基于形态学top-hat算子的多传感器图像融合

本文根据形态学top-hat算子能够提取图像中极大值与极小值区域的特点,将其应用于多传感器图像融合的两个重要领域——多聚焦图像融合和高分辨、多光谱图像融合.实验中将本文方法与Laplacian塔型变换、子波变换、主分量分析等方法进行了比较,结果表明本文所提的基于top-hat算子的融合方法具有优越的性能,拓广了top-hat算子的应用范围.     

提高Windows操作系统的"办事"效率

使用计算机的人们常常会抱怨一句“这破机器,启动、操作都太慢了!”诚然,计算机的整个启动过程没有三分钟是下不来的,如果安装的软件很多,并且大都是常驻程序的话,启动时间会更长。信息时代,一切讲快!下面就让我们来看看如何将Windows提速!     

先生之风

先生多是蔼然的长者,我的求学,遭遇到的,皆是纵千金也难以礼聘的好先生。说礼聘,似乎有些摆阔。少时家贫,拿什么“礼”去聘先生呢。而且聘的又多半是学究之类,做“八股文”的,我的年纪尚轻,要说设家馆聘塾师,那是数十年前才会有的事。所谓礼,也可以释作虔诚、恭敬,聘却不能,因为人总是要生存的。我和我的启蒙先生,同住一村。我的荷塘乡间的老屋,与先生家只隔着一座浅浅的山丘。二十年前,村里建了一座小学,先生便做了我们的先生,讲授语文和     

组织协同进化分类算法用于雷达目标一维像识别

针对雷达目标一维像识别问题，提出了一种基于组织协同进化分类算法的识别方法．该方法与现有进化分类方法的不同之处在于它的进化操作直接作用于样本而不是规则，采用了一种自下而上的搜索机制，即先使若干样本的集合得到进化，再从进化结果中提取规则．这样有利于避免在进化过程中产生无意义的规则．该方法不需要进行特征提取；对于高维数据，不需要预先进行降维处理；没有复杂的运算，训练和识别的速度都很快．对3种飞机微波暗室实测数据的识别实验表明，该方法性能稳定，优于基于支撑矢量机与子波核函数的方法，识别率均达到了96％以上．实验中还对算法的抗噪能力进行了测试，获得了良好的效果．     

网络BBS

动物语录大熊猫:哈哈,想要风光吗?学我爷爷奶奶他们啊,熊和猫结婚。恐龙:不好意思,死得太早了,让你们伤脑筋了!狐狸:明明是高级香水,你们却说是狐臭。猪:吃啥补啥,我若不聪明,你们吃我补啥?袋鼠:唉,没钱,口袋再大也还是鼠!老鼠:唉,成天为吃喝担惊受怕的,能不老吗?!苍蝇:我和蜜蜂的最大差别在于口味不同。熊:还是胆小些好啊!蜈蚣:为了省钱,我从来不穿鞋。荧火虫:谁要学放电?蝉:哼!不买票,就别怪我乱唱。螳螂:怎么没酒店雇我切菜?金庸人物成名曲萧峰:我是一匹来自北方的狼,走在无垠的旷野中……段正淳:爱江山更爱美人,哪个英雄好汉宁愿孤单……     

基于组织协同进化分类算法的遥感图像目标识别

针对遥感图像目标识别问题,提出了一种基于组织协同进化分类算法的识别方法。它没有复杂的运算,训练和识别速度都很快。对实测遥感图像的实验表明,本文方法性能稳定,优于文献[3]和[4]中基于支撑矢量机的方法,识别率均达到了95％以上,且训练时间非常短,不到1秒钟。     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别.     

都市散仙李白也艳羡

他们不是小资,不是BOBO族,他们是散仙！字典上没有散仙这个词,但对大都市中活得自在、玩得开心的这拨儿人来说,惟有“散仙”才能形容出他们的生活状态。他们真正是自己生活的主人,热爱生命、懂得享受,他们的生活,简直就是我们梦想了一万年想要过上的那种生活。逍遥?自我?惬意?都不足以形容！说了,他们就是散仙！     

基于面向分类准则的维数约简及其在人脸识别中的应用

针对高维数据导致的维数灾难问题,提出了一种基于面向分类准则的维数约简方法。所提准则使每个训练样本在特征空间中与同类样本尽可能接近,而与异类样本尽可能疏远。首先对每个训练样本定义同类样本加权平均距离和异类样本加权平均距离。然后基于上述两个概念分别定义总体同类距离和总体异类距离。以最小化总体同类距离和最大化总体异类距离为目的提出了面向分类的准则(Classification Oriented Criterion,COC)。最后,基于面向分类的准则推导出了一种新的维数约简方法。在公共人脸数据库ORL和Yale上的实验表明所提方法性能优于有代表性的维数约简方法。     

基于稀疏表示的多示例图像分类

为了有效地解决多示例图像分类问题,基于稀疏表示提出了一种新的多示例图像分类方法.该方法将图像看作多示例包,图像中的区域作为包中示例,利用示例嵌入策略计算包特征;然后将待分类图像包特征表示为训练图像包特征集上的稀疏线性组合,利用Z1优化方法求得稀疏解;最后根据稀疏系数提出一个为待分类图像预测标记的方法.在Corel数据集上的实验结果表明,与其他方法相比,所提方法具有更高的分类精度.