散点式几何图案的矢量化放大方法研究

蜡染几何图案是我国民间艺术,有着广泛的市场。在辅助几何图案设计系统中,需要对有关图案进行放大缩小,尤其是散点轮廓的放大缩小。由于散点式几何图案是由一些基本几何单元组成,以往基于图像像素的放大缩小算法不起作用。首先提取散点单元,把基本几何单元转化为点;然后针对散点式几何图案提出一种散点轮廓的优化提取散点算法;对提取的轮廓优化散点进行放大缩小;并应用B样条函数拟合散点式几何图案的轮廓,实现图案轮廓的矢量化放大缩小。实验表明该算法能有效缩放图案的散点轮廓,速度快,可靠性高,对凸凹区域都有效果,在纺织图案的设计、蜡染图案设计等领域具有实用价值。     

基于网格模型的磨损区域边界提取方法研究*

针对磨损零件的修复问题,提出了一种基于网格模型的磨损曲面边界线提取方法。根据磨损情况的不同,设置特征角的值,通过计算相邻三角面片法矢夹角,并与给定特征角的值相比较来提取磨损边界点,将磨损边界点插值成三次非均匀有理B样条(NURBS)曲线。给出了磨损边界线内磨损区域网格的删除方法,为后续实现磨损区域的曲面重构提供所需的几何信息与模型。应用实例表明,此方法用于磨损边界线的提取和磨损区域网格的删除是有效、可行的。     

基于扩展网格和密度的数据流聚类算法

针对现有聚类算法在计算网格密度时未考虑周围空间的影响因素而导致聚类边界不平滑的现象,提出一种基于扩展网格和密度的数据流聚类算法。通过动态确定网格扩展区域,将网格密度计算范围从本网格合理地扩展到相邻网格空间,进而根据算法中引入的凝聚度衡量周围空间数据点对网格密度的影响。为进一步精确聚类边缘的轮廓分布情况,使用边界点距离阈值函数从噪声中分离出类的边界点,并给出一种改进的网格合并方法,根据簇间连通性简化网格簇合并的判断条件,有效减少算法执行时间。实验结果表明,该算法具有较高的聚类质量和聚类效率。     

一个椭圆方程的边界点流量密度最优控制问题

研究了1个椭圆方程的边界点流量密度最优控制问题．以流量密度作为控制量,讨论了方程解的存在性及关于边界点的最优控制,并导出了边界点流量密度最优控制的必要条件．     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

基于密度与网格的聚类算法的改进

针对传统基于密度树网格聚类算法中存在人为设置密度阈值、重复查询邻域内对象以及边界点处理不当等问题,提出了一种改进的基于密度与网格的聚类算法。该算法首先将全部网格的平均密度值作为其密度阈值,避免了人为设置密度阈值的偏差;其次采用自适应算法确定密度半径,使其能适用到动态的聚类中;然后采用对邻域外未标记的点作为下一个核心点,依据分类情况进行扩展,对邻域对象的查询不再出现重复;最后对边界点进行了处理,增强了算法的聚类精度。实验结果表明,改进的算法在时间的效率及精度方面均有提高,并且能更好地适应聚类的动态性。     

基于变异系数的边界点检测算法

为有效检测聚类的边界点,提出基于变异系数的边界点检测算法.首先计算出数据对象到它的k-距离邻居距离之和的平均值.然后用平均值的倒数作为每个点的密度,通过变异系数刻画数据对象密度分布特征寻找边界点.实验结果表明,该算法可在含有任意形状、不同大小和不同密度的数据集上快速有效检测出聚类的边界点,并可消除噪声.     

基于统计信息的聚类边界模式检测算法

为有效地检测聚类的边界点,提出基于统计信息的边界模式检测算法。根据数据对象的k距离统计信息设定邻域半径,再利用对象邻域范围内邻居的k距离统计信息寻找边界点。实验结果表明,该算法可以有效地检测出任意形状、不同大小和不同密度聚类的边界点,并可以消除噪声。     

基于网格熵的边界点检测算法

为了快速有效地检测聚类的边界点,提出了网格熵的概念和基于网格熵的边界点检测算法Greb。该算法利用网格熵的大小来判定聚类的边界点,且只对数据集进行两遍扫描。实验结果表明,对含有任意形状、不同大小以及不同密度且带有噪声的数据集,该算法能快速有效地检测出聚类的边界点。     

国际合作项目推荐

正一种从网页中抽取评论内容的方法和装置成果描述:本发明公开了一种从网页中抽取评论内容的方法和装置,涉及信息处理技术,通过建立评论页面的DOM树,并选择符合评论区抽取规则的子树抽取出评论内容,再利用评论记录间的结构相似性,抽取出评论区中的评