【摘 要】
：
应用形态梯度算子检测图像边缘关键是选取合适的结构元素。基于量子坍塌理论提出一种新的测量算子，将可疑噪声像素点坍塌为0态，不参与形态运算。量子叠加态结构元素大小随噪声强度自适应增加，从而建立新的量子坍塌形态梯度算子，并应用于脉冲噪声图像边缘检测。实验结果表明，该方法具有很强的抗噪能力，与传统形态梯度算子检测无噪声图像边缘相比，其归一化均方误差随噪声强度增加缓慢:对无噪声图像边缘检测时，该算法与传统形
【机 构】
：
江苏省现代企业信息化应用支撑软件工程技术研发中心,江苏苏州 215104 苏州市职业大学电子信息工程系,江苏苏州 215104
【出 处】
：
2010年全国模式识别学术会议(CCPR2010)
论文部分内容阅读
应用形态梯度算子检测图像边缘关键是选取合适的结构元素。基于量子坍塌理论提出一种新的测量算子，将可疑噪声像素点坍塌为0态，不参与形态运算。量子叠加态结构元素大小随噪声强度自适应增加，从而建立新的量子坍塌形态梯度算子，并应用于脉冲噪声图像边缘检测。实验结果表明，该方法具有很强的抗噪能力，与传统形态梯度算子检测无噪声图像边缘相比，其归一化均方误差随噪声强度增加缓慢:对无噪声图像边缘检测时，该算法与传统形态梯度算子检测结果一致。
其他文献
研制出一种基于ARM7的智能气敏传感器，通过测量气敏薄膜的电阻，并将所测阻值和气体浓度进行校准，从而显示气体浓度。为了减小温度漂移带来的附加误差，提高传感器的测量精度，将气敏传感器所测量的电阻值与加热电压作为输入，气体浓度值为输出，构造了一个双输入单输出的LS-SVR温度补偿模型。通过对气敏传感器的实测数据进行温度补偿，结果表明LS-SVR算法计算简单，学习速度快，并且具有良好的抗干扰能力和小样本
针对主成分分析(PCA)方法和仿生方法在特征提取和降维方面的不足，该文提出一种Gabor特征筛选的仿生人脸识别方法。首先提取人脸图像Gabor特征向量，经2DPCA方法降维处理后运用仿生识别方法对其进行人脸识别。在人脸库上验证了该方法的有效性。实验结果显示，该方法的分类准确性优于仿生识别方法和PCA等方法。
为了研究应用服务器的性能衰退情况，设计了多种场景的客户请求程序和服务器端监控程序，记录了5类各种参数，首先运用主成分分析法实现降维，然后对应用服务器中间件的主要性能指标建立多维时间序列分析模型。根据拟合的模型，给出了系统再生方案。实测数据及分析结果表明，所建立的软件老化模型能较好地拟合原始数据，预测结果可以作为系统再生动作的触发依据。
镜头分割是视频分析和检索的重要预处理环节。基于视频编码原理，本文提出了一种利用视频I帧的DC系数进行镜头分割的算法。算法首先提取I帧DC系数构造DC缩略图，然后利用DC缩略图的颜色矩、颜色空间分布信息熵和颜色直方图等多个颜色特征度量相邻DC缩略图之间的差异度，最后通过选择合适的闽值得到镜头分割结果。试验表明：该算法有效的提高了镜头分割的性能，在一定程度上降低了视频镜头渐变检测的复杂度。
本文提出一种新颖的基于RS(Rough Set)的压缩域镜头识别算法。该算法首先从视频的压缩域数据流中提取I帧信息，以相邻I帧的属性差值为行，多个特征属性为列建立信息系统，并对建立的信息系统进行归一化，离散化处理。其次，采用RS的属性约简理论得到没有冗余的属性核，并采用RS理论进行分类。最后，采用K-均值交叉验证该算法的性能。实验结果表明该算法可以有效地降低运算量和提高镜头识别的准确率。
基于改进的迭代自组织聚类的局部保持映射算法是在局部保持映射算法的基础上，根据贝叶斯准则，采用基于改进的迭代自组织聚类算法确定降维维数。实验证明，采用本方法确定的降维维数更符合实际的最佳降维维数，在图像检索应用方面效果也比主成分分析更好。这是因为本方法考虑了维数和类别数关系，不但没有破坏原始的数据结构，而且最大化地消除了高维向量间的相关性和冗余度，提高了检索精度。
活动轮廓模型经过十几年的发展，已被众多的研究者成功地应用于图像边缘提取、图像分割和分类、图像配准和3D重建等许多领域。在应用过程中，活动轮廓模型本身也获得了不断的完善和发展，涌现出多种类型的活动轮廓模型。Soloblev活动轮廓模型即为最新涌现出的一种富有发展潜力的活动轮廓模型，在某种意义下它可以被认为是一种整体模型，对传统模型有多方面的改进。目前，对它的应用报道尚不多见，但它有望成为一种重要的图
提出用循环对称划分的支持向量机方法解决多分类问题。该算法将多类问题的类别环形排列，依次进行对称划分，构造纠错输出编码矩阵。根据求得的纠错输出编码矩阵，用解码函数水解待求样本的类别。在ORL标准人脸库上进行实验，结果表明，该算法具有较好的分类效果。
支持向量机(SVM)方法并不假设样本的分布条件，它是基于结构风险最小化原则，对小样本情况下的学习问题给出最优解，并且在样本趋于无穷时可以保持良好的一致收敛性。MSVM方法是在SVM的基础上，通过记忆功能，用历次反馈的累积样本代替一次反馈样本，从而增加了学习样本数量，减小了查准率的振荡，提高了检索精度:同时为了减轻用户负担，提出了记忆性标注。实验证明MSVM方法可以避免因训练样本集过小而出现的局部最
单元的密度和质心反映了单元内数据分布特征，利用单元内数据分布特征提出了基于网格相邻关系的多密度聚类算法GAMD。该算法用单元间的相对密度和单元质心距离的相对数来衡量单元间的相似度，并确定边界单元的数据归属，有较高的时间效率。为检验聚类的有效性，提出了拟合度的概念。实验结果表明，该算法能发现任意形状的簇，并能有效地对多密度数据集进行聚类，且聚类结果与数据输入顺序和单元顺序无关。