基于图像内容的局部化自适应数字水印算法

提出一种小波域基于图像内容的局部化自适应数字水印算法 该算法利用图像中相对稳定的特征点来标示局部水印的嵌入位置 ,并在与每个特征点对应的局部区域 (子图像 )内 ,依据DWT域的水印嵌入策略 ,独立地、自适应地嵌入基于子图像内容的水印 实验结果证明 。

基于小波变换的自适应数字水印算法

随着多媒体和网络技术的迅速发展与广泛应用,对多媒体数字产品(如数字图像、数字视频和音频等)的版权保护成为迫切需要解决的问题。数字水印作为一种新的版权保护手段得到越来越多的应用。本文利用小波变换良好的时频局部特性,提出了一种基于小波变换的自适应数字水印嵌入和检测方案。水印的嵌入位置及嵌入强度都是根据原始图像的特点自动调节,提高了数字水印的隐蔽性,同时把扩频的概念引入数字水印系统中,提高了数字水印的鲁棒性。实验结果表明该算法有较好抗JPEG压缩、随机噪声等攻击的能力。

自适应于局部几何特征的三维模型水印算法

文章针对三维模型提出了一种稳健的三角网格数字水印算法,通过修改从模型中心到各顶点的向量长度来嵌入数字水印。该算法具有如下特点:以全局几何特征作为嵌入对象;将一比特的水印信息分布到整个模型之中;水印的嵌入强度自适应于模型的局部特征。实验结果表明该水印算法能抵抗网格简化攻击,噪声攻击,剪切攻击,以及它们的混合攻击,具有很高的稳健性。

基于权值的自适应正则化超分辨率算法

不精确的配准参数会使图像重建结果不理想。为此,提出一种基于权值的自适应正则化超分辨率算法。自适应局部区域权值根据该区域的可靠性进行自适应运算,利用分水岭分割将参考图像分成不同区域,由此提升重建质量。对真实视频序列的实验结果证明该算法有效。

离散时间系统多模型自适应控制的改进算法

基于最小预测误差控制器设计方法,设计离散时间系统多模型自适应控制器,并引入“局部化”方法。在保证计算精度的同时,大大地提高计算速度。同时证明,对于已知有界参考输入,多模型自适应控制可以保证闭环系统输入输出稳定,输出渐进跟踪设定值。

基于组稀疏残差约束的自适应强噪声图像复原算法

组稀疏学习在图像去噪中显示出巨大的潜力,但现有方法仅从图像块级别考虑含噪图像的非局部自相似性,影响了强噪声图像的重建质量.文中在组稀疏复原模型中引入组稀疏残差和全变分正则化约束,将含噪图像复原问题转化为多尺度图像块匹配和减小组稀疏残差;基于干净图像的组稀疏系数预估和多尺度图像块匹配,提出了自适应图像复原迭代算法,以提升组稀疏学习算法的图像去噪和精细结构复原能力.实验结果表明,文中算法能更好地保留图像的细节纹理,减少过平滑和伪影现象,在强噪声图像复原的主、客观综合评价上优于BM3D、WNNM等标杆去噪算法.

基于BCH编码的局部化标注水印算法

本文提出一种基于BCH编码和小波变换的局部化标注数字水印算法。本算法为公开数字水印算法,提取水印时不需要原图的任何信息。算法利用图像中稳定的特征点标示水印嵌入的位置,在每个特征点对应的局部区域中,独立嵌入预先用BCH容错编码的标注信息(字符串)。当我们只得到部分图像时仍能通过这些特征点来定位并提取水印,读出嵌入的字符串。实验表明,算法对裁剪有很强的抵抗能力,同时对压缩、噪声等也有必要的鲁棒性。此水印算法在不要求准确提取所嵌入的字符信息时,还可以作为鲁棒水印使用;在能保证数据无失真时,则可以嵌入大量标注信息。

基于改进A^(*)算法的室内路径规划算法

针对传统A^(*) 算法存在的不足,尝试根据以下四个步骤生成一种改进型的A^(*)算法:(1)无视化贪婪拓展;(2)局部四叉树栅格建模;(3)自适应性路径修正;(4)路径整合;利用Matlab对传统A^(*)算法、改进A^(*)算法进行对比仿真实验。实验结果中,在运行环境完全相同的情况下,同一个地图环境中,传统的A^(*)算法经历栅格数为153,运行时间为4.204 s,改进的A^(*)算法经历栅格数为31,运行时间为2.455 s。比较后,改进A^(*)算法较传统A^(*)算法在运行时间上减少为原来的58.40%,经历栅格数为传统的20.26%。实验结果表明,改进后的A^(*)算法比较于传统的A^(*)算法在计算量、耗时上均有不同程度的减少。

一种自适应小波网络的构造及其学习算法

基于小波框架的时频局部化性质和自适应投影算法 ,提出了一个新的构造和训练小波网络的学习算法 ,精确地刻画了有限维Hilbert空间自适应投影算法的指数收敛性 .该算法充分地利用了包含在训练数据中的时频信息 ,迭代地确定小波网络隐层结点的个数和网络的权系数 ,较好地解决了小波网络的结构优化问题 .通过应用于信号的表示与去噪 ,进一步证实了该算法是简单和有效的 .

基于学习型敏度的参数化水平集拓扑优化方法

针对水平集拓扑优化方法中敏度推导复杂、无梯度拓扑优化方法浪费计算资源等问题,提出了一种基于学习型敏度的参数化水平集拓扑优化方法。该方法根据结构离散单元的力学信息构造局部状态特征,以局部状态特征为输入、优化目标为输出,建立拓扑优化敏度学习的神经网络模型,并采用自适应协方差进化算法训练神经网络,得到拓扑优化敏度学习的最优神经网络参数。通过数值算例,讨论了激活函数和隐藏层神经元数量对拓扑优化结果的影响,验证了基于学习型敏度的参数化水平集拓扑优化方法的有效性。