排序方式: 共有24条查询结果,搜索用时 156 毫秒
2.
现有的图像椒盐噪声滤除算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力,本文提出了一种基于二次噪声检测和细节保护规则函数的图像椒盐噪声滤波算法,算法将滤噪过程分为两个阶段:噪声检测和噪声恢复阶段.在噪声检测过程中,用自适应中值原理对图像中的噪声点进行初步检测,然后通过局部模糊隶属度函数对检测出的噪声点进行二次判断,有效提高了噪声检测的准确度.在噪声恢复阶段,利用细节保护规则函数与1数据逼近的凸面代价函数来恢复噪声点.为了充分利用图像局部特征,该算法自适应地选择噪声点周围的象素点利用细节规则保护函数得到输出值,当图像噪声点的凸面代价函数值达到最小时,噪声图像得到最佳恢复.实验结果表明,本文提出的滤波算法针对椒盐噪声具有很好的细节保护与噪声滤除能力,特别是在噪声感染率高(70%以上)的情况下,算法性能优于现有的其它算法. 相似文献
3.
1基本情况莱芜发电总厂2号灰场二期扩容工程于1995年12月公开招标,山东黄河工程局(以下简称“工程局”)以2750万元的标价中标,获得承建权。该工程由工程局派员组成项目经理部,按项目法组织施工,于1996年4月1日正式开工,经过近一年的努力,全面完成了施工任务,现已顺利通过竣工验收,交付甲方使用。该工程主要包括:主坝一座、北副坝一座和新建排水系统等工程。主坝结构为堆石透水坝,最大坝高58m,堆石方量80万m3;北副坝为干砌石坝体、浆砌石支撑钢筋混凝土防渗面板结构,最大坝高15m,主要工程量为干砌石2.7万m3、浆砌石0.7万m3… 相似文献
4.
图像滤噪是图像预处理的一个重要内容,因为滤噪效果对图像处理的最终结果有很大影响。如何充分利用图像的局部特征以提高滤波器的滤噪效果、细节及边缘信息保持能力,在分析现有图像滤波算法的基础上,提出一种基于概率统计模型与图像主纹理方向分析的非线性滤波算法。算法利用Radon变换对图像进行主纹理方向分析,得到图像的局部纹理方向概率密度分布,然后基于概率统计模型借助中心像素的若干邻近像素对中心像素进行估计得到中心像素点的灰度值。此算法充分利用了图像的局部特征,既具有良好的去噪能力,又兼顾了对图像细节的保持特性。在处理同时感染脉冲噪声和高斯噪声的混合噪声图像时,算法效果明显优于其他滤波算法。 相似文献
5.
随着市场经济的深入发展,越来越多工程建设项目采用矩阵型结构形式搭建项目管理机构,即各职能部门抽借人员组成项目部,并提供项目所需的资源,由项目经理对项目进行管理并全面负责.而项目经理的自身素质及如何科学管理,对工程项目完成有重要意义. 相似文献
6.
一种基于HASH变换的循环散列分档排序算法 总被引:1,自引:1,他引:1
在数据排序问题中,各种分段快速排序算法[3~11]只有对特定的数据分布类型或者符合ΔM相似文献
7.
该文提出了基于超像素级卷积神经网络(sp-CNN)的多聚焦图像融合算法。该方法首先对源图像进行多尺度超像素分割,将获取的超像素输入sp-CNN,并对输出的初始分类映射图进行连通域操作得到初始决策图;然后根据多幅初始决策图的异同获得不确定区域,并利用空间频率对其再分类,得到阶段决策图;最后利用形态学对阶段决策图进行后处理,并根据所得的最终决策图融合图像。该文算法直接利用超像素分割块进行图像融合,其相较以往利用重叠块的融合算法可达到降低时间复杂度的目的,同时可获得较好的融合效果。 相似文献
8.
提出了一种新的基于Shamir秘密共享方案的文件图像篡改检测和修复方法,该方法包含篡改保护生成和篡改检测修复2个过程.在篡改保护生成过程中,为了提高已有文件图像篡改检测和修复方法的篡改检测正确率和修复效果,首先提出了基于权重的篡改检测信号生成方法,对每个非重叠2×3图像块提取图像块特征,再利用Shamir秘密共享方案将块特征和块内容序列值生成用于块篡改检测和修复的共享信息,最后将块共享信息构成的α通道与原始图像组成可移植网络图形格式(portable network graphic format, PNG)的文件图像.在篡改检测过程中,α通道提取的共享信号可以判断图像块是否被篡改,并可以通过Shamir秘密共享方案反向操作修复篡改图像块的内容.实验表明所提方法不仅具有良好的篡改检测和修复效果,同时具有良好的鲁棒性,能抵抗图像裁剪、噪声攻击. 相似文献
9.
接缝裁剪(Seam Carving)作为近些年来热门的图像缩放技术之一,常被用于图像恶意篡改.当前对Seam Carving篡改的检测方法并不多,并均是针对JPEG格式图像,且在篡改比例较小时,检测准确率不高.文中方法利用离散切比雪夫变换后系数矩阵中的分布特点来提取特征以达到对图像接缝裁剪篡改的检测,并且该方法适用于多种图像格式,在小比例篡改的情况下依然保持较高的分类准确.利用离散切比雪夫变换(Discrete Tchebichef Transform,DTT)得到变换后的系数矩阵,提取Seam Carving篡改的痕迹,实现了对Seam Carving的篡改检测.所提方法首先将待检测图像分成8×8不重叠块,对每一个8×8块进行DTT变换,得到变换后的DTT系数矩阵;然后在每一块中分别计算DTT系数间的差异,再通过系数差异直方图得到统计矩阵,从统计矩阵中提取特征;最后使用支持向量机(Support Vector Machine,SVM)进行训练得到预测模型,实现对图像Seam Carving篡改的检测.实验结果表明,所提方法不仅适用于JPEG格式和TIFF格式的篡改图像,对小比例篡改也能达到较高的检测准确率. 相似文献
10.