基于Snake 模型的圖像分割技術(shù)是近年來圖像處理領(lǐng)域的研究熱點(diǎn)之一。Snake 模型承載上層先驗(yàn)知識(shí)并融合 了圖像的底層特征,針對(duì)醫(yī)學(xué)圖像的特殊性,能有效地應(yīng)用于醫(yī)學(xué)圖像的分割中。本文對(duì)各種基于Snake 模型的改進(jìn)算法和 進(jìn)化模型進(jìn)行了研究,并重點(diǎn)梳理了最新的研究成果,以利于把握基于Snake 模型的醫(yī)學(xué)圖像分割方法的脈絡(luò)和發(fā)展方向。
標(biāo)簽： Snake 模型 圖像 醫(yī)學(xué)圖像
上傳時(shí)間： 2014-01-23
上傳用戶：BIBI
《貝斯方法與Dempster_Shafer證據(jù)理論的討論》《RBF神經(jīng)網(wǎng)絡(luò)與證據(jù)理論相結(jié)合的特征級(jí)信息融合方法的研究》
標(biāo)簽： Dempster_Shafer RBF 神經(jīng)網(wǎng)絡(luò) 特征
上傳時(shí)間： 2013-12-10
上傳用戶：wpt
融合WMD矩陣與2DPCA的人臉特征抽取與識(shí)別
上傳時(shí)間： 2016-06-14
上傳用戶：qiao8960
多傳感器信息融合是對(duì)多種信息的獲取、表示及其內(nèi)在聯(lián)系進(jìn)行綜合處理和優(yōu)化的技術(shù)。單一傳感器只能獲得環(huán)境或被測(cè)對(duì)象的部分信息段，多傳感器信息融合后可以完善地、準(zhǔn)確地反映環(huán)境特征。本文介紹多傳感器數(shù)據(jù)融合的基本理論。數(shù)據(jù)融合是把來自不同傳感器數(shù)據(jù)加以綜合、相關(guān)、互聯(lián)，提高定位和特征估計(jì)的精度。文章對(duì)Kalman融合算法進(jìn)行仿真，對(duì)結(jié)果進(jìn)行分析。驗(yàn)證算法的可行性。
上傳時(shí)間： 2013-10-08
上傳用戶：zhaoke2005
傳統(tǒng)多模態(tài)生物特征識(shí)別方法當(dāng)出現(xiàn)生物特征缺失時(shí)，識(shí)別性能會(huì)明顯下降。針對(duì)此問題，提出一種融合人臉、虹膜和掌紋的自適應(yīng)并行結(jié)構(gòu)多模態(tài)生物識(shí)別方法。該方法在設(shè)計(jì)融合策略時(shí)，考慮到所有可能的輸入缺失，構(gòu)造并行結(jié)構(gòu)的融合函數(shù)集，在實(shí)際應(yīng)用時(shí)根據(jù)輸入狀態(tài)自適應(yīng)的選擇融合策略進(jìn)行識(shí)別。實(shí)驗(yàn)仿真結(jié)果表明該方法既可提高識(shí)別可靠性又可實(shí)現(xiàn)當(dāng)有生物特征缺失時(shí)的性能穩(wěn)定。
標(biāo)簽： 并行 多模 生物特征識(shí)別
上傳時(shí)間： 2013-11-02
上傳用戶：huangld
針對(duì)傳感器網(wǎng)絡(luò)下多目標(biāo)跟蹤時(shí)目標(biāo)數(shù)量不斷變化這一復(fù)雜情況，文中對(duì)多目標(biāo)的跟蹤和特征管理方法進(jìn)行了研究。該方法由數(shù)據(jù)關(guān)聯(lián)、多目標(biāo)跟蹤、特征管理，和信息融合所組成。其中未知數(shù)量多目標(biāo)的跟蹤和數(shù)據(jù)關(guān)聯(lián)通過馬爾科夫蒙特卡羅數(shù)據(jù)關(guān)聯(lián)實(shí)現(xiàn)。通過信息融合來整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實(shí)現(xiàn)特征管理。試驗(yàn)證明，本方法能夠在分布式的傳感器網(wǎng)絡(luò)環(huán)境下對(duì)多目標(biāo)進(jìn)行準(zhǔn)確有效地跟蹤和特征管理。
