排序方式: 共有13条查询结果,搜索用时 31 毫秒
1.
2.
基于PCNN区域分割的图像邻域去噪算法 总被引:3,自引:0,他引:3
针对小波图像去噪方法中使用的NeighShrink方法,本文提出了一种有效的保护图像边缘的图像去噪算法.主要改进了NeighShrink方法中固定的邻域范围,根据图像自身的性质,自适应分割成不同的邻域对图像进行去噪处理;并进一步结合小波层内相关性,对各个不规则邻域加上固定的窗口,选择了几何距离更为接近且在同一不规则邻域内的系数,以完善NeighShrink方法.该算法采取平稳小波对含噪图像进行分解,以保持相位不变性,并对低频子带利用脉冲耦合神经网络模型进行图像分割,按照一定的规则将性质相似的像素点相接,得到原图像分割后的信息.在处理过程中利用得到的分割信息对边缘予以保护.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留了图像的边缘信息,是一种有效的去噪方法. 相似文献
3.
为提高低成本惯性测量单元(intertial measurement unit, IMU)阵列的行人航位推算(pedestrian dead reckoning, PDR)定位精度,首次提出了采用多层感知机(multi-layer perceptron, MLP)实现低成本IMU阵列数据融合的算法,通过将自主设计的IMU阵列和高精度IMU同步运动来获得IMU阵列的测量数据(包括三轴加速度和三轴角速度)和高精度IMU的测量数据,以高精度IMU的测量数据作为标签,利用MLP将IMU阵列的测量数据融合,预测出物体的实际加速度和角速度,并用定位算法进行验证。在定位实验中,使用MLP融合后的预测数据的PDR定位精度比使用单个IMU测量数据的PDR定位精度提高了33.9%;比使用简单平均处理的IMU阵列测量数据的PDR定位精度提高了20.8%;比使用最小二乘法融合的IMU阵列测量数据的PDR定位精度提高了11.6%,证明了本文所提出方法的可行性和有效性。 相似文献
4.
目前构建基于机器学习的室内可见光定位模型主要依赖于光电二极管和指纹数量,为了降低指纹采集的复杂度,提高定位精度,提出一种基于指纹矩阵稀疏重构的室内三维可见光定位算法。该算法利用极限学习机训练稀疏采样点,采用奇异值分解和交替方向乘子法求解稀疏指纹矩阵的重构问题。该算法可以有效降低指纹的采样率,同时可以基于极限学习机算法较强的泛化能力提高定位速度和定位精度。在此基础上,由于可见光的多径反射等因素的影响,定位区域的边界定位误差大于内部定位误差,通过引入一种边界修正定位算法,可以有效降低边界定位误差。仿真和实验结果表明,与传统的机器学习算法相比,该算法在减少其所需指纹数量的同时,具有更高的定位速度和精度。 相似文献
5.
6.
7.
与有源标签相比,无源RFID标签成本较小,本文选取后者作为待定位标签。但是由于无源RFID标签之间无法通信,目前大多数传统的RFID定位算法一次只能定位一个标签而无法实现多标签同时定位。针对这一问题,提出了基于非度量多维标度(NMDS)的室内RFID多标签协同定位算法。利用到达相位差(PDOA)法拟合在多径存在环境下的测距误差,将待定位标签之间的距离差欧氏距离与非度量多维标度算法结合,计算出待定位标签的位置坐标。仿真结果表明,提出的算法可以通过一次非度量多维标度计算得到所有待定位标签的坐标,同时定位精度高于经典多维标度定位算法和传统三边定位算法。 相似文献
8.
9.
10.