排序方式: 共有65条查询结果,搜索用时 15 毫秒
1.
运用C#处理Oracle数据库图片 总被引:3,自引:1,他引:2
闫河 《电脑编程技巧与维护》2010,(2):54-58
图片处理是数据库系统开发中经常涉及的技术。分析总结了在Oracle数据库中对大数据类型(LOB)的支持,介绍使用C#.NET开发工具处理图片的方法,以期在数据库操作中对大数据类型进行快速的处理。 相似文献
2.
3.
4.
为提升布谷鸟算法对高维问题空间的搜索能力及算法的稳定性,提出了一种参数动态更新的布谷鸟搜索算法.该算法首先选用柯西随机数,动态更新迭代学习的步长因子,并结合Lévy飞行策略生成新解;在新解生成之后,提出了一种正态扰动策略生成干扰解以增加解的搜索空间;对迭代中的新解和干扰解,采用模拟退火算法得到优势解,从而避免算法陷入局部最优,提升了算法的容差性;并提出一种轮盘赌选择和双向随机搜索策略强化迭代中优势解的学习.实验结果表明改进算法拥有较高的准确性和稳定性. 相似文献
5.
基于特征融合的粒子滤波目标跟踪新方法 总被引:9,自引:9,他引:0
针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。 相似文献
6.
7.
传统声纹识别方法过程复杂,模型识别准确率低,是声纹识别应用发展的关键问题。利用深度学习具有自主特征提取及分类的特点,结合卷积神经网络(CNN)和长短期记忆网络(LSTM),提出一种结合的网络模型学习声纹识别特征及对其进行身份认证。将原始语音转换为固定长度语谱图,顺序进入CNN、LSTM,结合网络进行训练以及声纹特征学习。通过对比CNN、LSTM以及DNN网络,验证CNN-LSTM网络在声纹识别中具有较少迭代次数情况下高准确率的特性。经实验结果可以得出,语音空间特征及时序特征均是声纹识别中重要的影响因素,实验中的CNN-LSTM网络模型准确率达到95.42%,损失低值达到0.097 3。该方法有利于实际声纹识别的应用。 相似文献
8.
该方法利用四树复小波包变换具有的移不变性、良好的方向选择性和对高频信号的细致分析能力等特点, 把含噪图像分解成低频逼近子图和若干高频方向子图; 在保留低频逼近子图复系数不变的同时, 利用复系数层间相关性的强弱把高频方向子图分为主要类和次要类. 对主要类和次要类复系数分别进一步采用非高斯双变量模型和零均值高斯分布模型进行噪声抑制. 实验结果表明, 无论是峰值信噪比(PSNR)指标, 还是在视觉效果上, 本文方
法的去噪性能均好于传统的双树复小波变换去噪、四树复小波包变换去噪和小波域高斯尺度混合模型去噪, 在有效抑制噪声的同时, 具有很好的图像边缘和细节保护能力. 相似文献
9.
提出了双树复小波变换域尺度内和尺度间复系数相关性图像去噪新方法。该方法利用双树复小波变换的多方向性和平移不变性对图像进行多尺度分解,采用邻域复系数微分窗对其高频方向子图进行尺度内复系数相关性建模,并按最小错误率贝叶斯决策规则进行分类和状态标识;再把复系数尺度内状态标识与复小波域隐马尔可夫树相结合,从而实现降噪功能。实验结果表明,该方法在峰值信噪比指标上优于传统的滤波方法,能有效地抑制噪声的同时,对图像边缘具有较好的保护能力。 相似文献
10.
经典Mean Shift目标跟踪算法采用单一颜色特征建立目标模型,在目标颜色与背景颜色相近或遮挡的情况下,目标跟踪鲁棒性差,为此,提出另一种Mean Shift目标跟踪算法。采用Haar型局部二值模式(Haar local binary pattern,HLBP)算子提取HLBP纹理特征,利用HLBP纹理特征具有较强辨识度、对光照变化不敏感等特点,代替原始视频图像序列,建立HLBP纹理特征的空间概率密度分布模型来表征目标特征;在此基础上,在Mean Shift框架下获取目标位置估计值,实现目标的跟踪。对比实验结果表明,该算法具有较高的目标跟踪精度和鲁棒性。 相似文献