排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
随着高等教育信息化逐步深入,在线教学与课堂教学优势互补的混合式教学方法受到广泛关注。这种模式强调学生的学习主体地位,在教师的引导下,注重学习效果和学生自主学习的能力培养。科学合理的组织和展开混合模式教学,也是一个逐步摸索、探讨、实践至成熟的过程,并会对高等学校教学产生积极的作用。 相似文献
2.
3.
图像分割是对图像进行后续处理的关键步骤之一,传统主动轮廓模型在目标图像背景较为复杂的情况下很难精确地进行图像分割。为了精确且快速地进行图像分割,以便更加有利地进行后续相关图像处理操作,在对传统主动轮廓模型进行相关研究的基础之上,提出一种基于区域信息主动轮廓模型的图像分割方法。将图像区域信息融入主动轮廓模型的能量函数中去,减弱了模型对图像区域信息突变所造成的图像误分割;改进该模型能量函数内外曲线的拟合中心,以此减少图像噪声点对拟合中心准确性的影响;利用信息熵改进曲线内外能量函数权重,以此提高曲线的演化速度。实验结果表明,与传统CV(Chan_Vese)模型等四种模型相比,该方法所分割的图像更加精确,且在算法分割效率上具有较明显的优势。 相似文献
4.
图像分割是数字图像处理中不可或缺的关键步骤。为了解决传统主动轮廓模型针对非匀质图像分割结果不准确且分割效率低的问题,提出一种结合分布度量统计建模的主动轮廓图像分割算法。所提算法的能量驱动力兼顾了图像的全局统计建模信息和其他混合灰度分布信息,使得分割曲线能够更加精确地演化至目标边缘。分布度量能量驱动力定义为轮廓内外概率密度函数定义的比率距离的方差,该能量驱动力基于图像全局信息统计建模,能够更加精确地描述轮廓曲线内外的能量变化;混合灰度分布能量驱动力由图像灰度值与融合均值与中值的区域拟合中心的L2范数表示。将分布度量能量驱动力与混合灰度分布能量驱动力组合形成新的能量泛函,利用水平集方法和梯度下降法迭代求得该能量泛函的最小值,以获得最终的图像分割结果。与传统CV(Chan Vese)模型、LBF(Local Binary Fitting)模型等四种算法的图像分割结果相比,所提模型在主观视觉效果、对初始轮廓的敏感性、运行时间和迭次次数方面均具有较大优势。 相似文献
1