基于主体区域保持的图像缩放算法

基于插值运算的缩放算法和经典的缝裁剪算法是两种常用的图像缩放算法,传统的缩放算法在缩放比例不一致的情况下其效果不佳,而缝裁剪算法在主体区域较大或者图像背景较为复杂时对图像的主体区域会造成一定破坏。针对以上问题,提出了一种基于主体区域保持的图像缩放算法,使用高斯差分对图像进行角点检测,利用角点产生凸包,根据凸包对图像进行主体区域检测,计算能量图并对位于主体区域像素点的能量给予相应的权重,根据权重的不同对主体区域进行不同程度的保护。实验结果表明,该算法能更好地保持图像主体区域。

融合对比度与背景先验的显著目标检测算法

针对已有的显著检测算法对背景复杂的图像检测效果较差的问题,提出融合对比度与背景先验的显著目标检测算法.首先将图像划分为感知均匀的像素块,再根据对比度先验定义图像的显著边缘、像素块的全局对比度及颜色相似像素块的空间分布,得到任一像素块与前景的相关性;然后根据背景先验将图像边界像素块定义为伪背景区域,通过计算像素块与伪背景区域的相似度得到像素块与背景的相关性;最后通过能量优化函数结合像素块与前景、背景的相关性,得到该像素块的显著值.实验结果表明,与同类算法相比,该算法能更好地使显著目标整体高亮,抑制背景噪声,得到较符合视觉感知的显著图.

面向位置预测的动态轨迹模式挖掘

针对海量的用户轨迹数据进行研究,提出一种动态分析移动对象轨迹模式、预测轨迹位置的方法(PRED)。首先使用改进的模式挖掘模型,提取轨迹频繁模式(简称T-模式);然后提出DPTUpdate算法,设计蕴涵时空信息的快捷数据结构——DPT(dynamic pattern tree),存储和查询移动物体的T-模式,并提出Prediction算法计算最佳匹配度,得到移动对象轨迹的预测位置。基于真实数据集进行对比实验,结果证明,PRED方法可提供动态分析的能力,平均准确率达到72%、平均覆盖率达到92.1%,与已有方法相比,其预测效果有显著提升。

基于联合物品搭配度的推荐算法框架

针对现有推荐系统大多基于物品(用户)相似度进行计算,其推荐结果无法兼顾推荐对象的搭配性特征的问题,提出了一种基于联合搭配度的推荐算法框架.该算法框架中的联合搭配度模型,结合了用户交互反馈、物品的文本和结构化知识3方面的信息,分别计算目标物品与候选物品的搭配程度,然后利用逻辑回归算法进行搭配度融合,可以得到与目标物品最相搭配的物品推荐列表.通过在淘宝真实数据集上的实验,该推荐算法框架相比于传统基于相似性的推荐算法,显著提高了搭配推荐的性能,同时在用户交互记录较少的情况下也能有较好的精确度.

基于分层抽样的数据流近似查询算法

为有效解决流数据中近似查询问题,提出一种综合流式处理和批处理的近似查询模型。利用滑动窗口提供流式近似查询能力,利用改进的分层抽样算法对于数据流产生的海量历史数据进行分层抽样,最大限度避免偏倚值对于查询结果的影响。实验结果表明,该算法结合了滑动窗口流式分析以及分层抽样技术批处理分析的优点,提高了查询的精度。