基于偏微分方程的图像修补方法

根据最小能量化泛函所建立的图像修补模型可以得到其欧拉方程,把该欧拉方程所对应的梯度下降流作用于需要修补的图像,当偏微分方程的解稳定时,此时的解就是修补后的图像.基于该原理建立了一个图像修补方程,并实现了此图像修补算法.从这个修补方法的修补效果可以看到,修补后的图像具有良好的光滑性.     

基于偏微分方程的图像修补方法

根据最小能量化泛函所建立的图像修补模型可以得到其欧拉方程,把该欧拉方程所对应的梯度下降流作用于需要修补的图像,当偏微分方程的解稳定时,此时的解就是修补后的图像．基于该原理建立了一个图像修补方程,并实现了此图像修补算法．从这个修补方法的修补效果可以看到,修补后的图像具有良好的光滑性．     

基于映射复支持度变换的多聚焦图像融合

针对支持度变换在多聚焦图像融合技术方面存在的不足,提出了基于软空间映射的复支持度变换的图像融合方法,该方法将图像信息(实数域)映射到其软空间的象(复数域),在此基础上进行支持度变换,既保留支持度变换已有的优点,又增加了图像的分解信息量,进一步提高了图像融合质量.实验结果表明在主观融合效果与客观评价指标方面与支持度变换相比均有一定提高.     

S·Sn02/SBA-1催化醛氧化醋化反应

以具有三维孔道的SBA-1分子筛为载体,在其表面原位反应制备S·Sn02/SBA-1催化剂.将合成的催化剂样品用于醛的氧化醋化反应,结果表明,在以过氧化氢为氧化剂的较温和反应条件下,S·SnO2/SBA-1不仅可有效催化芳香醛氧化醋化反应,还可高效催化饱和醛和醉类反应,尤其对于一些长链的饱和醇有良好的催化活性.     

基于机器视觉的液晶屏Mura缺陷检测方法

通过分析液晶屏中缺陷检测的必要性和人工检测的不足,研究一种基于机器视觉的液晶屏Mura缺陷在线检测系统。针对液晶屏中的Mura缺陷区域和周围背景对比度低、边缘模糊、形状各异、整体亮度不均等特点,建立模拟人工检测的成像系统。提出单帧图像背景建模和背景差分方法,该方法能有效解决液晶屏的亮度不均问题,同时增强Mura缺陷的特征信息。然后基于最大稳定极值区域(Maximally Stable Extremal Region,MSER),提出Mura缺陷自适应阈值缺陷分割方法,建立一个全自动缺陷在线检测的视觉系统。实验结果表明,所提检测算法能很好地解决液晶屏亮度不均的问题,准确地对Mura缺陷进行分割定位,算法的鲁棒性好。并且该系统人工干预少,效率高,能实现在线自动检测。     

Stokes问题基于泡函数的混合元格式

对Stokes问题利用非常规Hermite型矩形单元,基于泡函数构造了一种混合元格式,给出了这种格式的收敛性分析,这个单元大大减少了整体自由度.     

基于曲率驱动的图像修补方法

利用Euler’s Elastica Inpainting Model建立曲率驱动图像修补模型,基于该模型建立了一个新的曲率驱动图像修补方程,并实现了此图像修补算法.从修补效果可以看到,不仅待修补区域在图像内部时修补后的图像具有良好的光滑性,而且当待修补区域在边缘处时仍具有光滑的水平线和陡峭的边缘.     

S·Sn02/SBA-1催化醛氧化醋化反应

以具有三维孔道的SBA-1分子筛为载体,在其表面原位反应制备S·Sn02/SBA-1催化剂.将合成的催化剂样品用于醛的氧化醋化反应,结果表明,在以过氧化氢为氧化剂的较温和反应条件下,S·SnO2/SBA-1不仅可有效催化芳香醛氧化醋化反应,还可高效催化饱和醛和醉类反应,尤其对于一些长链的饱和醇有良好的催化活性.     

自适应的纹理图像光照不变特征提取方法

为降低光照变化对纹理图像的影响,提出自适应的纹理光照不变特征提取方法。利用小波变换提取对数域纹理图像的高、低频分量,并分别采用不同方法对两者进行处理,提取其光照不变量图像,运用主分量分析法得到光照不变量数据的特征,使用K-最近特征线分类器进行图像分类。实验结果表明,该方法在光照条件复杂的Outex14数据集上能够取得较好的分类效果,分类正确率高于现有方法5．56％--22．10％。     

安全强化学习算法及其在CPS智能控制中的应用

信息物理系统(cyber-physicalsystem,CPS)的安全控制器设计是一个热门研究方向,现有基于形式化方法的安全控制器设计存在过度依赖模型、可扩展性差等问题.基于深度强化学习的智能控制可处理高维非线性复杂系统和不确定性系统,正成为非常有前景的CPS控制技术,但是缺乏对安全性的保障.针对强化学习控制在安全性方面的不足,围绕一个工业油泵控制系统典型案例,开展安全强化学习算法和智能控制应用研究.首先,形式化了工业油泵控制的安全强化学习问题,搭建了工业油泵仿真环境;随后,通过设计输出层结构和激活函数,构造了神经网络形式的油泵控制器,使得油泵开关时间的线性不等式约束得到满足;最后,为了更好地权衡安全性和最优性控制目标,基于增广拉格朗日乘子法设计实现了新型安全强化学习算法.在工业油泵案例上的对比实验表明,该算法生成的控制器在安全性和最优性上均超越了现有同类算法.在进一步评估中,所生成神经网络控制器以90%的概率通过了严格形式化验证;同时,与理论最优控制器相比实现了低至2%的最优目标值损失.所提方法有望推广至更多应用场景,实例研究的方案有望为安全智能控制和形式化验证领域其他学者提供借鉴.