基于相似性灰关联的Curvelet域多聚焦图像融合

 针对多聚焦图像融合问题,提出一种基于相似性灰关联的Curvelet域可见光图像融合方法.该方法首先将待融合图像进行多级Curvelet分解,然后对各融合图像的高频系数进行分块,利用灰色理论中的灰色欧几里德关联度确定各子块间的相似性,并制定不同的高频系数融合策略,低频系数则采用算术平均法融合;最后,通过Curvelet逆变换重构融合图像.实验结果显示,该方法融合图像的信息熵、标准差和清晰度等指标优于金字塔融合法以及小波变换法等常见的多种融合方法.     

求解连续函数优化问题的合作协同进化布谷鸟搜索算法

为改善布谷鸟搜索算法求解连续函数优化问题的性能,提出合作协同进化的布谷鸟搜索算法.改进算法通过应用合作协同进化框架,将种群的解向量分解成若干子向量,并构成相应子群体.利用标准布谷鸟算法更新各子群体的解向量.各子群体为其它子群体提供最优个体,组合成问题解向量并完成子群体评价.经10个测试函数实验仿真,结果说明改进算法能有效改善求解连续函数优化问题的性能.同时,针对连续函数优化问题,该算法与其它算法相比是有竞争力的优化算法.     

基于最佳局部差值编码位的手指静脉识别*

针对手指静脉识别技术中现有编码特征局部细节信息和区分性信息利用不充分的问题,文中提出基于最佳局部差值编码位(BLDCB)的手指静脉识别方法.设计局部差值编码提取方法获取图像的编码特征,提出基于相关性和散度的最佳位挖掘方法.引入条件概率计算编码位与目标的相关性,挖掘鲁棒位.计算鲁棒位之间的类间散度,获取具有区分性的鲁棒位,作为最佳位.在公开的PloyU手指静脉数据库和MLA手指静脉数据库上的实验验证文中方法可以进一步提高身份验证的精度和速度.     

改进的指纹细节特征提取算法

指纹细节特征（minutiae)提取是指纹自动识别的核心技术之一，常规的指纹细节特征提取算法需要先采用纹线跟踪的方法对细化后的指纹图象进行纹线修复，然后再实现细节特征提取，纹线修复不仅步骤繁琐，而且比较耗时，针对这一问题，提出了一种改进的指纹细节特征提取算法，该算法首先在细化后的指纹图象上直接提取原始细节特征点集，然后分析图象中存在的各类噪声及其特点，总结伪特征点的分布规律，最后，结合局部纹线方向信息，针对不同的噪声，采用针对性的算法，将各类噪声引起的伪特征点分别予以删除，最终保留下来的特征点集即视为真正的特征点集，为验证该算法的性能，将改进算法与常规算法进行了对比实验，实验结果表明，改进算法有效地减少了计算时间，细节特征提取准确率也基本可以满足应用的需要。     

一种基于统计窗的纹线距离估计方法

纹线距离在自动指纹识别中有着广泛的应用 .但迄今为止 ,研究纹线距离估计的文献并不多见 ,且所述方法对质量较差的指纹图象的处理效果也不尽如人意 .为了对质量较差的指纹图象进行可靠的纹线距离估计 ,提出了一种基于统计窗的纹线距离估计方法 ,该方法是首先将指纹图象分成互不重叠的块 ,并为每块图象定义统计窗和基线 ,然后采用距离统计的方法来获取统计窗内的指纹纹线分布 ,进而估计每块图象的纹线距离 .部分典型图象的实验结果证明 ,该方法是有效的 .     

基于标记盒的指纹分割

为增强指纹图像分割的效果，首先，基于方向一致性、局部灰度均值和灰度方差指标，提出了像素空间分布并进行了分析；然后，给出了使用标记盒来建立模型和进行指纹图像分割的算法步骤；最后，为了评估该方法的性能，分别使用线性分割器和二次曲面分割器的方法进行了对比实验．实验结果表明新方法提供了更精确的分割结果，仅有0．80％的像素分割错误，而二次曲面分割法的错误率为0．97％．     

任务粒度视角下的学生成绩预测研究综述

学生成绩预测作为教育数据挖掘领域重要的研究分支之一,学者们已开展了大批卓有成效的研究工作,但对现有文献进行调查、梳理的综述性研究仍相对缺乏.立足于不同的应用场景,以学生成绩预测研究的任务粒度为视角,从答题表现预测、课程成绩预测、综合学习表现预测等3个方面,详细介绍学生成绩预测研究所采用的技术和方法,并介绍目前学生成绩预...     

一种频谱分方向指纹纹线距离估计的新方法

纹线距离是指纹的固有本质属性，在自动指纹识别中有着重要的作用。然而目前多数纹线距离估计的方法直接在空域作估计，对低质量指纹图像的处理普遍存在较大误差。为了适应低质量指纹图像，提出了一种基于频谱分析的纹线距离估计的新方法，该方法首先通过快速傅立叶变换将指纹图像变换到频域，然后将频谱图像分成n个方向分别求纹线距离，最后作处理从而得到指纹图像的纹线距离。部分典型指纹图像的实验结果表明，该方法具有较强的有效性和鲁棒性。     

指纹纹线距离估计:算法与性能评价

指纹纹线距离的可靠估计对自动指纹识别系统的实现具有重要的意义本文利用传统的谱分析方法在频域实现了对指纹图像纹线距离的估计,提出了一种基于统计窗的纹线距离估计新的方法,在空间域实现了纹线距离估计.针对纹线距离估计方法缺少性能评价标准的现状,定义直接估计出纹线距离的区域占整个指纹有效面积的比例(Direct Estimation Ratio,DER)和估计精度(Estimation Accuracy,EA),提出使用DER、EA和时间消耗(TimeConsuming,TC)作为评价纹线距离估计方法的性能指标.实验结果表明,在模式区附近等纹线方向变化剧烈的区域,谱分析方法可以更为可靠地实现对纹线距离的估计,而在纹线方向变化平缓的区域,统计窗方法对图像质量表现出更好的鲁棒性,可以取得更好的效果.谱分析方法的DER、EA、TC分别为46.7%、84%、0.42秒,而统计窗方法的DER、EA、TC分别为66.4%、95%、0.29秒,统计窗方法在整体性能上要优于谱分析法.