基于等高线的图像特征表达

结合多尺度图像分解技术和等高线理论提出了一种图像特征表达方法.该方法的独特之处在于将经验模态分解技术应用于图像的梯度模,而不是直接应用于图像本身.对梯度模图像进行经验模态分解,获得表示图像不同尺度下变化信息的固有模态函数,取携带丰富图像特征的前两个固有模态函数进行叠加,对叠加后的固有模态函数求取等高线,以实现对图像特征的提取和表达.实验结果表明,这种图像特征表达方法,不仅可以捕获图像中不同灰度变化属性信息,而且可以获得图像的几何结构,对图像的弱特征信息也有较好的表示能力.     

基于分级变换的自适应立体对应算法

通过分级变换将图像从灰度空间转换到新的等级空间,然后构造相应的匹配代价函数计算两个图像点之间的最大相似度,从而找出对应点和偏移值。分级变换可以有效的解决在立体对应中经常遇到的图像噪声、失真及左右图像的亮度差异等问题。大多数的自适应立体对应算法是以偏移量和灰度值两个自变量来构造代价函数,而构造合适的代价函数是一个困难的问题。本文中提出自适应窗选择算法只与灰度值有关。首先通过边缘检测提取出灰度边缘信息。本算法仅根据灰度边缘信息就可以进行自适应窗的选择。自适应选择图像窗的过程与偏移值无关,从而降低了构造代价函数的难度。实验结果说明本算法能够生成准确度较高的深度图,是一种较好的局部立体对应算法。     

基于自反馈神经网络的运动模糊图象恢复方法的研究

本文提出一种用自反馈神经网络来恢复被噪声污染的非零边界条件模糊灰度图象的方法。文中详细讨论了用于描述图象的神经元网络模型,给出了模型参数估计和根据该模型实现的图象恢复算法。在神经元网络模型中,图象的灰度函数被表示成神经元状态的简单代数和。实验结果表明由于神经元网络模型的容错性和自适应性,运用该方法对加有椒盐噪声的匀速直线运动模糊列车图象进行恢复,可以得到高质量的图象恢复结果。     

基于水平差集的多精度图像表示及绘制

提出了一种图像的非线性尺度空间表示方法，并将其应用于时间要求严格的场景绘制。首先把图像分解为水平差集，对水平差集的连通分支赋予一个测度，然后根据测度从大到小对所有水平差集的所有连通分支进行排序。绘制进根据所排序依次将连通分支显示出来，根据时间的限制， 显示的将是不同层次细节的图像。这种表示方法具有保形、保对比度的特点。最后，给出了实验结果，并探讨了此方法的局限性及改进方向。     

NS—2网络仿真器中动态路由算法的动画仿真研究

研究了基于Unix系统的大型离散事件可视化网络仿真器NS—2(Network Simulator V.2)，分析了基本网络模型C 类的设计原理，Tcl仿真脚本文件的Otcl语言建立方法，局域网模型拓扑描述，路由策略与协议算法，组件的编译等。着重剖析了分布式Bellman—Ford(或距离向量DV)路由算法，以及动态网络拓扑变化的仿真机制。设计了一个7结点的令牌环形网的动态路由仿真实例。利用Nam工具仿真实现了动态路由DV算法的动画效果，利用Xgraph工具描绘出通路上的数据流量曲线，实验结论验证了在DV路由算法下网络的通畅性，以及实际通信中数据包的抛弃、丢失和网络阻塞干扰等现象的客观存在。     

基于视觉反馈的自主式移动机器人路径规划方法

对自主式移动机器人，通过立体视觉方法得到环境的深度信息，并反馈控制机器人的运动。文中提出了一种基于自由门１－ｄｏｏｒ和ｔ－ｄｏｏｒ进行机器人路径规划的方法，讨论了该方法的可行性，并分析了通常情况下机器人运动可能遇到的几种情况。     

线性人脸对象类模型的匹配提升技术

针对真实感人脸模型匹配的细节控制和稳健创建问题，提出了线性人脸对象类模型的匹配提升技术。基于非统一抽样(NUS)的动态高斯金字塔分析(DGPA)方法，结合不等概率抽样和整群抽样策略，自适应地动态调整每级高斯金字塔图像的抽样分布，利用最优化算法由粗到精的计算全局近似最优解，获得精确的模型匹配。动态调节整群区域边界并利用再抽样率调节抽样密度，可以有效控制人像模型的细节表达效果，提高模型创建的稳健性。随机梯度下降的线性相关性扰动(CD-SGD)和学习率自适应(ALR)技术，提高了模型匹配的准确性和收敛速度。以M     

自主车辆视觉系统的摄像机动态自标定算法

为了解决自主车辆视觉传感器在姿态变化后摄像机旋转外参数的在线自标定问题,提出了一种利用道路图像消失点相对不变量的摄像机旋转外参数的动态自标定算法.它首先从汽车采集到的道路视频序列中实时分析道路消失点,然后依据中心极限定理并使用相应的统计量,动态地估计主消失点与消失线参数,最后利用小孔成像模型下的消失线与消失点方程,解析地求得对应于当前统计特征的摄像机外部参数动态解.实验结果表明,在摄像机进行姿态调整后,实验系统使用本算法可在不超过90帧有效图像样本的基础上,能对摄像机旋转外参数进行精确标定,使旋转外参数的绝对误差值收敛于0.001 rad的误差带之内.