欧美激情亚州激情,首页国产欧美日韩,色欧美在线观看

一種基于分配的車(chē)隊(duì)自組網(wǎng)節(jié)點(diǎn)接入機(jī)制

通過(guò)分析自組網(wǎng)中不同接入機(jī)制對(duì)網(wǎng)絡(luò)通信性能產(chǎn)生的影響，根據(jù)車(chē)隊(duì)自身的特點(diǎn)，針對(duì)車(chē)隊(duì)自組網(wǎng)的組織形式提出了一種基于分配的節(jié)點(diǎn)接入機(jī)制。該機(jī)制將競(jìng)爭(zhēng)信息與業(yè)務(wù)信息相分離，有效地克服了車(chē)隊(duì)自組網(wǎng)中競(jìng)爭(zhēng)信息對(duì)正常業(yè)務(wù)信息造成干擾的問(wèn)題，提高了車(chē)隊(duì)通信的性能

發(fā)表于：2/22/2016

IHS 2016年柔性O(shè)LED需求將大幅攀升

IHS稱(chēng)，隨著三星Galaxy Edge系列手機(jī)和蘋(píng)果手表的大賣(mài)，柔性AMOLED的需求正大幅度上升，顯示器制造商正積極擴(kuò)大產(chǎn)能和柔性O(shè)LED技術(shù)的投資。

發(fā)表于：2/22/2016

智能投影干倒智能電視有幾分勝算

九十年代時(shí)，電視機(jī)成為結(jié)婚必備的三大件之一，它在人們生活中的地位可見(jiàn)一斑。不過(guò)隨著新生代消費(fèi)群體的成長(zhǎng)壯大，主流消費(fèi)群體對(duì)娛樂(lè)顯示設(shè)備智能化程度、娛樂(lè)功能的多樣化以及視覺(jué)體驗(yàn)感等都有了更高的需求，而普通液晶電視顯然無(wú)法完全滿足這類(lèi)消費(fèi)者。

發(fā)表于：2/22/2016

基于小波分解的分層自適應(yīng)圖像增強(qiáng)

針對(duì)具有豐富紋理細(xì)節(jié)的圖像的增強(qiáng)，本文提出了一種基于小波低頻自適應(yīng)分層的算法。該算法根據(jù)圖像小波分解的低頻部分計(jì)算出相應(yīng)的對(duì)比度信息，以實(shí)現(xiàn)自適應(yīng)分層，然后依據(jù)分層的結(jié)果確定自適應(yīng)增強(qiáng)函數(shù)，最后達(dá)到不同程度的增強(qiáng)效果。通過(guò)實(shí)際的實(shí)驗(yàn)表明，所提出的基于小波分解的分層自適應(yīng)增強(qiáng)算法對(duì)具有豐富紋理細(xì)節(jié)的圖片具有較好的增強(qiáng)效果，能夠有效地提高圖像質(zhì)量。

發(fā)表于：2/21/2016

基于雙重輪廓演化曲線的相似圖像組分割模型

ACGS（Active Contours With Group Similarity）模型在CV模型的基礎(chǔ)上結(jié)合了矩陣的低秩性約束，能較好地分割目標(biāo)特征缺失或錯(cuò)誤的相似圖像組，但對(duì)于灰度不均的相似圖像組分割效果較差。而雙重輪廓演化曲線的圖像分割水平集模型在LBF模型的基礎(chǔ)上引入了目標(biāo)內(nèi)外兩條輪廓曲線，很好地克服了LBF模型對(duì)于初始輪廓的敏感性，對(duì)于灰度不均的單張圖像分割效果較好。受此啟發(fā)，本文提出了基于雙重輪廓演化曲線的活動(dòng)輪廓模型來(lái)分割相似圖像組。該模型首先結(jié)合LBF模型來(lái)更好地分割灰度不均的圖像；其次利用ACGS模型的低秩性質(zhì)來(lái)保持圖像間的相似程度，從一定程度上改善了LBF模型在能量函數(shù)最小化時(shí)易陷入局部極小值的情形；最后引入目標(biāo)內(nèi)外的兩條輪廓曲線

發(fā)表于：2/21/2016

貓群算法仿生計(jì)算在圖像聚類(lèi)分析中的應(yīng)用

針對(duì)傳統(tǒng)優(yōu)化算法在圖像聚類(lèi)分析中存在的復(fù)雜度高、容易陷入局部最優(yōu)解的問(wèn)題，提出了使用貓群算法求解圖像聚類(lèi)問(wèn)題。該算法通過(guò)分組和混合策略的機(jī)制進(jìn)行信息傳遞，用貓記憶當(dāng)前群體中的全局最優(yōu)解來(lái)更新自身，提高了算法的搜索能力；闡述了貓群算法的搜尋模式和跟蹤模式，討論了兩種模式下貓群的速度、位置更新公式；并說(shuō)明了利用該算法求解圖像聚類(lèi)分析問(wèn)題的具體步驟。通過(guò)實(shí)驗(yàn)驗(yàn)證了貓群算法在圖像聚類(lèi)分析中的有效性和準(zhǔn)確性。

