介紹一種實(shí)用的二維條碼識(shí)別算法。首先探討了二維條碼的定位與分割算法,利用Hough變換與Sobel邊緣檢測(cè)把條碼圖像從原始采集的圖像中有效地分割出來(lái) 然后分析了條碼圖像經(jīng)過(guò)光學(xué)系統(tǒng)的噪聲模型,提出了一種計(jì)算點(diǎn)擴(kuò)展函數(shù)標(biāo)準(zhǔn)方差的算法 采用Flourier變換自適應(yīng)地選取閾值去除噪聲導(dǎo)致的無(wú)效邊界,從而得到條碼的基本模塊。實(shí)驗(yàn)結(jié)果表明,該算法具有很好的抗噪性,提高了二維條碼的識(shí)別率。
上傳時(shí)間： 2014-11-25
上傳用戶：shus521
針對(duì)基于圖像特征點(diǎn)的配準(zhǔn)方法中對(duì)應(yīng)特征對(duì)難以準(zhǔn)確提取的問(wèn)題,提出一種基于興趣 點(diǎn)匹配的圖像自動(dòng)拼接方法。該方法首先利用Harris角檢測(cè)器提取兩幅圖像中的興趣點(diǎn),并在此基 礎(chǔ)上采用比較最大值法提取出對(duì)應(yīng)興趣點(diǎn)特征對(duì),最后利用這些匹配特征對(duì)來(lái)實(shí)現(xiàn)圖像的拼接。實(shí) 驗(yàn)結(jié)果表明,這種方法能有效地去除偽匹配特征對(duì)的干擾,同時(shí)降低了誤匹配的概率
標(biāo)簽： Harris 圖像 特征點(diǎn) 特征
上傳時(shí)間： 2013-12-31
上傳用戶：BIBI
基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究論文 摘 要: 本文提出了基于連接結(jié)構(gòu)優(yōu)化的粒子群優(yōu)化算法(SPSO) 用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練,該算法在訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán) 值的同時(shí)優(yōu)化其連接結(jié)構(gòu),刪除冗余連接,使神經(jīng)網(wǎng)絡(luò)獲得與模式分類問(wèn)題匹配的信息處理能力. 經(jīng)SPSO 訓(xùn)練的神經(jīng) 網(wǎng)絡(luò)應(yīng)用于Iris ,Ionosphere 以及Breast cancer 模式分類問(wèn)題,能夠部分消除冗余分類參數(shù)及冗余連接結(jié)構(gòu)對(duì)分類性能 的影響. 與BP 算法及遺傳算法比較,該算法在提高分類誤差精度的同時(shí)可加快訓(xùn)練收斂的速度. 仿真結(jié)果表明,SPSO是有效的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法
標(biāo)簽： SPSO 神經(jīng)網(wǎng)絡(luò) 連接 粒子群優(yōu)化
上傳時(shí)間： 2013-11-30
上傳用戶：myworkpost
摘要:為了提高圖像復(fù)原算法的性能 ,提出了一種改進(jìn)的奇異值分解法估計(jì)圖像的點(diǎn)擴(kuò)散函數(shù)。從圖像的退化離散模型 出發(fā) ,對(duì)圖像進(jìn)行逐層分塊奇異值分解 ,并自動(dòng)選取奇異值重組階數(shù)以減少噪聲對(duì)估計(jì)的影響。利用理想圖像奇異值向 量平均能譜指數(shù)模型 ,估計(jì)點(diǎn)擴(kuò)散函數(shù)奇異值向量的頻譜 ,再反傅里葉變換得到其時(shí)域結(jié)果。實(shí)驗(yàn)結(jié)果表明 ,該方法能 在不同信噪比情況下估計(jì)成像系統(tǒng)的點(diǎn)擴(kuò)散函數(shù) ,估計(jì)結(jié)果比原有估計(jì)方法有所提高 ,有望為圖像復(fù)原算法的預(yù)處理提 供一種有效的手段。
上傳時(shí)間： 2014-08-06
上傳用戶：litianchu
演算法是指利用電腦解決問(wèn)題所需要的具體方法和步驟。本書(shū)介紹電腦科學(xué)中重要的演算法及其分析與設(shè)計(jì)技術(shù)，熟知這些演算法，才能有效的使役電腦為我們服務(wù)。
上傳時(shí)間： 2017-06-09
上傳用戶：爺?shù)臍赓|(zhì)