標(biāo)簽： 傳感器網(wǎng)絡(luò) 多目標(biāo)跟蹤 特征 管理方法
上傳時(shí)間： 2013-11-18
上傳用戶：wangdean1101
小波工具箱的應(yīng)用基礎(chǔ) 395 16.1 一維小波分析的應(yīng)用 395 16.1.1 小波分解在普通信號(hào)分析中的應(yīng)用 395 16.1.2 小波變換在信號(hào)特征檢測(cè)中的應(yīng)用 411 16.2 二維小波分析的應(yīng)用 417 16.2.1 小波分析在圖像平滑中的應(yīng)用 417 16.2.2 小波分析在圖像增強(qiáng)中的應(yīng)用 418 16.2.3 小波分析在圖像融合中的應(yīng)用 420 16.3 小波包分析的應(yīng)用 422 16.3.1 小波包在信號(hào)時(shí)頻分析中的應(yīng)用 423 16.3.2 小波包在圖像邊緣檢測(cè)中的應(yīng)用 429
上傳時(shí)間： 2014-01-14
上傳用戶：小草123
針對(duì)目前的基于特征的圖像檢索中沒有有效地結(jié)合圖像中對(duì)象空間信息的問題，提 出了一種新的融合了顏色、空間和紋理特征的圖像特征提取及匹配方法。為了減少時(shí)間 間復(fù)雜度，首先通過基于普通顏色直方圖的檢索得到初始圖像集合，然后根據(jù)提出的結(jié)合空間、紋理特征加權(quán)度量對(duì)初始圖像集合再進(jìn)行檢索，從而得到最后更符合要求的相似圖象
標(biāo)簽： 特征 圖像檢索 對(duì)象 結(jié)合圖
上傳時(shí)間： 2014-01-10
上傳用戶：wang5829
人口老齡化是世界各國(guó)正在面對(duì)的一個(gè)普遍問題。隨著我國(guó)老齡化程度的持續(xù)加劇，對(duì)于老年人群體的醫(yī)療資源投入會(huì)不斷提高。而與此同時(shí)，跌倒已經(jīng)成為老年人日常生活中最為常見的危險(xiǎn)行為活動(dòng)。所以，跌倒檢測(cè)系統(tǒng)的研究和應(yīng)用對(duì)降低老年人受到的身心傷害和醫(yī)療成本具有顯著的意義。目前解決老年人跌倒檢測(cè)的方案仍存在許多不足。其中，基于計(jì)算機(jī)視覺的跌倒檢測(cè)技術(shù)在無干擾的場(chǎng)景下檢測(cè)較為有效，但其易受環(huán)境變化（如背景光線影響、人遮擋問題等）影響。此外，基于可穿戴計(jì)算的跌倒檢測(cè)技術(shù)受限于算法穩(wěn)定性和識(shí)別準(zhǔn)確率，系統(tǒng)的靈敏度和特異性難以同時(shí)得到保證。針對(duì)上述問題本文提出一種融合計(jì)算機(jī)視覺和可穿戴計(jì)算數(shù)據(jù)的跌倒檢測(cè)新的方法。首先，設(shè)計(jì)并開發(fā)了集成三軸加速度計(jì)、三軸陀螺儀和藍(lán)牙的活動(dòng)感知模塊，實(shí)現(xiàn)實(shí)時(shí)采集、傳輸人體活動(dòng)數(shù)據(jù)：其次，使用深度學(xué)習(xí)算法從攝像頭采集的圖像數(shù)據(jù)提取人體姿態(tài)特征數(shù)據(jù)：最后，對(duì)采集的人體活動(dòng)數(shù)據(jù)和姿態(tài)數(shù)據(jù)進(jìn)行規(guī)范化和時(shí)序化處理，設(shè)計(jì)了兩個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)分別對(duì)數(shù)據(jù)進(jìn)行特征提取，并將兩特