改进的DNLS图像分割算法

针对多边形的拓扑性不足造成析取正态水平集(DNLS)模型边缘拟合不完整的问题,提出一种基于高斯马尔可夫随机场(GMRF)模型的析取正态水平集图像分割算法。该算法提取图像的颜色通道信息,利用GMRF模型描述不同颜色通道的纹理特征;重写DNLS模型能量函数,将图像纹理信息、色彩信息加权融入,以颜色特征和纹理特征的组合作为对图像进行分割的依据。在演化迭代过程中,使用分段学习率减少迭代次数,实现快速收敛。该算法降低了噪声对图像的影响,提高了DNLS模型的边缘拟合能力。改进算法通过利用图像的色彩信息及纹理细节信息,能有效抵抗图像噪声和复杂的色彩信息干扰,边缘拟合效果更好、分割准确性更高,具有更强的适应性。通过与其他算法在同等环境下进行分割实验定量对比,验证了该算法的有效性。

基于守恒高阶模型的动态交通分配建模与仿真

针对路网中的动态交通分配问题,采用高阶守恒模型(CHO)进行建模与数值研究,并推广高阶守恒模型二进二出路口的Riemann问题;同时将高阶守恒模型与动态网络加载(DNL)模型相结合,通过变分不等式对动态网络加载模型进行分析.数值模拟采用一阶有限体积法求解高阶守恒模型,同时采用梯度下降方法迭代求解动态网络加载模型的变分不等式问题,最终以动态用户最优条件为目标实现分配均衡.数值结果表明CHO模型与DNL模型结合解决动态交通分配问题是可行的,对传统模型的研究有一定的指导意义.