基于尺度空间理论的多门限化技术

本文基于尺度空间理论提出了两种多门限化方法：第一种新方法先由精到粗求直方图在不同尺度下的表征,再由粗到精校正定位,最后由生命期长短来确定门限;第二种方法首先在一粗尺度上找特征结构,再由粗到精“聚焦”到最精尺度上获取门限。两方法克服了以往一般门限法的若干缺陷,不仅定位准确,而且普适性强。实验证明新方法是令人满意的。     

基于非负张量表示的扩展LDA标注模型

由于“语义鸿沟”的存在,自动图像标注是一项极具挑战性的工作。考虑到图像低层视觉特征与高层语义概念的差异,分别从图像表示与语义建模两个方面来实现自动图像标注。在图像表示方面,提出了一种正则化约束下的非负张量表示方法,用以提取符合人眼视觉直观理解的图像高阶结构特征。在语义建模方面,提出了一种三层贝叶斯模型——扩展隐Dirichlet分配。该模型利用隐变量来实现图像与标注词的关联,并通过一种基于变分推理的期望最大值方法来估计其参数。实验结果表明,ELDA模型在大规模数据库NUS-WIDE上的标注结果相较于现有方法有了显著的提高。     

基于线特征的多时相遥感图像变化检测

多时相遥感图像中利用线特征可以感知道路等线形地物的变化。论文提出一种新的基于边缘特征描述的线特征变化检测算法,首先根据边缘的梯度信息得到变化边缘,并对变化边缘进行编组,形成变化边缘的直线支撑区域,然后通过最小二乘拟合方法从直线支撑区域中提取出变化直线。提出的线特征变化检测算法把边缘的相位和幅度信息作为变化检测的判定依据,从而避免了线的匹配与比较工作,降低了变化检测的算法复杂度,具有很强的实用性。将提出的方法用于多时相遥感图像变化检测,实验结果显示该方法的有效性。     

基于本体论的战场机动目标表述方法

在信息化条件下的现代战争中,战场机动目标的有效表述成为分析判断战场态势的重要内容。用统一的理论方法与工具建立战场机动目标的完整表述,可以有力地保障与推动其后的战场态势估计与威胁预测。本文提出了利用本体论表述战场机动目标的方法,通过建立相应的本体六要素,将机动兵器目标本身的特征属性与相关军事知识结合起来,用统一的方式表述目标要素及相关要素之间的关系。以A型战斗机为例建立其相应的目标本体,并利用Protégé工具实现了该本体的建立,结果表明利用基于本体的方法表述战场机动目标效果更好,更利于后续工作的开展,初步证实了研究的必要性和可行性,并对后续的研究进行了展望。     

矿产统计预报的多元信息复合方法及预测模型

如何有效地利用多种信息进行矿产统计预报是一个有经济效益的课题。本文运用多信息复合思想,采用回归分析、判别分析和集成预报等方法使矿物预报的正确概率大大提高。     

基于多特征的图象目标识别分类

文中研究将多特征信息融合技术用于图象目标识别分类的方法,利用图象灰度表面的分形特征与图象的摘特征（非分形特征）所提供的信息进行融合处理,在决策层中运用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论,并使用决策规则对目标进行分类。在实验中,将经过信息融合分类的结果与单特征独自分类的结果进行比较。结果表明,多特征信息融合的目标识别方法具有良好的稳定性,准确性和可靠性,能够有效地提高图象分类识别系统的精确度与容错性。     

区域结构及多尺度纹理分析

结合纹理的结构分析方法 ,提出一种区域状结构 ,并把这种结构作为尺度空间中的特征。在基于区域状特征结构的尺度空间中 ,结构状纹理分析可转化为尺度空间中对特征结构的分析 ,从而实现了对纹理的多尺度分析。理论分析和实验结果证明了这种分析方法的有效性     

基于直线特征的图像－模型匹配算法

提出了一种新的基于直线特征的图像与模型匹配方法。该方法选择那些可以描述目标边界的直线建立模型。识别时 ,分层次地综合使用直线的多种特性 ,从而提高了效率 ,减少了误匹配的可能性。文中给出了用仿真图像和真实图像所做的实验结果。该算法可以用于目标识别、变化检测和视觉导航等多个领域     

二语熟练度及语言使用特征对双语者抑制控制能力的影响

本文考察双语者二语熟练程度及不同语言使用特征对其抑制控制能力影响的差异。根据二语的熟练程度将被试分为熟练双语者组和不熟练双语者组,在熟练组和不熟练组中根据不同的语言使用特征划分为以口语为主和以阅读为主的两个被试组。所有被试都参与Stroop任务、Simon任务和Flanker任务。结果发现:熟练度高的双语者在三种任务中均表现出了优势反应。说明二语熟练程度对双语者的抑制控制能力有着促进作用;在不同语言使用特征组中,两组被试在simon任务与stroop任务中表现无显著差异,但表现出明显的CA效应。表明二语熟练度影响双语者的抑制控制能力;语言使用特征的不同对双语者的抑制控制能力无显著影响。     

分开合并算法的若干讨论和改进

分析了分开合并图像区域分割算法中两个影响处理结果正确性的因素 :区域合并顺序和区域合并谓词。针对这两个因素分别提出了改进的方法 ,并给出了具体改进算法。改进算法的实验结果和传统算法结果进行了对比 ,结果表明了改进的有效性。