一种基于纹理的图象相似性度量模型

关于图象间的相似性应用于图象数据库中图象的检索存取，作者提出了一种用于多纹理图象的图象相似性度量的模型；描述了该模型的定义和计算方法，给出了试验结果和分析了它的有效性．     

SPN结构线性层的设计

SPN结构是一种流行的分组密码总体结构；差分和线性分析是攻击分组密码的最强有力的方法．章介绍了SPN结构研究的最新进展，着重论述如何用矩阵方法设计抗差分和线性分析的线性层．     

利用SPOT5数据制作正射影像图并辅助更新土地利用现状图的方法

对利用SPOT5卫星数据制作正射影像图的方法进行了研究，并以扬中市为例，对使用正射影像图辅助更新土地利用基础图件的可行性进行了探讨。研究发现此方法易于掌握，辅助更新效果显著。     

基于小波分解的痕迹灰度图像边缘检测

针对痕迹图像边缘检测的特征，给出了一种新的基于小波多尺度分解的分层图象边缘检测方法，其基本思想是先对源图像进行小波多尺度分解，其次在不同尺度的子带图像上进行基于局部区域特征的软阈值滤波。最后再进行小波重构，以提取图像的边缘。实验结果表明，该算法比其它算法提高了痕迹图像边缘的检测精度，是十分有效的。     

基于二维提升方案的可逆双正交小波变换在渐进性无损图像压缩中的应用

分析了一维(基于行、列分解和重构)提升方案的特点，从理论上指出了一维提升方案的不足之处，提出了二维(基于子带分解和重构)提升方案，并给出了CDF(1，3)双正交小波二维提升方案的具体形式，改进的提升方案弥补了一维提升方案的不足之处，不需作‘√2’因子和归一化处理，整个小波变换是可逆的、基于整数运算的、能量守恒的，减少了误差传递的机会，用该小波变换实现了快速的、渐进性的直至无损图像压缩。     

基于粗集与PCNN的图像预处理

研究了如何将粗集(Rough Set)与脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)相结合，对被噪声污染的图像进行对比度增强处理，使图像清晰，从而便于后续的处理。同时，提出了基于粗集与PCNN的图像增强算法。计算机仿真结果表明，使用基于粗集与PCNN的图像增强算法，可有效地对被噪声污染的图像进行图像增强，减少图像噪声，增加图像对比度，使图像更加清晰，且图像增强的结果优于常规的方法。     

一种新的基于投影矩的三维图像配准方法

提出一种投影矩的概念，并将其用于三维医学图像的配准．与传统的几何矩相比，投影矩不仅可以完各地描述图像的特征，而且计算量较小，因而可以将其用于三维图像的实时配准．选取待配准的2幅三维图像若干阶投影矩差的平方和为目标函数，采用Powell方法求取最优解，得到配准结果．将方法应用于一些模拟和实际数据，获得了较高精度的实验结果；并且缩短了整个计算过程的时间．这表明投影矩在多模态医学图像的配准和融合等方面具有潜在的实用价值．     

一种新的二值图像信息隐藏方法

随着数字媒体的普及,人们已经提出了许多在灰度图像和彩色图像中隐藏信息的方法,但是由于随意修改二值图像的像素值容易引起图像质量的明显下降,所以大多数在灰度图像和彩色图像中隐藏信息的方法不能直接应用到二值图像中.本文提出了一种在二值图像中进行信息隐藏的方法.该方法将二值图像分割成大小为2×2的图像块,利用图像块的奇偶性将一条二进制信息嵌入到黑白像素邻近的块中,嵌入1位信息平均修改0.5个像素,具有计算量小、嵌入信息量大、图像质量下降少、安全性高的优点.     

一类结构不确定系统的摄动反馈分析与设计

对一类对象和控制器同时具有结构不确定摄动的闭环系统的鲁棒稳定性分析与设计问题进行了研究。利用Riccati不等式、H∞ 范数及矩阵分解等方法 ,得到了系统不确定参数的一种鲁棒稳定摄动界。进一步给出了已知系统参数摄动界时的标称控制器的设计方法。     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.