实时纹理映射单元

本文提出一个基于移动设备的图形加速卡纹理映射单元的硬件实现方案,本方案采用的是分级细化(MIPmapping)的纹理数据组织方式,映射函数为透视变换,纹理的后置滤波用最基本的三线性滤波方法,纹理存储器分成四个存储器组,只激活需要访问的存储器,以达到减小电能损耗的目的.并行双流水线结构的纹理映射单元,纹理存储带宽可以达到6.4Gb/s.     

基于混合隐Markov模型的红细胞计数方法

为解决红细胞的计算机自动识别问题 ,引入了混合隐 Markov模型对彩色细胞纹理进行识别 ,采用螺旋型采样方法 ,应用一维隐 Markov模型解决二维图像处理问题。选择不同的样本 ,以期望最大算法训练多个混合隐 Markov模型 ,利用它对图像进行纹理识别 ,以距离变换和分水岭算法进行分割计数。该方法在分类正确率和算法适用性上取得了比较好的结果 ,提高了制片质量。该方法对中等质量的红细胞照片进行计数能够取得 94 %以上的识别正确率。提出了对混合 Markov模型初值选取问题的一种改进算法 ,以提高计算效率和算法鲁棒性     

基于纸的物理建模的水墨画扩散效果仿真

为了更真实地模拟中国水墨画的独特艺术效果，提出了一种全新的基于物理建模的仿真方法。该方法构造了一个可控的物理纸模型以模拟宣纸，再在该模型上进行水墨扩散过程的模拟运行，以实现真实水墨画扩散效果的仿真。通过对宣纸纤维分布随机性的模拟，该方法成功地实现了“粒状现象”和不规则扩散边缘的仿真；并且还能控制致密度、吸水性以及纸纹理以模拟各式各样的宣纸。实验表明，该方法达到了十分自然逼真的仿真效果。     

基于VC++的OpenGL纹理映射技术的研究与实现

三维图像是当前计算机图形学、地理信息系统等学科研究的热点之一.本文在计算机图形学的基础上,利用OpenGL开发库函数,在VC 6.0的编译环境下,详细讨论了三维     

基于块采样的纹理合成算法改进

通过引入最小误差映射表数据结构,改进图像重叠区域最小误差分割算法,以提高纹理合成过程的纹理块匹配速度.通过对可接受误差范围参数进行调整,实现纹理选取过程的优化,提高合成图像的质量.以二值化的原始纹理块和合成图像中的黑色像素点百分比折线对比、黑色区域数量折线对比作为合成效果的评价依据,给出合成图像效果的评价算法.试验结果表明,改进算法在提高合成速度、改善合成效果方面都较理想.     

一种彩色图像的二维纹理识别方法

基于仿射矩正则化技术，推导出了新的光照仿射不变特征：Zernike矩、多波段相关函数，通过正则化方法实现仿射不变矩，采用组合矩方法和奇异值分解方法实现光照不变性，在推导光照不变性时必须使用复数值矩(如Zernike矩)，因为实数值仿射不变矩不能实现独立于光照变化的仿射不变性。实验结果表明，所提出的纹理识别方法具有很好的识别效果。     

一种改进的地下车库弱纹理下智能汽车即时定位与建图算法

地下车库中纯视觉的即时定位与建图(simultaneous localization and mapping, SLAM)方法无法克服光线不足和弱特征纹理两大不利因素,为此,提出一种基于VINS-Mono框架下改进的视觉惯导融合算法,把原算法中提取Harris角点的方法改进为提取灰度值陡变的像素点,并使用非线性优化方法在初始化阶段进行视觉位姿估计。后端采用滑动窗口的形式建立先验估计残差、惯性测量单元(inertial measurement unit, IMU)残差以及基于灰度值不变原理构建的视觉残差的联合残差模型,进一步提升了系统底层变量的优化效果,从而提高算法的定位准确度。通过基于EuRoc数据集的仿真实验和地下车库实际场景的实车实验,验证了所提算法的鲁棒性和精确性。     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.     

移动通信中多波束智能天线性能的研究

研究了移动通信环境下的多波束智能天线,并基于统计传播的同信道干扰模型,分析了快衰落及慢衰落情况下未采用多波束智能天线与采用多波束智能天线时的中断率,并进行了比较,计算机仿真结果表明：采用多波束智能天线,不论在单个同信道小区还是多个同信道小区情况下,系统的中断率将随着波束数的增大而降低。     

基于小波变换及布朗分形模型的纹理分割

在研究小波变换布朗分形模型的基础上,定义了水平分维数,垂直分维数,对角分维数,并将它们作为纹理特征量来实现纹理的分割,实验结果表明,这些特征量能够很好地反映纺理特征,从而分割时不需有关图象中纹理类别的先验信息,较以往方法在准确度和计算复杂程度上都有很大提高。