首先应用颜色空间降维以及基于图理论的颜色聚类对彩色文本图像进行聚类，并对应于聚类结果获得一系列二值图像，这些二值图像以及它们之间的组合就构成了二值化的待选结果；然后对与游程直方图以及空间-尺寸分布相关的两类纹理特征进行分析，并结合线性判别分析分类器来从待选的二值图像中选取出具有最佳文本背景分离效果的二值图像。实验结果显示，该方法的：二值化效果比现有方法有显著提高，因而能更有效地对具有复杂背景的彩色文本图像进行分割。     

基于深度神经网络的表面划痕识别方法

为实现亮度不均的复杂纹理背景下表面划痕的鲁棒、精确、实时识别，提出一种基于深度神经网络的表面划痕识别方法。用于表面划痕识别的深度神经网络由风格迁移网络和聚焦卷积神经网络（CNN）构成，其中风格迁移网络针对亮度不均的复杂背景下的表面划痕进行预处理，风格迁移网络包括前馈转换网络和损失网络，首先通过损失网络提取亮度均匀模板的风格特征和检测图像的知觉特征，对前馈转换网络进行离线训练，获取网络最优参数值，最终使风格迁移网络生成亮度均匀且风格一致的图像，然后，利用所提出的基于聚焦结构的聚焦卷积神经网络对生成图像中的划痕特征进行提取并识别。以光照变化的金属表面为例，进行划痕识别实验，实验结果表明：与需要人工设计特征的传统图像处理方法及传统深度卷积神经网络相比，划痕漏报率低至8.54%，并且收敛速度更快，收敛曲线更加平滑，在不同的深度模型下均可取得较好的检测效果，准确率提升2%左右。风格迁移网络能够保留完整划痕特征的同时有效解决亮度不均的问题，从而提高划痕识别精度；同时聚焦卷积神经网络能够实现对划痕的鲁棒、精确、实时识别，大幅度降低划痕漏报率和误报率。