摘要:重構(gòu)相空間是非線性分析的基礎(chǔ) ,利用聯(lián)積分導(dǎo)出的 C2C方法是估計(jì)相空間重構(gòu)參數(shù)延遲時(shí)間和延遲時(shí)間窗的有效方。由于混沌系統(tǒng)的初值敏感性和實(shí)際序列長(zhǎng)度有限并帶噪 ,使得 C2C方法估計(jì)出的和具有波動(dòng)性。為了降低估值偏差 ,借鑒譜估計(jì)中平均法的思想 ,提出一種不同于已有文獻(xiàn)利用整段序列估算和,而采用對(duì)序列分段估值后取平均的方法 ,并重點(diǎn)討論了帶噪序列的和 估值及序列長(zhǎng)度對(duì)估值的影響。數(shù)值仿真證明這種平均處理方法對(duì)和的估值具有較好的有效性和可靠性。關(guān)鍵詞:非線性時(shí)間序列 關(guān)聯(lián)積分 重構(gòu)參數(shù) 平均
上傳時(shí)間： 2017-07-05
上傳用戶：2467478207
提出了一種基于相似度函數(shù)的自適應(yīng)加權(quán)中值濾波算法。該方法首先通過(guò)噪聲檢測(cè)確定圖像中的噪聲點(diǎn),然后 根據(jù)窗口內(nèi)噪聲點(diǎn)的個(gè)數(shù)自適應(yīng)地調(diào)整濾波窗口的尺寸,并根據(jù)相似度大小,巧妙地將濾波窗口內(nèi)各個(gè)像素點(diǎn)自適應(yīng)分 組并賦予相應(yīng)的權(quán)重,最后對(duì)檢測(cè)出的噪聲點(diǎn)進(jìn)行加權(quán)中值濾波。計(jì)算機(jī)模擬實(shí)驗(yàn)結(jié)果表明:該算法既能有效地濾除噪 聲,又能較好地保護(hù)圖像細(xì)節(jié),比標(biāo)準(zhǔn)中值濾波具有更優(yōu)良的濾波性能。
上傳時(shí)間： 2017-08-06
上傳用戶：lizhizheng88
對(duì)粗糙集( Rough Set)理論中屬性約簡(jiǎn)和值約簡(jiǎn)算法進(jìn)行了研究，提出了一種新的基于粗糙集的值約簡(jiǎn)算法。實(shí)驗(yàn)表明，該算法所得 結(jié)果比目前通用的基于粗糙集的值約簡(jiǎn)算法更簡(jiǎn)化和有效，它可以應(yīng)用到各種與值約簡(jiǎn)相關(guān)的實(shí)際問(wèn)題中。
標(biāo)簽： Rough Set 粗糙集 約簡(jiǎn)算法
上傳時(shí)間： 2014-01-01
上傳用戶：佳期如夢(mèng)
1. 給定函數(shù) ，. （1） 1.在定義區(qū)間上等間隔地取5個(gè)節(jié)點(diǎn),并計(jì)算節(jié)點(diǎn)處的函數(shù)值(取6位有效數(shù)字). 借助Matlab 求該函數(shù)的Lagrange 插值基函數(shù)以及差值多項(xiàng)式的表達(dá)式. 2.利用圖示的方法將插值多項(xiàng)式曲線與曲線(1)進(jìn)行比較. 3.求該函數(shù)在區(qū)間端點(diǎn)處的一階和二階導(dǎo)數(shù). 4.利用Matlab 函數(shù)csape和1.所得數(shù)據(jù)求該函數(shù)的三次樣條插值函數(shù)，其中，邊界條件分別為固定邊界條件和自然邊界條件。以圖示的方式將所求樣條函數(shù)曲線和被插值函數(shù)曲線進(jìn)行比較。 5. 寫(xiě)出所求三次樣條函數(shù)在各個(gè)小區(qū)間上的表達(dá)式（系數(shù)取2位有效數(shù)字）。 6.利用Matlab函數(shù)fnval計(jì)算所求三次樣條函數(shù)在點(diǎn)處的值，畫(huà)圖并與被插值曲線作比較。
上傳時(shí)間： 2015-03-29
上傳用戶：kmyilang
針對(duì)高速圖像目標(biāo)實(shí)時(shí)識(shí)別和跟蹤任務(wù)，需要利用系統(tǒng)中有限的硬件資源實(shí)現(xiàn)高速、準(zhǔn)確的二值圖像 連通域標(biāo)記，提出了一種適合FPGA實(shí)現(xiàn)的二值圖像連通域標(biāo)記快速算法。算法以快捷、有效的方式識(shí)別、并 記錄區(qū)域間復(fù)雜的連通關(guān)系。與傳統(tǒng)的二值圖像標(biāo)記算法相比，該算法具有運(yùn)算簡(jiǎn)單性、規(guī)則性和可擴(kuò)展性的 特點(diǎn)。
標(biāo)簽： FPGA 二值圖像 標(biāo)記 快速算法基于FPGA的二值圖像連通域標(biāo)記快速算法實(shí)現(xiàn)
上傳時(shí)間： 2016-11-19
上傳用戶：nathanlgy
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
