基于中心对称特征耦合仿射度量模型的图像匹配方法

针对当下较多图像匹配算法利用距离度量法来实现特征匹配,没考虑图像仿射变换的影响,使得匹配结果准确率不高的问题,提出了中心对称特征耦合仿射度量模型的图像匹配算法。首先,引入Forstner算子,利用像素点的GS梯度特征提取特征点;然后,利用图像的Haar小波信息与中心对称像素点的灰度值,求取特征向量;接着,利用特征点之间的旋转、平移以及缩放的仿射特征,构造仿射度量模型,利用其计算出匹配的特征点对;最后,采用结构相似度(SSIM)函数,计算匹配点对的结构相似性,对匹配点对去伪求真,以求取最优匹配效果。实验结果表明,与当下匹配方法相比,所提算法不仅能更准确地实现图像匹配,而且还能够更好地适应具有仿射变换关系图像之间的匹配。

关注探究活动 优化数学教学——以“中心对称与中心对称图形”的教学为例

教育对人类的发展具有推进作用,数学教育教学不仅仅是教授知识,更重要的是培育学生.关注课堂探究活动的开展,能有效优化数学课堂教学,提升学生的数学思维品质.文章以“中心对称与中心对称图形”的教学为例,具体从四个探究环节出发谈谈怎样借助探究活动进行数学教学.

借助分类和类比,探索图形变化的性质——《中心对称》教学与思考

《中心对称》一课,是在学生学习了“轴对称和轴对称图形”“图形的旋转”,初步积累了一定的图形运动变化的活动经验的基础上教学的。因此,可以引导学生类比轴对称的学习过程,从概念、性质、作图、中心对称图形四个方面开展本节课的学习:在分类中认识中心对称,在类比中探索中心对称的性质和作图方法,在应用中归纳中心对称图形的特征。

基于统计特征中心对称局部二值模式的虹膜识别

由于中心对称局部二值模式(CS-LBP)的虹膜识别具有特征维数高、对噪声敏感等缺点,提出了基于统计特征中心对称局部二值模式(SCCS-LBP)的虹膜识别方法。首先,根据虹膜纹理的分布特性,用CS-LBP对归一化的虹膜图像进行编码;为了进一步降低特征维数,对编码后的图像进行特征统计。然后,根据统计结果的分布,提取出有效的二值特征图像。最后,用Hamming距离进行虹膜识别。对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别,最高正确识别率分别为99.955%、99.848%、99.989%、99.916%。实验结果表明:该方法有效地利用了虹膜纹理分布特性,与LBP和CS-LBP方法相比,具有更少的特征维数、更高的正确识别率和更好的鲁棒性。

广义中心对称矩阵的结构与性质

首先讨论广义中心对称矩阵的结构和性质,并由此把广义中心对称矩阵推广到一类更广泛的矩阵———Pn-对称矩阵.然后重点研究Pn-对称矩阵的性质.最后给出两种特殊类型的广义中心对称矩阵,同时也证明了这两种特殊的广义中心对称矩阵是自反矩阵.

数学与艺术:图案的对称与和谐——以中心对称为例

数学与艺术看似截然不同的两个领域,实则有许多内在的联系。艺术创作中的对称与和谐原则往往体现了数学的思维方式。中心对称,作为数学中一个基础而重要的概念,它描述的是当一个图形围绕某一点旋转180度后,能够与自身完全重合的状态。这一概念不仅仅存在于数学公式和证明中,更在实际生活中有着广泛的应用。在初中数学中,通过学习中心对称有关知识,学生可以更好地理解图形的结构和性质,进一步探索几何图形的奥秘。本文以中心对称为例,从多个维度揭示数学与艺术之间的紧密联系。

初中数学概念教学的“PACI”模式建构与实践——以“旋转对称图形与中心对称图形”为例

1引言未来需要具有创造性问题解决能力的人才.创造性问题解决能力的培养,关键在于将学科知识转化为可迁移的概念性理解,使学习的过程变得具体可见^([1]).通过理解形成复杂的认知结构,才有可能促成高通路迁移、达成创造性解决问题.脑科学证实,大脑整体表现取决于大脑突触分裂和关联的复杂程度^([2]).

渗透学科德育增强课堂厚重感--以苏科版“中心对称与中心对称图形”为例

借助中国传统文化中出现的中心对称图案和苏州园林花窗的部分图案,让学生充分认识中心对称图形的特征、欣赏中心对称图形的美;合理设计探究活动,让学生在合作交流中了解中心对称的性质并应用;安排设计班级台标的任务,让学生学有所得、学有所用.在教学中合理渗透学科德育,增强课堂厚重感.

求一般线性矩阵方程组中心对称解的迭代算法

该文建立了求一般线性矩阵方程组的中心对称解的迭代算法.使用该算法不仪可以判断矩阵方程组是否存在中心对称解,而且在宵中心对称解时,还能够在有限步迭代计算之后得到矩阵方程组的极小范数中心对称解.同时,也能够在矩阵方程组的中心对称解集合中求得给定矩阵的最佳逼近.