發(fā)表于：2/21/2016

一種硬件加速OpenCV的圖像處理方法研究

研究了一種基于Vivado HLS加速OpenCV程序的方法，其核心是利用Xilinx高層次綜合工具Vivado HLS，將C++編寫(xiě)的OpenCV程序按照Vivado HLS處理規(guī)范進(jìn)行修改，進(jìn)而將代碼轉(zhuǎn)換為硬件描述語(yǔ)言，可快速生成IP核。結(jié)合Xilinx Zynq SoC架構(gòu)和其視頻圖像處理方面的優(yōu)勢(shì)，通過(guò)軟硬件協(xié)同的方法，實(shí)現(xiàn)OpenCV程序算法向高性能處理平臺(tái)Zynq SoC系統(tǒng)的移植和加速。該方法對(duì)圖像處理軟件設(shè)計(jì)的硬件化加速具有重要的應(yīng)用價(jià)值。

發(fā)表于：2/21/2016

基于光學(xué)特性及其線性約束的圖像檢測(cè)算法

基于圖像紋理和陰影的信息判斷物理光學(xué)特性，根據(jù)該特性是否一致提出一種檢測(cè)圖像真實(shí)性的算法。通過(guò)建立線性規(guī)劃方程限定楔形方向和角度，并運(yùn)用共軛梯度法去判定正確的紋理信息。紋理限定的光源位置或楔形的交集都可以作為判定圖像真實(shí)性的依據(jù)。結(jié)合陰影和紋理的約束條件，使得楔形的參數(shù)更加精確。實(shí)驗(yàn)結(jié)果顯示，所建立的算法可以正確顯示光源的信息和圖像中物體的光學(xué)特性，并判斷圖像是否被篡改。

發(fā)表于：2/21/2016

LED照明閉環(huán)控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

為了節(jié)能和智能控制燈光，構(gòu)建了一個(gè)以STC12C5410AD單片機(jī)為核心的LED照明閉環(huán)控制系統(tǒng)，實(shí)現(xiàn)了對(duì)白光LED照明的閉環(huán)控制功能。該系統(tǒng)利用光敏電阻實(shí)時(shí)采集環(huán)境光線強(qiáng)度，自動(dòng)調(diào)節(jié)白光LED亮度；采用A/D轉(zhuǎn)換將光線強(qiáng)度的模擬量轉(zhuǎn)化為數(shù)字量；采用I/O口實(shí)現(xiàn)對(duì)LED的PWM功率控制；采用電流驅(qū)動(dòng)，電流步距可調(diào)的方式來(lái)調(diào)節(jié)白光LED。通過(guò)測(cè)試表明，該系統(tǒng)提高了照明環(huán)境的品質(zhì)，具有電路簡(jiǎn)單、可靠性強(qiáng)的優(yōu)點(diǎn)。

發(fā)表于：2/21/2016

基于SVD的經(jīng)編賈卡織物圖像檢索

為了充分利用經(jīng)編賈卡織物圖像的廣泛資源，探索“互聯(lián)網(wǎng)+”背景下紡織企業(yè)的信息化道路，探討了織物圖像智能檢索系統(tǒng)的開(kāi)發(fā)設(shè)計(jì)。根據(jù)現(xiàn)有方法特征維數(shù)過(guò)高的不足，提出了運(yùn)用奇異值分解的方法進(jìn)行織物圖像檢索，并使用相關(guān)系數(shù)作為織物圖像間相似度的測(cè)量。最后在MFC框架下，運(yùn)用OpenCV開(kāi)源視覺(jué)庫(kù)進(jìn)行了整體的設(shè)計(jì)與實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)于賈卡經(jīng)編織物檢索速度快，準(zhǔn)確度高，具有一定的實(shí)用價(jià)值。

發(fā)表于：2/20/2016

基于改進(jìn)協(xié)方差矩陣的半色調(diào)圖像分類(lèi)研究

針對(duì)半色調(diào)圖像分類(lèi)中只存在0和1的特點(diǎn)，提出了一種基于改進(jìn)的協(xié)方差矩陣在半色調(diào)圖像中的分類(lèi)方法。根據(jù)協(xié)方差矩陣在實(shí)現(xiàn)半色調(diào)圖像分類(lèi)中個(gè)數(shù)少且并未體現(xiàn)其局部和全局信息的特性，對(duì)協(xié)方差矩陣的底層特征進(jìn)行改進(jìn)。利用樣本的局部特性和核密度估計(jì)方法，實(shí)現(xiàn)黎曼流形上的貝葉斯分類(lèi)策略。實(shí)驗(yàn)中研究協(xié)方差矩陣的底層特征與傳統(tǒng)協(xié)方差矩陣的特征提取方法并對(duì)其進(jìn)行分類(lèi)性能比較。實(shí)驗(yàn)結(jié)果表明，在半色調(diào)圖像分類(lèi)中，與傳統(tǒng)的協(xié)方差矩陣相比較，改進(jìn)的協(xié)方差矩陣提取出的特征在分類(lèi)中平均錯(cuò)誤分類(lèi)率更低

