基于分割提速法的并行股票预测研究与仿真

关于股票准确预测问题,针对股票预测中计算时间复杂度大,数据库操作速度慢等缺点,为提高数据挖掘的速度和效率,提出了一种分割提速法的并行股票预测模型。模型特点采用广播拓扑结构,使用多线程并行计算方法,将计算量平均分配给所有参与计算的计算机,同时又使用网络编程技术实时同步回收结果,从而有效地缩短了股票关联规则的计算时间。实验结果表明,上述方法有效地减少了算法时间复杂度,较大程度地提高了股票预测的效率,从而为股票投资者提供有力的帮助。     

基于物联网的高速铁轨控制故障监测方法研究

研究高速铁轨控制故障准确检测问题。在遭遇雷击的情况下,高速铁轨的电压突然增大,对高速铁轨控制故障局部信号进行干扰,造成高速铁轨控制信号突变。传统方法多采用高速铁轨控制信号的异常进行网络监控的,一旦故障信号局部突变,监测网络会发生误报警的问题。为解决上述问题,提出了一种控制故障信号物联网络的铁轨故障监测方法。通过把物联传感网络中的结点采集的控制故障信号分割为不同区间,计算不同区间的控制故障参数,利用参数校验功能实现高速铁轨控制故障监测。实验证明,方法能够避免由于雷击造成的高速铁轨控制故障信号突变的缺陷,保证了高速铁轨控制故障检测的准确率。     

一种新的红外图像快速分割方法研究

研究红外图像目标分割快速优化问题。在高分辨率红外图像的分割中,红外图像存在数据量大、目标的边缘模糊和噪声较大等导致分辨率低和实时性差。为了快速准确分割,提出基于低尺度分割阈值预测的快速红外图像分割方法(LFIRS)。首先建立尺度阶数计算模型以确定保留原始红外图像目标基本信息所需的最小尺度,在分析多尺度过程对具有目标/背景强相关特性的红外图像进行分割阈值,建立多尺度红外图像分割阈值的相关模型(CLM),结合经典二维阈值法得到的最低两个尺度的阈值CLM模型参数,可以通过CLM模型与最小尺度的快速获取原始尺度的分割阈值,实现红外图像的快速分割。实验结果表明,改进方法提高了图像分辨和分割速度,且改善了分割效果。     

基于视觉的多特征手势识别

手势是一种自然直观的交互方式,基于视觉的手势识别是实现新一代人机交互的关键技术。本文在已有的手势识别技术基础上,从手势分割及手势表示两方面着手,提出了一种单目视觉下的手势识别方法。利用颜色特征检测肤色区域,成功分割出人手;利用人手的轮廓及凸缺陷检测指尖,再利用指尖的数目和方位来表示一个手势,进而结合轮廓长度和面积等几何特征完成手势识别。传统的指尖检测方法需要遍历并扫描手掌外轮廓,计算量大,本文通过凸缺陷检测指尖,减少了计算量,提高了指尖检测的速度。实验结果表明,本文的方法具有很好的鲁棒性及实时性,能适应环境的变化。     

阈值分割算法在医用药瓶溶液杂质检测中的研究

为实现医用药瓶溶液杂质检测,提出一种基于二维Otsu阈值分割法的改进算法,并在Matlab环境中进行仿真。仿真结果表明:相对于传统的二维Otsu法,本文提出的改进方法提高了算法的抗噪性,减少了错误划分,加强了图像的分割效果,且容易实现。     

基于卡尔曼滤波改进的精子图像序列分割方法

图像分割是精子图像识别的一项关键技术,在精子运动能力分析中起着至关重要的作用。本文对采集的连续精子图像序列进行灰度化、去噪等预处理后,采用Otsu算法对首幅动物精子图像二值化,对后续图像采用Kalman Filter确定二值化阈值范围,改进Otsu算法求出每一幅图像的适当阈值并进行二值化,缩短算法时间并能保证分割精度。应用形态学消除精子尾部和部分精子之间的粘连现象,通过计算和比较目标面积、形状因子,去除小颗粒杂质以及形状及灰度和精子相似的杂质,为精子运动能力检测提供高质量的分割图像。     

基于图论的遥感图像分割算法分析

遥感图像处理技术目前已经广泛的应用于军事以及农业等众多领域。遥感图像中的目标物如果进行分割,那么就可以得到更多的目标物信息,并且可以为进一步的处理奠定良好基础,比如说对于目标物的跟踪、分析以及识别等。本文对图像分割的标准进行了介绍,并且对基于图论的交互式遥感图像分割法进行了详细的分析。     

粘连颗粒分割方法研究

颗粒图像的分割中,经常遇到颗粒粘连、重叠在一起的现象,需要将它们分离为单个颗粒目标。本文提出了一种基于灰度形态学重建的图像分割新算法,实验结果表明,该算法既能更有效地分割粘连颗粒,其应用于图像处理也有着较好的应用前景。     

金字塔原型对齐的轻量级小样本语义分割网络

小样本图像语义分割任务是计算机视觉领域一个有挑战性的问题,其目标是利用现有一张或几张带有密集分割注释的图片来预测未见类图像的分割掩码.针对该任务,提出了一个基于金字塔原型对齐的轻量级小样本图像语义分割网络.首先,该网络在MobileNetV2网络的深度可分离卷积和逆残差结构基础上,通过金字塔池化模块进行提取特征,保持高维度和低维度的信息,获得不同尺度的特征.同时通过在支持集原型和查询集之间进行相互对齐,使得网络能够从支持集中学到更多的信息,充分利用支持集的信息进行反馈.基于PASCAL-5i数据集的大量实验结果表明,提出的网络结构的均值在1-way 1-shot和1-way 5-shot上分别为49.5％和56.6％,与先进的主流小样本语义分割网络PANet相比分别对应提高了1.4％和0.9％,网络参数量为3.0 MB,相比PANet减小了11.7 MB,同时浮点计算量显著减少,证明了该网络在小样本图像语义分割中的有效性和高效性.     

基于U-Net的多尺度融合视网膜血管分割算法

针对眼底血管图像具有形状多样、分叉较多、曲度复杂的特点,提出了一种多尺度融合视网膜血管分割算法.该算法基于U-Net模型进行改进,首先在编码和解码部分使用短跳跃连接模块将网络浅层和深层的特征信息进行融合,通过增加浅层特征的权重,更多地保留了血管的边缘和细微结构信息.其次在编码部分采用空洞卷积构建空洞空间金字塔池化模块代替传统卷积块,来扩大算法的感受野,从而在不增加网络参数的同时进行多尺度特征融合,提取更丰富的空间信息.通过在DRIVE数据集上进行验证,实验结果表明:本算法的准确率和AUC值分别达到0.9572、0.9811,与U-Net等其他基于深度学习的算法相比分割效果更优,从而验证本算法在视网膜血管分割中更加有效.