广义特征值反问题AX=BXΛ的中心对称解及其最佳逼近

证明了广义特征值反问题AX =BXΛ的中心对称解恒存在 ,给出了其解的一般表达式 。

关于中心对称矩阵的矩阵与矩阵乘积的计算

给出了计算矩阵与矩阵乘积W=AP的几种算法(其中A或P为中心对称矩阵或中心Hermitian矩阵),与计算矩阵与矩阵乘积的传统算法以及Strassen算法相比较,计算量约节省一半、所需内存可节省一半。另外,当A或P为斜中心对称矩阵时也有相似的结论。

中心对称幅值相位二值模式单样本人脸识别

针对传统单样本人脸识别效果不佳的问题,提出一种基于中心对称幅值相位二值模式(CMPBP)的单样本人脸识别算法。将人脸图像分别与高斯函数的一阶导数做卷积运算,求取图像的梯度分量,计算出梯度幅值和梯度相位;将梯度相位量化,用中心对称局部二值模式(CSLBP)算子对梯度相位和幅值分别编码,将三者串接形成人脸图像的CMPBP特征;分块统计直方图的信息,把所有小块的直方图串联后作为人脸图像的特征向量,利用直方图相交进行分类识别。在AR和CMU-PIE人脸库上验证了该方法的有效性,其对光照变化、表情变化和部分遮挡等环境下单样本人脸识别具有较好的效果。

一类矩阵方程组的中心对称解与反中心对称解

主要研究了矩阵方程组AX=B,XC=E的中心对称解与反中心对称解。利用中心对称(反中心对称)矩阵的性质,给出了矩阵方程组中心对称解(反中心对称解)存在的充分必要条件和解的一般表达式。进而讨论了对任意给定矩阵的最佳逼近问题,并给出了问题1的最佳逼近解。

四元数矩阵方程AXB=C的中心对称解

利用体上双矩阵分解 ,给出了实四元数矩阵方程AXB =C有中心对称解的充要条件及其解的通式 .

中心或反中心对称的线性方程组的迭代算法

研究中心或反中心对称矩阵的线性方程组Ax=b的迭代算法,充分利用中心或反中心对称矩阵的性质,给出求方程组解的两个迭代算法.两个数值例子说明算法是可行有效的.

求矩阵方程的反中心对称解的递推算法

提出一种求矩阵方程AX+XB=D反中心对称解的递推算法,该算法不仅能够判断反中心对称解的存在性,而且能够计算反中心对称解.选取特殊的初始矩阵时,该算法可以求出矩阵方程的极小范数反中心对称解,以及对给定矩阵进行最佳逼近的反中心对称解.

基于双向梯度中心对称局部二值模式的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种双向梯度中心对称局部二值模式(BGCSBP)的单样本人脸识别算法.首先获取人脸水平和垂直方向的梯度信息,并将其用CS-LBP算子进行编码;然后将二者融合成人脸的BGCSBP特征,再通过分块统计直方图的方式得到人脸的直方图特征;最后采用直方图相交进行分类识别.在CAS-PEAL,Extend Yale B和AR人脸数据库上的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.

反中心对称矩阵反问题的最小二乘解

讨论反中心对称矩阵反问题的最小二乘解 ,得到了解的具体表达式 .并讨论了用反中心对称矩阵构造给定矩阵的最佳逼近问题 ,给出了该问题有解的充要条件和解的表达式 .

矩阵方程A_1X_1B_1+A_2X_2B_2+…+A_lX_lB_l=C的中心对称解及其最佳逼近

设矩阵X=(x_(ij))∈R^(n×n),如果x_(ij)=x_(n+1-i,n+1-j)(i,j=1,2,…,n),则称X是中心对称矩阵.该文构造了一种迭代法求矩阵方程A_1X_1B_1+A_2X_2B_2+…+A_lX_lB_l=C的中心对称解组(其中[X_1,X_2,…,X_l]是实矩阵组).当矩阵方程相容时,对任意初始的中心对称矩阵组[X_1^((0)),X_2^((0)),…,X_l^((0))],在没有舍入误差的情况下,经过有限步迭代,得到它的一个中心对称解组,并且,通过选择一种特殊的中心对称矩阵组,得到它的最小范数中心对称解组.另外,给定中心对称矩阵组[(?)_1,(?)_2,…,(?)_l],通过求矩阵方程A_1(?)_1B_1+A_2(?)_2B_2+…+A_l(?)_lB_l=(?)(其中(?)=C-A_1(?)_1B_1-A_2(?)_2B_2-…-A_l(?)_lB_l)的中心对称解组,得到它的最佳逼近中心对称解组.实例表明这种方法是有效的.

谱约束下实中心对称矩阵的最佳逼近

本文讨论了在谱约束条件下中心对称矩阵。