自适应阈值的舌象裂纹检测

舌象中的裂纹是中医舌诊中的重要内容.由于拍摄条件的不同,舌象质量有较大差异,传统的阈值选取方法并不适用.文中提出一种舌象裂纹检测的自适应阈值选择方法.该方法利用舌象的L*a*b色彩特征及区域的分裂-合并,对舌象进行区域分割,自适应地选取舌中部区域的色彩值作为阈值,对整个舌象进行裂纹提取.经验证,本方案对不同的舌象能较好地提取出裂纹,实现舌象裂纹诊断的客观化.     

微绿球藻油脂提取方法的优化

为了提高微藻油脂的提取率,以微绿球藻藻粉为原料,比较了不同提取剂、破壁方法、提取时间以及提取温度等因素对微藻油脂提取率的影响。单因素实验结果表明:所用提取剂中工业酒精的提取率最高;破壁方法中反复冻融破壁提取率最高,超声波次之;提取率随着提取时间的延长而增大,当提取时间大于2 h后,提取率无明显差异;提取率随着提取温度的升高而增大,当提取温度大于55℃后,提取率增大的幅度减小。正交实验优化的微藻油脂提取最佳工艺条件为:以工业酒精为提取剂,反复冻融法破壁,在65℃水浴中提取2 h,可获得较高的提取率,提取率为34.62%。     

FloatBag选择性神经网络集成及其在人脸检测中的应用

神经网络集成利用多个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定.本文提出利用FloatBag的方法择优选择个体神经网络,进而用平均值的方法组合各个体网络.最后,我们将FloatBag方法应用于多角度人脸检测中.实验证明,这种方法优于一般的神经网络集成方法.     

一种提高SVD滤波性能的新方法

提出一种提高SVD滤波性能的新方法。基于奇异值分解滤波可以有效地分析水平（垂直）方向的图像特性。根据图像的局部方向,自适应地调整待滤波区域的形状,使重采样后局部区域中的边缘垂直或水平,再对局部区域进行奇异值分解滤波;所得的结果加权平均,得到信号估计值。将这一算法应用于图像去噪,实验结果表明,新方法可以有效地提高SVD的滤波性能。     

一种绘画效果生成算法

图像的绘画效果由平滑纹理,保持并加强边角获得。给出一种鲁棒的由真实图像自动生成相应绘画效果的算法。算法根据图像的局部结构,自适应地调节滤波器的带宽与形状,来模拟画笔宽度和绘画技法。实验结果表明,算法的处理结果在视觉效果上接近绘画,并且对低质量的输入图像同样有效。     

基于复合感受野的轮廓检测算法

自然场景自动检测目标轮廓是非常困难的。该文提出了一种基于复合感受野的图像轮廓检测仿生模型。在传统的基于抑制模型的基础上引入去抑制机制,在减少背景纹理干扰的同时,保护较弱的轮廓,从而尽量保持轮廓的完整性。实验结果表明,这种仿生模型可以有效地抑制纹理边缘,减少对轮廓的破坏,提高了自然背景中轮廓检测的性能。     

微绿球藻富集油脂的培养条件优化

为了寻找提高微绿球藻油脂含量的培养方法,以微绿球藻为实验材料,比较了光照强度、温度、盐度、氮浓度、光径对油脂含量的影响.在单因素实验的基础上选择对油脂含量影响较大的因素进行正交实验设计优化培养条件.结果表明:选用5 cm的光生物反应器,在光照强度为5 000 lx、光周期L∶D=10∶14、温度24℃条件下缺氮培养,微绿球藻的油脂含量最高,为46.72％.     

融合区域轮廓信息的图像适应

图像显示适应面临展示面积受限、长宽比不固定等问题,已经成为多媒体领域的研究热点之一。关键是收缩后能够凸显图像重要区域,保持连续,避免扭曲。提出了一种基于区域轮廓能量的图像显示适应算法,通过对图像的视觉显著度分析,得到符合人类视觉的图像区域轮廓能量分布图。这样,在缩放过程中,删除或复制表示非敏感内容的低能量线,并且在显示图像内容的同时突出图像中的显著区域。实验结果表明,该方法保持了图像中显著目标的原始比例,具有很好的抗畸变性能。     

基于多特征融合和通道注意力的深度学习云层检测方法北大核心CSCD

目前,基于传统图像处理的云层检测方法多依赖于来自特定传感器的纹理、颜色以及温度等物理特征,这类方法在遥感图像下垫面与云层具有相似的特性时,通常会出现较多错、漏检的情况。在深度学习方法良好性能的启发下,文章为解决这一问题提出了一种新的云层检测方法FANet(feature fusion attention network)。FANet整体由特征提取、解码以及注意力模块组成。在特征提取模块中,FANet不仅保留了自顶向下连接,也新增了多条自底向上和同层连接来缩短信息单向流动和融合的路径,以缓解特征信息丢失的问题。此外,模型引入注意力模块计算各级融合特征图所占的权重,使多层级特征更精准地融合并形成丰富的语义和空间特征。最后,在使用了两个云层检测数据集的对比实验中,FANet分别达到了96.07%和97.03%的准确率,与传统图像方法和其他基于深度学习检测的方法相比,FANet具有准确率高、云层检测边界清晰等优点。