喷墨印花纹理图像的期望最大化聚类分割算法

针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA).首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割.实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题.     

一种合成孔径声呐图像目标分割方法

合成孔径声呐图像的信噪比低于普通光学图像,使图像分割成为合成孔径声呐图像处理中的重要环节。本文研究了表示合成孔径声呐图像数据分布的瑞利混合模型,结合马尔科夫随机场模型,将其应用于声呐图像水下目标(亮区)分割;通过最大期望算法分别估计目标和背景的瑞利混合模型参数,并利用该参数使用Graph cut方法进行马尔科夫随机场图像分割,通过重复迭代,最后形成稳定的目标分割结果;对实际的声呐图像进行了数据分析及目标分割,结果表明瑞利混合模型在描述合成孔径声呐声图上有良好的性能,可以改善目标分割的效果。     

基于形态学重建和GMM的球团颗粒图像分割

机器视觉技术的发展为颗粒粒径的自动测量提供了一种有效方法,但是,重叠颗粒的图像分割问题仍有待进一步解决。针对这一问题,提出一种基于形态学重建和高斯混合模型的球团颗粒图像分割算法。首先利用似圆度将单独颗粒和重叠颗粒进行区分;根据重叠颗粒图像距离变换特征建立了高斯混合模型;为实现无监督的聚类,采用形态学重建结合聚类有效性指标的方法获得最佳聚类数目,并利用期望极大(EM)算法进行求解;最后采用圆拟合的方法对缺失的球团颗粒轮廓进行重构,实现了对重叠球团颗粒的分割。实验结果表明,该算法能够有效地对重叠颗粒进行分割,分割正确率评价指标AC为93.6%,明显优于现有的对比算法,为基于机器视觉的球团颗粒粒径分布测量奠定了基础。     

利用高斯混合模型的多光谱图像模糊聚类分割

针对传统分割算法难以实现高分辨率多光谱图像分割的问题,本文提出一种利用高斯混合模型的多光谱图像模糊聚类分割算法。该算法采用高斯混合模型定义像素对类属的非相似性测度,由于该算法具有高精度拟合数据统计分布能力,故可以有效剔除噪声对分割结果的影响。同时,引入隐马尔科夫随机场(Hidden Markov Random Field,HMRF)定义邻域作用的先验概率,并将其作为各高斯分量权值以及KL(Kullback-Leibler)信息中控制聚类尺度的参数,从而增强了算法对复杂场景遥感图像的鲁棒性,进一步提高了算法的分割精度。对模拟图像和高分辨多光谱图像分割结果进行了定性定量分析。实验结果表明:模拟图像的总精度达96.8%以上。这验证了本文算法在分割高分辨率多光谱图像时具有保留细节信息的能力,而且也证实了算法的有效性和可行性。该算法能够实现高分辨率多光谱图像的精确分割。     

结合概率密度函数和主动轮廓模型的磁共振图像分割

为了提高大脑磁共振图像的分割精度,提出了一种新的图像分割算法。首先,分析了常用于大脑磁共振图像分割的高斯混合模型和主动轮廓模型的优缺点,联合高斯混合模型的概率密度函数和主动轮廓模型的能量函数构造了一个新的能量函数。然后,利用遗传算法和最大期望算法获取概率密度函数的参数值。最后,利用水平集方法和梯度下降流法,对获得的能量函数进行最小化,从而得到最终的分割结果。与传统方法相比,本文算法对脑组织中的白质和灰质的分割精度分别提高了6.73%和14.07%。该算法利用像素点的区域信息和概率值驱动主动轮廓曲线的演化,能有效区分具有相近灰度值的不同区域,从而提高了大脑磁共振图像的分割精度。     

一种新的拓扑保持ART模型

基本ART模型缺乏对样本集拓扑结构及分布特性的学习,导致其抗噪性能较差,容易产生类别增殖现象,进而导致分类性能不稳定.本文将基本ART模型与SOM、GNG的侧向连接和动态拓扑结构相结合,提出了一种具有拓扑保持结构的ART模型(topology preserving ART model,TPART).利用构建的模型对聚类状分布的高斯分布数据集进行测试,在受到大量孤立噪声点干扰和输入样本顺序的影响下,其性能相对于Fuzzy ART有较大提高.进一步将其应用于灰度图像分割,也取得了较Fuzzy ART更好的分割结果.     

