出行轨迹演绎性时序聚类分割算法

对于大规模出行轨迹数据进行出行方式研究时,除了要对行程中OD(起点-终点)进行提取,还要对其间交通方式进行判别。然而,一段行程中,往往包含多种交通方式,如何更精细地从中提取多种交通方式,提升最终交通规划效果,是目前出行方式研究的关键问题。在使用移动智能终端采集出行轨迹的基础上,对出行轨迹进行不同交通方式的转换点提取,最终提出了演绎性时序聚类分割算法进行出行轨迹的分段,并对其进行实验验证。结果表明算法对于分割不同交通方式段,达到了很高的精度。

基于视觉显著性改进的水果图像模糊聚类分割算法

视觉显著性在探索中不断地发展,是通过人类视觉注意机制从而对有限的认识资源加以分析和利用,提取出重要的信息。视觉显著性在计算机视觉问题中起着基础性的作用,通过对所见资源进行感知并加以分析,从而为后续的工作做准备。图像分割是一种重要的图像分析技术,是对图像处理进行的重要过程,同时有利于对图像进行进一步的分析和理解。水果图像模糊聚类分割法中准确分割水果图像是采摘机器人实现视觉定位的关键技术,其基于视觉显著性的特征及作用,并融合不同方面的图像,从而形成一种新的认识方法。依据视觉显著性感知下的图像分析,对水果的聚类分割方法进行分析和研究,从而提取出合适的特征,实现全方位视觉导航。对水果图像进行准确地分割,在视觉显著性的基础上对模糊聚类算法加以运用,能使水果采摘技术通过视觉定位,从而解决水果图像中过分分割的问题,满足人们在水果分割中不断发展的需求。

基于稀疏中智聚类的图像分割算法

聚类算法是机器学习领域的重要研究课题之一,基于聚类的分割算法无需图像的任何先验信息,减少了人为干涉,所以该算法已广泛应用于图像处理的多个领域。中智聚类算法由于其处理不确定性问题的优越性,而被广泛用于图像分割算法。本文从中智聚类基础性的研究算法(FC-PFS)出发,提出了一种新的基于稀疏正则项的中智聚类算法。首先引入正则化项,增强隶属度矩阵的稀疏性,其次引入数据k近邻,给出正则化项参数的优化方案,降低调参难度,从而学习到结构合理且稀疏的隶属矩阵,提高中智聚类算法的聚类性能,同时利用提出的算法在无噪声图像,不同方差的高斯噪声及不同密度的乘性噪声图形上进行图像分割,试验结果验证了基于稀疏正则项的中智聚类算法是合理且有效的。

基于PSO和视觉显著性的棉花图像分割算法

针对自然光条件下具有复杂背景的棉花图像,提出了1种新的图像分割方法。首先,利用粒子群优化(PSO)算法进行聚类预处理,去除图像中较暗区域;其次,利用简单线性迭代聚类(SLIC)算法构建超像素,并用1种改进的方法检测每个超像素在图像中的独特性和分布情况权值,利用检测结果逐像素计算显著度获得整幅图像的显著图;最后,利用连通域面积去噪方法得到棉花图像分割结果。结果表明,该方法能有效去除图像的复杂背景,消除强光和阴影影响,准确地将棉花图像从背景中分割出来,效果较理想。

基于图像分割算法的烤箱烘焙均匀性测试研究

目前家用烤箱烹饪效果的测试主要是参考IEC 60350-1:2016,利用标准色卡和食品尺寸特征,来测试烤箱热分布情况。利用标准色卡的分色方法在人工判断时误差较大,测试的重复性和再现性较差。本文对利用图像分割算法来测试烤箱烘焙均匀性进行了研究,认为超像素分割算法的应用可以提高烤箱烘焙均匀性评价测试的准确度。

基于空间约束的快速FCM纱线表观均匀性检测

探讨基于空间约束的快速模糊算法用于纱线均匀性检测的效果。提出了一种基于空间约束的快速模糊C均值算法,对纱线图像进行阈值分割,并用该方法检测了6种不同线密度的环锭纺纯棉纱的表观均匀性。试验表明:该算法通过放大最大隶属度值的同时抑制次最大隶属度值,具有抗噪性能强,收敛速度快的优点;检测所得结果与USTER CLASAIMATE 5型纱疵分级仪的测试结果相近。认为:将基于空间约束的快速模糊算法用于纱线表观均匀性检测的方法准确可行。

基于电力数据挖掘的涉污企业用电量预测方法研究

为对工业涉污企业进行准确管控,提出一种基于用电特性聚类与ConvLSTM神经网络算法结合的涉污企业用电量预测方法。对于企业用电数据中的数据异常与缺失的问题,采用局部离群因子算法(LOF)筛选异常值后输入至灰色模型中进行校正;通过K⁃means算法对修正后的企业历史用电数据进行特征提取并分析其用电特征,考虑影响用电量的因素不仅包括日期特性、节日特性,还提取了重污染天气下政府对涉污企业的管控特性;构建ConvLSTM模型,充分挖掘企业数据时序性特征,有效提高涉污企业短期用电量预测精度。选择四川省成都市涉污企业的用电数据验证模型算法的有效性。验证结果表明,所提方法对于不同企业、不同类型日期均更有效,能更精确地预测企业未来用电的趋势。

基于改进显著图和局部特征匹配的copy-move窜改检测

检测整幅窜改图像的方法增加了许多非必要的计算量,为了降低计算复杂度和进一步提高检测精确率,提出了一种基于改进显著图和局部特征匹配的copy-move窜改检测方法。首先,结合图像梯度改进显著图,分离出包含图像高纹理信息的局部显著区域;其次,只对该局部区域采用SIFT(scale invariant feature transform)算法提取特征点;然后,对显著性小的图像采用密度聚类和二阶段匹配策略,对显著性大的图像采用超像素分割和显著块特征匹配的策略;最后,结合PSNR和形态学操作来定位窜改区域。在两个公开数据集上进行实验,该方法的平均检测时间小于10 s,平均检测精确率大于97%,均优于所对比的方法。实验结果表明,该方法能够大幅缩减检测时间、有效提高检测精确率,并且对几何变换和后处理操作也都具有较好的鲁棒性。