基于粗糙变精度的食品安全决策树研究

食品安全决策是食品安全问题研究的一项重要内容。为了对食品安全状况进行分析,基于粗糙集变精度模型,提出了一种包含规则置信度的构造决策树新方法。这种新方法针对传统加权决策树生成算法进行了改进,新算法以加权平均变精度粗糙度作为属性选择标准构造决策树,用变精度近似精度来代替近似精度,可以在数据库中消除噪声冗余数据,并且能够忽略部分矛盾数据,保证决策树构建过程中能够兼容部分存在冲突的决策规则。该算法可以在生成决策树的过程中,简化其生成过程,提高其应用范围,并且有助于诠释其生成规则。验证结果表明该算法是有效可行的。     

NS-3在计算机网络课程教学中的运用

计算机网络课程理论性强,实验难度大,导致学生学习兴趣不高,教学效果普遍不好.由此,提出将新型的网络仿真软件NS-3应用于计算机网络课程的教学过程中,以增强学生的学习兴趣和提高教学效果.     

校园无线局域网建设方案浅谈

简要介绍了无线局域网的概念、特点及发展;阐明了我校建设无线局域网的必要性;提出了学校校 WIAN 的建设方案.     

NS-3在计算机网络课程教学中的运用

计算机网络课程理论性强,实验难度大,导致学生学习兴趣不高,教学效果普遍不好.由此,提出将新型的网络仿真软件NS-3应用于计算机网络课程的教学过程中,以增强学生的学习兴趣和提高教学效果.     

基于Sobel算子的医学图像边缘检测研究

边缘检测是图像处理过程的关键技术.由于医学图像的特殊性,检测边缘的准确性对疾病的诊断和治疗有着重大的影响.针对传统Sobel算法存在定位不精确、提取边缘较粗等不足,提出了一种改进算法.算法在传统Sobel算子模板基础上增加了45°方向和135°方向两个模板,提高了边缘定位的精度,采取局部梯度均值作为阈值对初始梯度图像进行局部梯度筛选,局部弱边缘得到增强,然后对处理后梯度图像进行细化和提取,得到边缘图像.实验证明,算法获取的图像边缘与传统Sobel算法相比,具有定位准确、边连续性好和边缘较细等优点,在医学图像处理中具有一定的实用性.     

基于Sobel的多方向算子模板边缘检测算法

针对传统Sobel算子存在的边缘检测方向性不强及提取边缘较粗等问题,提出了一种改进的多方向算子模板的边缘检测算法。算法增加了22.5°,45°,67.5°,112.5°,135°和157.5°六个方向算子模板,能够较好地检测出图像不同的方向边缘。模板权值根据中心像素点到邻域像素的距离及方向夹角的大小进行设定,充分考虑到了邻域内像素对中心点方向梯度的贡献大小;算法对梯度图像采用了改进的非极大值抑制方法进行细化,得到了较细的图像边缘。实验结果表明,与传统Sobel算法相比,该算法提取的边缘图像具有边缘方向性强且边缘较细的优点,具有较高的应用价值。     

一种基于纵横子窗口的去椒盐噪声算法

为了有效地去除图像椒盐噪声并且较好地保持图像的细节,提出了纵横子窗口的滤波算法。算法对噪声图像检测窗口内中心像素点进行检测,如果是噪声点,将检测窗口划分为水平和垂直方向2N个子窗口,计算子窗口内非噪声点的个数,如果为奇数,求出它们的中值;如果为偶数,求出它们的均值,然后用这些子窗口的中值、均值及中心点像素值的中值替代中心点像素值,对于非噪声点的中心点保持原值不变。仿真实验表明,算法对椒盐噪声的抑制和图像细节的保持具有较好的鲁棒性和适应性。     

一种噪声密度估计的梯度检测滤波算法

针对高密度椒盐噪声污染图像的去噪声问题,提出了一种噪声密度估计的梯度检测滤波算法。算法首先对含噪声图像进行总体噪声密度检测,计算噪声密度p,对于低密度噪声图像(p≤40%),采用3×3窗口改进的梯度检测滤波算法对图像进行滤波,对于高密度噪声污染图像,采用5×5窗口改进的梯度检测滤波算法对图像进行滤波。实验结果表明,文中算法对高密度椒盐噪声污染图像具有较强的去噪声能力和细节保持性能,具有较高的实际应用价值。     

一种基于纵横子窗口的去椒盐噪声算法

为了有效地去除图像椒盐噪声并且较好地保持图像的细节,提出了纵横子窗口的滤波算法.算法对噪声图像检测窗口内中心像素点进行检测,如果是噪声点,将检测窗口划分为水平和垂直方向2N个子窗口,计算子窗口内非噪声点的个数,如果为奇数,求出它们的中值;如果为偶数,求出它们的均值,然后用这些子窗口的中值、均值及中心点像素值的中值替代中心点像素值,对于非噪声点的中心点保持原值不变.仿真实验表明,算法对椒盐噪声的抑制和图像细节的保持具有较好的鲁棒性和适应性.     

基于改进的Sobel算子边缘检测算法

为了解决传统的Sobel算子算法存在的斜向方向不敏感问题,提出了一种改进的Sobel算法。该算法在Sobel算子的基础上,增加了45°和135° 2个方向模板,并且以斜向边缘为主重新分配了算子模板的权重。算法先将图像转换为灰度图像,然后用改进的Sobel算子得到梯度图像,再采用局部梯度阈值对梯度图像进行细化处理,最后结合斜向边缘方向域值进行二值化,得到边缘图像。仿真实验表明,与传统Sobel算法相比,该算法提高了检测精度,使得边缘细节更丰富、更连续。