基于CART决策树与改进的AdaBoost的视网膜血管提取算法

本文提出了一种分类回归树(Classification and regression tree, CART)算法与改进的AdaBoost相结合的视网膜血管分割的监督学习算法。该算法对视网膜图像的绿色分量提取、反转、膨胀和增强后分别提取LBP(local binary patterns)纹理特征和局部特征,从而构建出17维特征向量。利用特征向量与专家手工标注的数据构造一个数据集,以特征为节点生成CART二叉树,将CART二叉树作为AdaBoost的弱分类器,通过加入再判决函数对AdaBoost做出一定改进,从而形成强分类器。本算法在DRIVE(digital retinal images for vessel extraction)数据库上进行了实验仿真,实验结果表明,本文所提出的改进算法对血管的分割精度高,包含了完整的血管细节,而且分割出来的血管树的连通性较好,能够反映出血管的分布走势。与传统的AdaBoost分类算法和基于SVM(support vector machine)的分类算法相比,本文所提出的改进算法的平均准确率和可靠性指标都比较高。     

基于一种改进最小误差算法的BGA图像分割

利用最小误差算法对图像分割前,首先要假设图像的灰度直方图呈高斯分布,而现实中图像灰度直方图并不完全符合高斯分布,这样在利用最小误差法对图像进行分割时就会造成一定误差.利用最大投影原理以高斯函数集作为基函数集,通过正交投影分解法确定高斯函数的参数,实现对BGA直方图的重构.重构后,应用最小误差算法对BGA图像进行了分割.实验表明该方法在分割BGA图像的空洞缺陷上是有效的.     

基于 EM 估计的多模型车载组合导航算法

针对行车过程中车载全球卫星导航系统受遮挡产生多径效应、可见星数量少等影响,造成的定位精度差的问题,提出了 一种基于期望最大化(EM)的交互式多模型车载组合导航算法。 本文采用了混合高斯分布模型描述 GNSS 多径效应误差分布, 提出了基于 EM 的 SINS / GNSS 子系统组合导航信息融合方法,实现多径效应偏置误差的估计。 建立了基于零速约束的 SINS / OD 组合导航模型,同时利用交互式多模型算法实现了在 GNSS 信号丢失情况下的导航模型交互融合,提高了车载组合导航系 统精度。 车载实验结果表明在 GNSS 多径效应及信息丢失条件下,本文所提出算法能有效提高导航精度,多径效应的混合高斯 模型偏置为 10 m 条件下,偏置估计误差小于 0. 5 m,水平最大定位误差为 2 m,比传统交互式多模型算法定位误差降低 84. 62% 。     

基于差商的油液监测铁谱图像自适应分割

针对油液监测中铁谱磨粒图像分割阈值难以选取的问题,本文提出一种基于差商的自适应铁谱图像分割算法。首先,将铁谱磨粒灰度图像转换成三维灰度直方图,并对其进行切片分析;然后,引入Newton插值多项式,将不同切片所得的频数作为切片灰度-频数曲线的插值点,基于差商构造第一类可接受函数和第二类可接受函数,结合实验数据确定两类误差,选取同时满足两类误差的最小灰度值作为分割阈值;最后,用本文方法对不同类型的磨粒图像以及添加高斯噪声和椒盐噪声后图像分别进行分割实验,并与经典的迭代阈值法、Otsu算法、最大熵法进行了比较。实验结果表明,本文方法受噪声干扰较小,误检率和漏检率整体优于其他3种算法。对分割所得的磨粒图像进行特征提取,并利用支持向量机进行识别,本文方法对3种故障磨粒识别准确率最高,达到82.86%,虽在运行时间上无明显优势,但综合性能最优,能满足油液监测过程中铁谱图像自适应分割的需求。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于MEMS机构装配的微夹持器研究

