期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于相似性定位和超像素分割的织物疵点检测 被引量:7
1
作者 朱磊 任梦凡 +1 位作者 潘杨 李博涛 《纺织学报》 EI CAS CSCD 北大核心 2020年第10期58-66,共9页
为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部... 为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。 展开更多
关键词 织物疵点检测 相似性定位 超像素分割 相似性度量函数 归一化局部均值差分
在线阅读 下载PDF
偏振探测系统的图像配准 被引量:4
2
作者 褚金奎 林威 +1 位作者 张然 陈永台 《光学精密工程》 EI CAS CSCD 北大核心 2018年第5期1181-1190,共10页
分振幅式偏振探测成像系统的各分光路图像之间存在位置误差,率先完成各分光路图像之间的图像配准是进行偏振探测的前提条件。针对探测过程中,目标特征不明显、图像特征难以提取、各分光路图像间灰度变化较大的问题,提出适用于分振幅式... 分振幅式偏振探测成像系统的各分光路图像之间存在位置误差,率先完成各分光路图像之间的图像配准是进行偏振探测的前提条件。针对探测过程中,目标特征不明显、图像特征难以提取、各分光路图像间灰度变化较大的问题,提出适用于分振幅式偏振探测成像系统各分光路图像的相似性度量函数,并在此基础上,完成各分光路图像间的配准工作。首先,根据图像间的位置误差会造成偏振信息图像中出现信息异常区域的原理,研究了相似性度量函数的提取算法;接着,根据探测系统的各分光路的成像特点,确定图像间的几何变换参数;以遗传算法作为参数优化搜索算法,搜索得到最优的几何变换参数,完成整个图像配准算法的设计;最后,分别利用构造图像和实际采集图像,对配准算法进行了验证,并以图像间互信息值(MI)衡量图像配准的精度。实验结果表明:配准后的构造图像的MI为2.692 5,高于特征配准方法的实现精度;实际采集图像配准后的MI达1.849 3,同样高于特征配准方法的实现精度。基本满足偏振探测系统的图像配准需求。 展开更多
关键词 偏振探测成像系统 图像配准 偏振信息 相似性度量函数 互信息
在线阅读 下载PDF
自适应近邻的局部线性嵌入算法 被引量:4
3
作者 张兴福 黄少滨 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2012年第4期489-495,共7页
在局部线性嵌入算法(LLE)中寻找最优近邻数常用试凑法进行搜索,需要大量的时间才能得到最优结果.为此提出基于自适应近邻的局部线性嵌入算法(ANLLE),算法首先给出一个相似性度量函数,然后据此为各个样本设定阈值,根据每个样本周围数据... 在局部线性嵌入算法(LLE)中寻找最优近邻数常用试凑法进行搜索,需要大量的时间才能得到最优结果.为此提出基于自适应近邻的局部线性嵌入算法(ANLLE),算法首先给出一个相似性度量函数,然后据此为各个样本设定阈值,根据每个样本周围数据分布情况,为每个样本自动设置不同近邻数,最后在各个样本近邻数不相同情况下进行数据降维及待测样本的分类.在人脸数据库及手写数字数据库上的对比实验表明,ANLLE算法识别性能高于标准LLE算法及邻域线性嵌入算法(NLE). 展开更多
关键词 局部线性嵌入 自适应近邻 维数约减 嵌入算法 最优近邻 相似性度量函数
在线阅读 下载PDF
Similarity measure on intuitionistic fuzzy sets 被引量:5
4
作者 PARK Jean-Ho HWANG Jai-Hyuk +2 位作者 PARK Wook-Je 魏荷 LEE Sang-Hyuk 《Journal of Central South University》 SCIE EI CAS 2013年第8期2233-2238,共6页
Study of fuzzy entropy and similarity measure on intuitionistic fuzzy sets (IFSs) was proposed and analyzed. Unlike fuzzy set, IFSs contain uncertainty named hesitance, which is contained in fuzzy membership function ... Study of fuzzy entropy and similarity measure on intuitionistic fuzzy sets (IFSs) was proposed and analyzed. Unlike fuzzy set, IFSs contain uncertainty named hesitance, which is contained in fuzzy membership function itself. Hence, designing fuzzy entropy is not easy because of many entropy definitions. By considering different fuzzy entropy definitions, fuzzy entropy on IFSs is designed and discussed. Similarity measure was also presented and its usefulness was verified to evaluate degree of similarity. 展开更多
关键词 similarity measure MULTI-DIMENSION discrete data relative degree power interconnected system
在线阅读 下载PDF
Design of similarity measure for discrete data and application to multi-dimension 被引量:1
5
作者 LEE Myeong-ho 魏荷 +2 位作者 LEE Sang-hyuk LEE Sang-min SHIN Seung-soo 《Journal of Central South University》 SCIE EI CAS 2013年第4期982-987,共6页
Similarity measure design for discrete data group was proposed. Similarity measure design for continuous membership function was also carried out. Proposed similarity measures were designed based on fuzzy number and d... Similarity measure design for discrete data group was proposed. Similarity measure design for continuous membership function was also carried out. Proposed similarity measures were designed based on fuzzy number and distance measure, and were proved. To calculate the degree of similarity of discrete data, relative degree between data and total distribution was obtained. Discrete data similarity measure was completed with combination of mentioned relative degrees. Power interconnected system with multi characteristics was considered to apply discrete similarity measure. Naturally, similarity measure was extended to multi-dimensional similarity measure case, and applied to bus clustering problem. 展开更多
关键词 similarity measure MULTI-DIMENSION discrete data relative degree power interconnected system
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部