一种MANET地址自动配置方案

提出一种MANET地址自动配置方案,给出了MANET网络体系结构以及构建网络体系结构的算法。在此体系结构下,新节点可以在一跳范围内的代理节点获取具有唯一性的地址,且无须执行地址重复检测,失效节点的地址可以自动被回收。对MANETConf、Prime DHCP以及本方案的性能参数进行了比较分析,性能参数包括地址配置代价及地址配置延迟时间,分析结果验证了本方案的地址配置代价更低,地址配置延迟更短。     

参数假设检验的方法及解题技巧研究

本文讨论了不同情形下的参数假设检验的方法及解题技巧,其中主要包括检验统计量的选取规则,双侧检验和单侧检验这两种情形下拒绝域的选择形式及背诵技巧,以及其理论上的合理解释。     

鄱阳湖生态经济区高校学生体育旅游现状及发展对策研究

近年来随着国内旅游业的快速发展以及大众体育的蓬勃开展,体育旅游如雨后春笋般兴起。如今大学生进行体育旅游已经较为普遍,加上高考的扩招这一群体呈几何数字增长,理应引起重视。本文从鄱阳湖生态经济区高校学生的实际情况出发,对在校大学生体育旅游市场进行了调查分析,并提出了相应的对策和建议,旨在为旅游界开发大学生旅游市场提供可供参考的意见。     

基于9_7提升小波和区域生长的目标检测算法

针对图像中的快速移动目标检测,提出了一种9_7提升小波和区域生长相结合的检测算法。该算法首先对图像进行9_7提升小波变换,扩大目标与背景间的照度差异,对歧义目标进行筛选;然后利用区域生长算法找到图像中的可疑目标区进行目标粗判;最后根据目标几何特征,结合背景光强来确定单帧图像中的目标位置。该算法不仅简化了传统算法,减少了代码量,提高了检测准确率,而且留有大量图像处理接口,适用性强。     

基于兴趣区域的无参考图像质量评价方法

为了评价不同失真类型图像的质量,提出了一种基于兴趣区域和自然图像统计特性的无参考图像质量评价方法。该方法对Itti模型进行改进,并利用改进的Itti模型提取失真图像的感兴趣区域和非感兴趣区域,在非下采样Contourlet域提取图像的统计特性,通过计算失真图像的不同区域与自然图像统计特性的差异来获得图像的质量分数。在LIVE数据集上与已有方法进行对比,实验结果表明,提出的方法和主观感知具有较好的一致性。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

岩矿薄片偏光序列图像的矿物颗粒分割方法

岩矿薄片图像中矿物颗粒的提取是岩矿薄片粒度分析、成分识别的基础,为了进一步提升矿物颗粒提取的准确性,提出一种新的矿物颗粒分割提取方法.该方法以相同视域、不同角度下的正交偏光序列图像为基础,对序列图像进行融合后,利用熵率超像素算法提取矿物颗粒目标.为了减少矿物颗粒的过分割现象,采用快速区域合并算法合并具有相似性的区域,最后,依据矿物颗粒在正交偏光下的变化规律对分割区域筛选,再次进行颗粒目标融合实现颗粒自动分割.该方法提取岩矿薄片图像中的矿物颗粒,可以获得较好的效果.     

改进的基于区域卷积神经网络的微操作系统目标检测方法

传统的目标检测方法不能有效检测微操作系统中部分受遮挡或多种姿态的目标,因此文中采用改进的基于区域卷积神经网络的Faster-RCNN检测算法,用于微操作系统中部分受遮挡或多种姿态的目标检测.在原始Faster-RCNN的基础上,使用在图像分类任务中性能优越的深度残差网络作为检测算法的主框架,并且引入防止正负样本不均衡的在线困难样本挖掘策略以提高网络性能.实验表明,这种改进的基于区域卷积神经网络方法能有效识别部分受遮挡和不同姿态的目标,相比传统方法,文中方法对环境适应性更强,速度更快,具有实际应用价值.     

基于区域边界约束和图割优化的稠密匹配算法

基于图割全局优化的稠密匹配算法中,平滑项表示和遮挡处理是关键问题.具有凸性平滑项的能量函数可以求得全局最优解,但所求结果在视差跳变处过于平滑;而具有非凸平滑项的能量函数虽保留了视差的非连续性,但目前只能使用循环算法求得次优解.为此,基于"视差跳变绝大部分发生在颜色的不连续处"这一设定,提出一种利用区域边界和边界像素间的约束构建能量函数的稠密匹配表示方法,使得该函数既能求得全局最优解,又能使最终结果满足平滑项的"非连续保留"性,且体现遮挡约束、顺序性约束,并显著提高计算效率,在速度和效果上取得较好平衡.     

Automated insect identification through concatenated histograms of local appearance features: feature vector generation and region detection for deformable objects

This paper describes a computer vision approach to automated rapid-throughput taxonomic identification of stonefly larvae. The long-term objective of this research is to develop a cost-effective method for environmental monitoring based on automated identification of indicator species. Recognition of stonefly larvae is challenging because they are highly articulated, they exhibit a high degree of intraspecies variation in size and color, and some species are difficult to distinguish visually, despite prominent dorsal patterning. The stoneflies are imaged via an apparatus that manipulates the specimens into the field of view of a microscope so that images are obtained under highly repeatable conditions. The images are then classified through a process that involves (a) identification of regions of interest, (b) representation of those regions as SIFT vectors (Lowe, in Int J Comput Vis 60(2):91–110, 2004) (c) classification of the SIFT vectors into learned “features” to form a histogram of detected features, and (d) classification of the feature histogram via state-of-the-art ensemble classification algorithms. The steps (a) to (c) compose the concatenated feature histogram (CFH) method. We apply three region detectors for part (a) above, including a newly developed principal curvature-based region (PCBR) detector. This detector finds stable regions of high curvature via a watershed segmentation algorithm. We compute a separate dictionary of learned features for each region detector, and then concatenate the histograms prior to the final classification step. We evaluate this classification methodology on a task of discriminating among four stonefly taxa, two of which, Calineuria and Doroneuria, are difficult even for experts to discriminate. The results show that the combination of all three detectors gives four-class accuracy of 82% and three-class accuracy (pooling Calineuria and Doro-neuria) of 95%. Each region detector makes a valuable contribution. In particular, our new PCBR detector is able to discriminate Calineuria and Doroneuria much better than the other detectors.