基于纹理特征的回转窑熟料烧结状态分类

采用灰度共生矩阵方法,利用Fisher系数提取出最佳分类位置算子和纹理特征参数,通过对实际回转窑窑头熟料图像分析,发现位置算子为(5,-5)即距离为5、方向为45°下的灰度共生矩阵对应的和平均、逆差距、差异熵、对比度、差方差和熵这6个参数具有较好的区分度,其表面纹理特征能客观地反映其烧结程度,并通过基于C4.5算法实现了过烧、欠烧和正常烧结3种不同状态下的熟料纹理分类,其精度达到了95.65%.同时结合实际工况对熟料纹理进行了分析,给出了各自的变化特点.     

保细节的基于曲面控制的网格变形

综合考虑微分域网格编辑方法在细节特征保持方面的优势以及细分曲面的任意拓扑适应性,提出一种基于曲面控制的网格变形方法.以流形网格上的离散泊松方程为理论基础,在指定变形区域模型表面设计细分曲面作为变形控制曲面,并将对它的编辑操作映射为对变形区域网格的梯度场操纵,最后通过泊松重建得到变形后的网格模型.文中变形方法克服了传统参数样条曲面难以贴合任意拓扑物体外形的缺陷,可以有效保持物体的细节特征.     

稻谷储存期对米粉制品品质特性影响机理研究

本文研究了储存期为0-18个月稻谷的DSC热特性、米淀粉晶体相对结晶度,米粉制品质构特性的变化,以及它们之间的相关性。研究结果表明稻谷的储存期增加可以改善米粉制品质构,表现在最大破断应力、剪切应力、最大破断应变和破断功增加,拉伸特性和抗剪切性能都更好。相关性研究结果表明：DSC起始温度、峰值温度、曲线峰面积、热焓值与破断功显著相关（P<0.05）。而峰高度与破断功呈极显著正相关（P<0.01）。米淀粉亚微晶相相对结晶度、晶相相对结晶度与最大破断应力极显著负相关（P<0.01）;与剪切应力、破断功显著负相关（P<0.05）。     

三维纹理映射技术研究

讨论了三维纹理映射技术中的过程纹理,分析了几种常用的过程纹理函数,运用线性插值和二次插值方法对传统的木纹函数进行了改进,保证木纹颜色变化的连续性,并给出了基于OpenGL实现颜色线性插值和二次插值的木纹效果实例.     

基于矢量扩展的纹理旋转修复

提出一种基于矢量扩展的纹理延伸方法,用于解决图像旋转后出现空白区域的问题.采用图像质量判断阈值来判断矢量化图像的相似度,将图像转换为矢量化的三次曲线组合;旋转矢量图以后,再根据矢量参数扩展空白区域曲线,并生长纹理堆积区域;最后用纹理渐变来填补矢量曲线和真实纹理的渐变差异.采用木纹图片做样本,实验显示本算法产生的目标图像高度接近真实木纹纹理.     

基于边缘分析和纹理信息统计的车牌定位研究

车牌定位是车牌识别技术的关键环节之一。对车辆图像进行边缘分析二值化处理,再结合纹理统计进行车牌定位,可以克服复杂背景的弱边缘信息和干扰噪音所带来的影响,较好滤除可疑车牌区域。实验结果表明,使用该方法可以较好的实现车牌定位。     

基于二元树复小波和SVD不变性的纹理图像分类算法

针对双树复小波变换(DT-CWT)用于图像的纹理特征提取时,不具有旋转和尺度不变性的局限,提出了一种基于DT-CWT和SVD的纹理分类算法.该算法首先利用DT-CWT从图像中提取出纹理特征,然后对纹理特征进行奇异值分解获得具有旋转和尺度不变性的特征向量,采用BP神经网络作为分类器,并提出改进的BP算法训练网络,使得网络很快找到全局最优解.将本方法与其他的分类算法进行比较,实验结果表明,本算法具有较高的分类正确率.     

一种H.264帧内预测模式快速选择算法

H.264使用率失真优化提高了编码效率,但也增加了计算复杂度,不利于编码的实时实现。本文分析了H.264中计算复杂度较高的帧内预测模式选择部分,提出一种快速的帧内预测模式选择算法。根据隶属度函数预先判断宏块类型,通过求取各像素点的方向得到4×4块的纹理方向,由此确定候选模式,减少预测模式的数量。实验结果表明,在图像性能和码率基本保持不变的情况下,编码时间平均下降了约38%,大大提高了编码速度。     

纹理图像的多分形特征

为尽可能保持图像信息的完整,以更好地刻画纹理图像的整体特征,在分析了多分形的基本理论、表示的物理意义和计算方法后,提出了基于多个无标度区的多分形分析方法。这种方法充分利用了图像各个尺度所包含的信息,弥补了传统多分形分析方法因为只选择某一个无标度区计算,而丢失诸多图像信息的不足。运用基于多个无标度区的多分形分析方法对纹理图像进行分析,分析结果对刻画纹理图像的整体特征及对分析复杂结构纹理图像具有指导意义。     

一种失真模糊图像的无参考质量评价方法

针对现有的无参考质量评价方法对失真模糊图像不能有效评价这一现象,提出了一种针对失真模糊图像的无参考质量评价方法。该方法将结构相似度(structural Similarity,SSIM)全参考质量评价方法应用到无参考质量评价中,不仅扩宽了SSIM方法的应用范围,也解决了SSIM方法不能合理评价模糊图像质量这一缺陷。首先对失真模糊图像进行低通滤波得到参考图像,计算失真图像与参考图像的结构相似度;然后提取图像的纹理特征,计算失真图像与参考图像的纹理相似度;最后将这两个相似度指标作为输入,LIVE图像数据库提供的主观评价值(different mean objective score,DMOS)作为输出,建立一个[29 1]单隐层BP(back propagation)神经网络预测模型。实验结果表明,方法的预测结果稳定且与人的主观评价分数偏差小,Pearson相关系数(correlation coefficient,CC)和Spearman等级相关系数(rank order correlation coefficient,ROCC)均达到了0.97以上。