發(fā)表于：2/20/2016

改進(jìn)Retinex算法對(duì)特殊環(huán)境下的車(chē)牌圖像增強(qiáng)研究

針對(duì)特殊環(huán)境（霧天、傍晚）下車(chē)牌圖像由于光線暗淡而使得識(shí)別效果明顯下降的問(wèn)題，提出一種使用改進(jìn)的Retinex算法（五尺度Retinex算法）與冪函數(shù)和雙邊濾波相結(jié)合對(duì)特殊環(huán)境下的車(chē)牌圖像進(jìn)行增強(qiáng)的算法。首先用冪函數(shù)對(duì)霧天、傍晚環(huán)境下的車(chē)牌圖像進(jìn)行處理，再采用雙邊濾波處理，最后經(jīng)過(guò)五尺度Retinex算法處理。與傳統(tǒng)Retinex算法相比，所提出的算法取得了較好的對(duì)特殊環(huán)境下的車(chē)牌圖像增強(qiáng)的效果，改善了車(chē)牌圖像的視覺(jué)效果，并且處理時(shí)間較短，對(duì)現(xiàn)實(shí)生活具有可觀的實(shí)際意義。

發(fā)表于：2/20/2016

基于圖像一致性計(jì)算的目標(biāo)識(shí)別算法

視覺(jué)計(jì)算模型集合了人類(lèi)視覺(jué)系統(tǒng)（HVS）的復(fù)雜特征，并模擬了視覺(jué)輸入的分層感知表達(dá)。自底向上機(jī)制是現(xiàn)代模型中最常見(jiàn)的特征，是指無(wú)意識(shí)的注意，所提出的一致計(jì)算方法模擬自底向上視覺(jué)注意，并通過(guò)一致區(qū)域的計(jì)算來(lái)達(dá)到目標(biāo)識(shí)別的目的。所提模型主要基于對(duì)HVS行為的目前的理解，使用對(duì)比敏感度函數(shù)、感知分解、視覺(jué)掩蔽形成一個(gè)神經(jīng)性視覺(jué)空間，并在此基礎(chǔ)上使用center-surround交互、感知編組和顯著圖的建立來(lái)得到最終的顯著圖。所提模型的性能通過(guò)使用自然圖像來(lái)進(jìn)行評(píng)估，并將其結(jié)果與參照的經(jīng)典的自底向上模型進(jìn)行對(duì)比，結(jié)果表明該模型實(shí)效性高。

發(fā)表于：2/20/2016

基于Tri-training的圖像多特征融合目標(biāo)分類(lèi)

在對(duì)目標(biāo)進(jìn)行分類(lèi)識(shí)別過(guò)程中，對(duì)其特征的有效提取直接影響最后分類(lèi)的精度。針對(duì)此類(lèi)問(wèn)題，提出了基于Tri-training算法對(duì)圖像進(jìn)行多特征融合分類(lèi)，通過(guò)利用Principal Component Analysis（PCA）主成分分析法，并結(jié)合目前比較實(shí)用的半監(jiān)督學(xué)習(xí)Tri-training算法對(duì)圖像顯著目標(biāo)進(jìn)行分類(lèi)，其中Tri-training算法是以Support Vector Machine（SVM）、Na?觙ve Bayes（NB）、Back Propagation（BP）為基分類(lèi)器，將圖像的多特征數(shù)據(jù)值作為圖像在Tri-training分類(lèi)器的輸入對(duì)分類(lèi)器進(jìn)行訓(xùn)練和測(cè)試。實(shí)驗(yàn)表明，在進(jìn)行了有效的預(yù)處理之后，再對(duì)樣本進(jìn)行多特征融合在一定程度上明顯提高了分類(lèi)精度。

發(fā)表于：2/20/2016

基于雙目立體視覺(jué)的圖像增強(qiáng)

戶外視覺(jué)系統(tǒng)采集圖像時(shí)，容易受到低照度等因素的影響，導(dǎo)致捕獲的圖像退化，視見(jiàn)度降低。本文提出了一種基于雙目立體視覺(jué)的圖像增強(qiáng)算法。該算法首先通過(guò)立體匹配處理求解場(chǎng)景視差圖像，然后構(gòu)建廣義雙邊濾波估計(jì)圖像照度分量，根據(jù)Retinex原理求解圖像反射分量，實(shí)現(xiàn)圖像的增強(qiáng)。實(shí)驗(yàn)證明，該算法能夠有效地改善圖像質(zhì)量，提高雙目視覺(jué)系統(tǒng)工作的魯棒性和可靠性。

發(fā)表于：2/19/2016