利用单幅图象的阴影恢复物体形状

本文研究和探讨如何由单幅图象的阴影进行三维信息的提取,以恢复物体表面的形状。通过引入立体投影的概念,并附加适当的约束条件,利用边缘信息提供的边界条件,推导出由阴影计算物体表面形状的迭代算法,最后完成立体显示。     

优势黄杆菌对蒽、菲、芘混合物的降解特征研究

为探索混合多环芳烃的生物降解特征，利用两株优势黄杆菌，对混合蒽、菲、芘进行了降解研究．高效液相色谱分析表明，混合多环芳烃的降解56．3％～69．6％在前10h内完成，其生物降解进程和单基质相似，但降解效率低于单基质．混合体系中蒽、菲、芘在不同菌株作用下有按特定优先顺序降解的特征，但两株黄杆菌(FCN1和FCN2)的混合菌并不促进混合多环芳烃的降解．降解130h后，体系中蒽、菲、芘消除，但总有机碳去除率仅达到60．1％～72．7％，说明部分多环芳烃转化为中间代谢产物．菌数测定表明，FCN1和FCN2利用多环芳烃及其降解中间产物繁殖生长，菌数最高时分别增长200倍和100倍，但菌数增长滞后于多环芳烃的浓度变化．研究表明，混合多环芳烃之间具有降解竞争抑制特征，且其生物降解具有规律性．     

图像处理技术在混凝土骨料形状参数分析中的应用研究

应用多目立体视觉三维重建理论及其方法,构建了3D混凝土骨料形状参数测试分析系统.分析系统通过多目视觉技术,多角度提取骨料的三维信息,利用三维重建方法,获得相关的、用于表征骨料形状特性的形状参数,如针状、片状系数、圆度、球度、凸度、矩形度.在骨料形状参数分析的基础上,进一步分析计算骨料级配及针、片状颗粒含量等表征骨料质量指标的参数,解决了通过图像处理技术检测骨料主要质量指标的问题.对比研究分析表明,测试精度与传统的筛分方法高度吻合,为骨料质量的自动检测分析提供了新的方法.     

三目立体视觉外极线校正及其FPGA实现方法

提出一种三目立体视觉外极线校正的快速算法.3个摄像机呈直角三角形配置,且已知摄像机透视投影矩阵.根据校正基本约束确定校正后的图像平面,利用图像不变形约束计算校正所需的三阶矩阵,用于在平面仿射坐标系下对图像进行重取样,使图像的行列对齐.给出了基于FPGA的实时计算三目立体视觉外极线校正的硬件实现方法.在时钟频率为60 MHz,图像可分辨的像素数为640×480时,三目立体视觉外极线校正速度达到48帧/s.     

西瓜立体种植创高产

<正> 西瓜是一项重要经济作物,不少人在西瓜早熟创高产上下功夫。90年代初,偃师县在西瓜早熟高产上又创出了一条新路。西瓜进棚上架、瓜蔓高空中延仲,一项立体栽培的新型技术措施。我县高龙乡枣园村农民刘玉卿90年春种植的0.94亩小拱棚上架西瓜,产瓜6500多公斤,6月13日上市、6月25日罢园达到了早熟高产的目的。棚栽上架西瓜有五大优点:一是上市早、价格高,6月上中旬上市,比一般地膜西瓜早上市半个多月,比露地西瓜早上市近一个月,由于早熟,价格也     

中华哲水蚤线粒体DNA COI基因序列分析

采用苯酚-氯仿-异戊醇(25：24：1)提取、异丙醇沉淀、酒精洗涤、TE缓冲液保存方法提取了采自胶州湾青岛海域的中华哲水蚤基因组DNA；以相应引物经PCR扩增得到线粒体DNA细胞色素氧化酶Ⅰ亚基基因(mtCOD)片段；PCR产物采用化学法进行质粒重组(载体pGEM—T Easy Vector)、热休克转化重组质粒至大肠杆菌感受态细胞(JM109)、氨苄LB培养基扩大培养；测序．结果表明。中华哲水蚤线粒体COI碱基大小为710bp(国际基因库索引号AY665663)。其碱基组成A、C、G、T含量分别为24．23％、19．15％、22．54％和34．08％；G C含量为41．69％。A T为58．31％．     

炔基硫醚的制备和(E)-α-碘代烯基硫醚的立体选择性合成

乙基溴化镁与末端炔烃反应生成炔基Grignard试剂,后者与芳(烷)基硫氯作用高产率地制得了炔基硫醚.通过炔基硫醚与碘化氢在二氯甲烷中的加成反应,高产率且立体选择性地合成了(E)-α-碘代烯基硫醚.     

铁酸镧超细粉末的制备

以La(NO3)3·6H2O、(NH4)2Fe(SO4)2和Fe2O3为原料,运用正交实验法确定最优实验条件,利用固-液界面法制备稀土铁酸盐超细粉末———铁酸镧.对产物进行部分物理测试,分别测定其全铁、亚铁离子含量,用扫描电子显微镜测定其形貌和粒径.结果表明,产物为均匀的圆球状纳米微粒,平均粒径76.0nm,反应中没有经过中间化合物,而是在固液界面上进行的.     

基于双目视差的液晶三维立体显示系统设计与实现

三维立体显示技术可以立体地再现物体,观察者如同置身于真实场景之中。本文研究了基于双目视差的三维立体显示的原理,搭建了基于线性偏振光的立体显示器,采用三维建模工具3ds MAX完成了三维立体显示数据的创建与显示。     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。