基于全散度的C-V模型阈值法

为了提高传统C-V模型的收敛速度并降低其对噪声的敏感性,提出基于全散度的C-V模型及其快速阈值分割算法。将Bregman散度与全散度统一获得新的全散度,并将其引入C-V模型的拟合偏差项,提高图像灰度值与分割区域平均灰度偏差值计算的鲁棒性。同时,采用变分水平集理论获得基于直方图的快速阈值计算方法。实验结果表明,该方法分割效果及收敛速度得到提高,且具有较好的鲁棒性和抗噪性。

基于参数化全散度的C-V模型阈值分割方法

针对传统C-V模型收敛速度慢且不完全适合灰度不均匀图像分割的问题,提出基于参数化全散度的C-V模型及其相应的快速阈值分割算法。将全散度引入传统C-V模型并获得一种改进的区域活动轮廓模型,然后,采用水平集和变分法相结合得到该模型所对应的偏微分方程,并通过数值求解该方程获得适合图像分割的快速迭代算法。实验结果表明,该方法分割效果及收敛速度明显提高,且具有较高的鲁棒性和抗噪性。

基于全散度的变分CV模型及其分割算法

CV模型在图像灰度不均匀或有噪声干扰时,易出现错分现象,因此将全散度引入变分CV模型,提出了基于全散度的变分CV模型及其迭代分割算法。分析基于欧氏距离所对应的变分CV模型分割算法存在的问题和不足,通过图示说明全散度相对于欧氏距离在距离计算与坐标系选择无关的优势,将其引入变分CV模型拟合偏差项,来提高图像灰度值与分割区域平均灰度偏差计算的鲁棒性。然后,采用欧拉-拉格朗日变分法获得全散度变分CV模型的偏微分方程,并采用数值计算方法获得该偏微分方程的迭代求解算法。同时在全散度变分CV模型中,增大拟合偏差项的权重系数,加大拟合偏差项在变分模型中的重要性。实验结果表明,全散度变分CV模型具有初始化敏感低、抗噪性强、鲁棒性高等优点。

原料药生产中的在线检测

联邦制药（内蒙古）有限公司是重要的6-APA原料药生产厂家之一，坐落于巴彦淖尔经济开发区——青霉菌发酵过程需要相对适合其生产繁殖的环境，pH值作为其重要生产指标，根据工艺不同，需要严格控制其范围。本文根据笔者多年来使用梅特勒一托利多在线检测pH和在线溶氧整套装备整理而成。