基于颜色信息与区域生长的图像分割新算法

提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法B-JSEG．该算法是在彩色图像分割的JSEG算法和边缘检测中的方向算子的基础上实现的．根据已有算法的缺陷，利用新的参数描述纹理颜色信息，并通过区域增长和合并来获得最后的分割结果．由于在JSEG算法中加入了方向算子，同时考虑了区域的相似性和边界的非连续性，减少了过分割．大量图像的实验结果表明，所提出的算法具有很好的鲁棒性，比JSEG算法更符合人类的视觉感知．

一种新的基于背景的红外图像分割方法

针对红外图像中目标周围的背景往往比较均匀的特点,文中提出了一种基于背景区域的目标提取方法。首先利用局部熵信息检测到目标的位置,并在此基础上获得一个包含目标的感兴趣区域,最后通过基于直方图搜索的区域增长法来提取感兴趣区域中的背景部分,从而有效地将背景和目标进行了分割,实现了目标完整提取的目的。由于是在感兴趣区域进行提取而且对直方图进行搜索,克服了区域增长法计算量大的缺陷。试验结果证明,该方法能有效且完整地提取目标。

基于颜色信息与区域生长的图像分割新算法

提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法B-JSEG.该算法是在彩色图像分割的JSEG算法和边缘检测中的方向算子的基础上实现的.根据已有算法的缺陷,利用新的参数描述纹理颜色信息,并通过区域增长和合并来获得最后的分割结果.由于在JSEG算法中加入了方向算子,同时考虑了区域的相似性和边界的非连续性,减少了过分割.大量图像的实验结果表明,所提出的算法具有很好的鲁棒性,比JSEG算法更符合人类的视觉感知.

一种基于感兴趣区域的红外目标提取方法

针对复杂背景下的红外图像的小目标提取问题,提出了一种新的红外图像自动分割方法.为了更好地控制计算复杂性及目标提取的准确性,本方法建立在通过自适应 Butterworth 高通滤波器找到的感兴趣区域之上并充分地利用了该区域中背景信息比较简单、目标易被分割的特性.同时,考虑到像素灰度是红处图像区分目标与背景的重要因素,而像素间的相邻度则能较好的防止虚警的产生,结合像素的灰度和相邻度的综合关系提出了一种新的分割原则.实验证明,新算法取得了很好的效果。

Karel在面向对象程序设计课程教学中的应用

探讨教育编程语言Karel在面向对象程序设计课程入门介绍中的应用,通过实践和调查指出教育编程语言可以降低学习难度,利用Karel设计的游戏竞赛可以显著提高Java初学编程者的兴趣。

基于半监督学习的多源异构数据治理

为实现不同数据管理系统之间的互通,提出一种基于半监督学习算法的多源异构数据治理框架,并由此设计、实现和测试了一套非结构化数据与结构化数据的自动化对齐方法。利用命名实体识别(NER)技术,将非结构化数据转化为结构化数据,再分别利用基于字符串相似度的方法和基于监督学习的方法,对结构化数据进行模式匹配;通过半监督学习方法,在结构化数据与数据库记录实体之间进行实体匹配与融合;利用自然语言处理(NLP)技术及深度学习方法,对融合后的数据集进行缺失值填补。结果表明:在论文数据集和视频元数据集上进行对齐处理后,两者的F1值分别达到89.70%及96.50%;在不同属性上进行缺失值填补后,整体填补准确率达到78%以上,大大优于基线方法的准确率。

基于弹幕情感分析和聚类算法的视频用户群体分类

随着数字媒体等技术的发展,出现了弹幕系统这种新型的评论模式并逐渐流行。它能够使视频观众即时发布关于视频情节内容的评论,也可以帮助观众理解视频内容。弹幕文本数据的产生,为短文本处理和实时数据处理提供了新的素材。研究弹幕数据的特点和其表达的情感,可以帮助我们更好地理解视频情节;研究弹幕内容之间的相似度进而分析用户之间的关联关系,不仅能够深入了解弹幕用户的特点、发掘不同视频之间的潜在联系,而且可以为视频制作时受众群体的选择提供更为准确的解决方案。首先将弹幕文本数据进行收集和预处理,然后计算这些文本的情感值。针对弹幕文本口语化的特点,建立了网络弹幕常用词词典。通过改进传统的k-means聚类算法,对所有发表弹幕的用户进行基于情感值的分类。这样的分类可以帮助我们了解观看特定类型视频的观众在情感上的异同点。

基于深度信号处理和堆叠残差GRU的刀具磨损智能预测模型

刀具磨损的智能监测是影响现代机械加工业智能化发展进程的重要因素。在机械加工过程中,大多数机床通过使用传感器采集信号,从而建立刀具磨损与传感器信号之间的关系,在不中断加工过程的情况下中实现刀具的磨损预测,根据是否达到磨损阈值来判断是否自动换刀或报警以实现在线智能监控。能否从传感器信号中提取有效的特征信息,并且建立一个快速响应且精确的预测模型是一个亟待解决的问题。因此,针对上述问题,提出了一种基于深度信号处理和堆叠残差GRU的刀具磨损预测模型。在信号处理方面设计了BiGRU-Self Attention(BGSA)模块,利用双向门控循环单元和内部注意力机制来获取动态时序特征,反映出不同特征的影响程度,以提高建模效率。同时,提出堆叠残差GRU(Stacked-ResGRU)模型实现对刀具实时磨损值的预测,通过残差结构优化了网络结构,加快了模型的收敛速度。通过使用公开的数据集,对铣削过程中刀具的磨损状态预测进行实验研究,实验结果验证了该方法的可行性与有效性。通过对实验结果的对比分析可知,所提模型能够有效地表征刀具磨损程度,并大大减小了预测误差,取得了良好的预测效果。

基于电信数据的室外定位技术研究

越来越多的移动计算依赖位置信息提供基于位置的服务,移动设备的室外定位技术至关重要。目前广为采用的方式是GPS,但移动设备端的GPS位置信息依赖移动设备如手机的GPS传感器获取,电信运营商虽然为用户提供通话和数据服务,却无法获得用户的精确GPS位置。针对这种情况,提出利用手机端和电信基站之间的连接信号数据(简称电信数据),实现移动设备的定位服务。考虑到电信运营商积累了海量的电信数据,因此通过研究基于电信数据的室外定位技术,使得运营商获取用户位置成为可能。提取电信特征数据、以手机所在GPS位置作为标签数据,研究了五种基于机器学习模型的室外定位算法,实现了从基站信号数据到GPS坐标点的预测,通过大量的实验对比了这些方法的定位精度和运行时间、不同数据收集模式的定位精度、不同特征的定位精度以及探索了后处理对定位精度的提升效果。最终通过实验可知,基于栅格化的随机森林分类模型是效果最好的方法,能够达到15~20m的平均误差和10m的中位误差,比前期回归算法在2G和4G数据分别实现了39.46%和54.28%的精度提升,取得与GPS定位接近的定位精度。