征進(jìn)行特征層數(shù)據(jù)融合，在此基礎(chǔ)上構(gòu)建神經(jīng)網(wǎng)絡(luò)對(duì)融合數(shù)據(jù)進(jìn)行活動(dòng)本文搭建了實(shí)驗(yàn)平臺(tái)并進(jìn)行了算法測(cè)試，其中，本文跌倒檢測(cè)算法針對(duì)離線測(cè)試數(shù)據(jù)的準(zhǔn)確率為992%，平均敏感度為995%、平均特異性為99.8%：針對(duì)在線數(shù)據(jù)系統(tǒng)測(cè)試準(zhǔn)確率為98.9%、平均敏感度為99.2%、平均特異性為99.5%實(shí)驗(yàn)結(jié)果證明了利用計(jì)算機(jī)視覺和可穿戴計(jì)算數(shù)據(jù)融合的跌倒檢測(cè)具有較高的準(zhǔn)確率和魯棒性。
標(biāo)簽： 視覺圖像 數(shù)據(jù)融合
上傳時(shí)間： 2022-03-14
上傳用戶：bluedrops
隨著杜會(huì)和經(jīng)濟(jì)的發(fā)展，環(huán)境水污染現(xiàn)象也日趨嚴(yán)重，迫切需要環(huán)境水質(zhì)多參數(shù)監(jiān)測(cè)與智能分析系統(tǒng)，以為環(huán)境監(jiān)測(cè)、管理和控制提供科學(xué)的手段。水質(zhì)多組分檢測(cè)涉及到多傳感器數(shù)據(jù)融合、計(jì)算機(jī)技術(shù)、電化學(xué)分析和人工智能等多學(xué)科的交叉，在眾多領(lǐng)域有著廣泛的應(yīng)用。本論文研究環(huán)境水質(zhì)檢測(cè)與智能分析系統(tǒng)，論文的主要工作包括1）基于最小二乘支持向量機(jī)的在線自適應(yīng)加權(quán)數(shù)據(jù)融合算法多傳感器數(shù)據(jù)融合由于能夠利用互補(bǔ)和冗余的信息，顯著提高系統(tǒng)的可靠性而得到了廣泛應(yīng)用，而數(shù)據(jù)融合的關(guān)鍵問題是融合算法。本文深入研究了多傳感器數(shù)據(jù)融合理論的基礎(chǔ)上，針對(duì)傳統(tǒng)融合算法研究存在的問題，提出了一種基于最小二乘支持向量機(jī)的在線自適應(yīng)加權(quán)數(shù)據(jù)融合算法，并應(yīng)用到水質(zhì)在線檢測(cè)過程中，不僅縮短了訓(xùn)練的時(shí)間，而且提高了融合的可靠性和靈活性2）提出了一種離子傳感器的基于最小二乘支持向量機(jī)的自校正方法：由于離子傳感器的非線性、漂移和交叉敏感性等影響了其檢測(cè)精度和可靠性，難以進(jìn)行連續(xù)在線檢測(cè)。以硝酸根離子傳感器為例，研究其自校正方法，以適應(yīng)動(dòng)態(tài)環(huán)境的連續(xù)監(jiān)測(cè)根據(jù)實(shí)驗(yàn)數(shù)據(jù)，詳細(xì)分析了硝酸根離子傳感器的響應(yīng)特性，并考慮了零點(diǎn)和時(shí)間漂移，提出了一種基于最小二乘支持向量機(jī)硝酸根離子傳感器的自校正方法，給出了詳細(xì)描述和分析。3）離子傳感器故障檢測(cè)的小波支持向量機(jī)特征提取和支持向量機(jī)分類方法在線連續(xù)檢測(cè)的應(yīng)用要求離子傳感器必須具有很高的可靠性，即能夠及時(shí)準(zhǔn)確地判斷出離子傳感器的故障。本文采用小波支持向量機(jī)提取各傳感器故障特征，再用支持向量機(jī)對(duì)故障進(jìn)行分類，實(shí)現(xiàn)對(duì)各離子傳感器的故障診斷。
標(biāo)簽： 數(shù)據(jù)融合
上傳時(shí)間： 2022-03-18
上傳用戶：
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