微夹持器作为末端执行装置,直接决定了微装配的效率。MEMS机构中包含许多微小的活动部件和功能元件,为实现这些微小器件的稳定夹取和自动装配,设计了一种采用压电陶瓷驱动、基于柔性铰链的二级放大微夹持器结构。对该微夹持器的节点应力、刚度及最大张合量等进行了分析计算,并对微夹持器进行了试制。实验与分析结果表明,该夹持器最大张合量是245μm,放大倍数约为12.3倍,满足MEMS机构的装配要求。在此基础上,重点对张合量与夹持力进行了系统测试,通过对测试数据的非线性回归,推导出99.99%可靠度的驱动电压计算公式,实现了微夹持的精确控制。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

自动紧急制动与可逆预紧安全带共同作用下乘员损伤分析

针对自动紧急制动（AEB）加重碰撞前的乘员离位现象,探讨了使用可逆预紧安全带改善该现象的有效性。建立了结合自动紧急制动、可逆预紧、主动人体模型的驾驶员侧乘员约束系统模型,通过志愿者实车实验获取碰撞前乘员多种坐姿的安全带约束参数,设定可逆预紧的关键参数范围。分析了AEB与可逆预紧关键参数对碰撞前乘员运动响应及碰撞中乘员损伤风险的影响。结果表明：相同碰撞强度下,AEB增加了乘员的损伤风险,尤其是胸部损伤。可逆预紧安全带通过改善乘员离位状态,可明显降低乘员在正面碰撞中的损伤风险。     

基于GTN细观损伤模型的激光拼焊板成形极限预测

建立了从细观损伤角度预测拼焊板成形极限的Gurson-Tvergaard-Needleman(GTN)损伤模型,用有限元逆向法确定了损伤模型中的各损伤参数。采用有限元软件ABAQUS耦合基于Mises屈服准则的弹塑性GTN损伤模型,对拼焊板半球凸模胀形过程进行了数值模拟。设计了拼焊板半球凸模胀形物理试验,试验过程中通过改变试件的宽度得到了不同应变状态下完整的拼焊板成形极限图,并与GTN细观损伤模型预测到的拼焊板成形极限图进行对比分析,验证了GTN细观损伤模型预测拼焊板成形极限图的准确性。     

具有非对称力学特性的汽车磁流变减振器设计与控制

为降低汽车磁流变悬架系统中传感器成本,提高系统可靠性,提出了一种具有非对称力学特性的汽车磁流变减振器结构设计方案及分级控制方法。根据结构设计方案,对其力学输出特性进行了理论分析,并进行了样机加工与试验测试。为分析分级控制算法在相应半主动悬架中的控制效果,建立了1/4车辆悬架动力学模型,进行了动力学仿真分析。研究结果表明,所设计的磁流变减振器具有连续输出非对称阻尼力的工作特性,验证了设计思路和方法的有效性;采用分级控制算法的半主动悬架在适应道路条件的变化方面比被动控制下的悬架具有更大的优越性;虽然分级控制的控制效果在部分路面下没有天棚控制的控制效果好,但基于分级控制的减振控制系统可以节约成本并提高可靠性,具有较好的应用前景。     

自适应特征尺度分解方法及其应用

针对局部特征尺度分解（LCD）存在的模态混叠问题和其在均值曲线定义方面存在的不足,在对LCD方法研究的基础上,充分借鉴经验模态分解（EMD）和LCD等此类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号--内禀致密尺度分量（ICC）,并提出了一种新的自适应信号分解方法--自适应特征尺度分解（ACD）方法。同时,给出了ICC分量评价准则,通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到的一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD方法分解效果。对仿真信号的分析结果证实了ACD方法的分解效果优于EMD、LCD、总体平均经验模态分解（EEMD）和自主致密局部特征尺度分解（ACLCD）方法的分解效果;对实验数据的分析结果验证了ACD的有效性,从而为旋转机械故障诊断提供了一种新的方法。