摘要：高斯模糊下传统舰船图像自适应细节层次感会降低,图像细节刻画不明显,为此提出舰船图像自适应细节增强方法。设计自适应UM细节图像增强方法,确定自适应增益系数,对细节层次感进行区域规划,设计自适应拉低对比度区域增强机制,提升图像细节刻画能力;通过图像扩张对细节板块化颜色校正,保证呈现方式具备明显的色彩对比,对图像进行灰度计算,实现图像自适应细节增强。实验结果表明,设计方法能够增加图像自适应细节的层次感以及细节表现力。

摘要：车牌识别是车辆识别的重要内容,交通管理系统的智能化的发展对车牌识别的准确度、速度、鲁棒性、检测的空间范围等提出了更高的要求。为实现快速、高准确率及高适应性的车辆识别效果,课题组基于图片处理的车牌识别方法,利用改进的高斯模糊算法,基于OpenCV软件进行车牌识别系统设计,以检测距离和检测角度为主要变量,搭建试验平台,以识别的速度,识别准确率及鲁棒性作为主要评价指标进行车牌识别试验验证。38组测试结果显示,除一次极限状态,和一次试错外,该系统均能快速、准确地完成车牌识别工作。

摘要：随着智能设备的普及,如何快速准确地检测、识别人体摔倒已逐渐成为研究的热点;然而现阶段对摔倒动作识别与检测仍然存在很多问题;为此,以智能设备的传感器系统采集的三轴加速度与角加速度为基础,结合经过高斯过滤后形成人体活动的信号幅度向量和陀螺仪信号幅度向量特征曲线与摔倒检测的模糊隶属函数特征模型,提出一种基于模糊的摔倒自检测算法;算法重点针对急速跑动、上下楼梯、手机平抛和自由落体等摔倒检测中的干扰动作进行了分析与区分,经过实验测试表明该算法有较快的反馈速度、较好的区分度以及较低的误判率。

摘要：针对现有水下鱼类分类准确率低,抗干扰能力和泛化能力差等问题,本研究在ResNet-D模型的基础上,设计了一种名为DAResNet的模型。首先,将主干网络中的部分卷积替换为全维动态卷积模块,以提高网络模型的特征提取能力及网络准确率;接着,通过引入高效多尺度注意力机制进一步增强模型对关键特征的识别和响应能力,以提升模型的抗干扰性;最后,在下采样阶段,引入高斯模糊和挤压激励注意力平滑特征并强化模型对关键信息的提取,以提升泛化能力。相比原始算法,DAResNet在水下鱼类识别任务中准确率提升了3.05%,性能提升明显,证明了所提方法的有效性。

摘要：服饰纹样是畲族服装的重要特征,这些特征的数字化研究对畲族服装的计算机自动分类有重要意义。实验选取12款典型畲族服装,采用高斯模糊和尺度不变特征转换方法从服装样图中提取特征关键点,并获得在领口、门襟、袖口和侧开衩等不同区域的关键点分布。结果表明:用计算机获得的关键点分布与不同类别畲族服装特征之间具有良好的一致性;通过关键点数量分析,可以得到不同类别畲族服装的关键设计区域和排序;用关键点向量间方差大小可以表征畲族服装纹理的复杂度。该方法可有效识别不同类别的畲族服装,为畲族服饰设计提供了参考。

摘要：设计了一种基于 3× 3区域灰度方差纹理特征的高分辨率遥感影像居民地特征分析算法 ,通过高斯模糊处理提高影像上居民地区域纹理特征一致性的同时 ,加大了其同背景地物纹理特征值的差异 ,并设计了相应的居民地自适应分割阈值求取算法 。

摘要：正COS作品从准备、拍摄再到后期制作要有一个完整、清晰的思路,并且它的后期处理也要比其它的摄影作品更加细致和复杂。COS照片在后期调整时最重要的是忠于原著,这就需要充分了解角色,从人物的个性和特点出发,进行光效、色调以及整体氛围的刻画,这样才能制作出一张精良的动漫影像作品。

摘要：KPT Convolver是HSC软件公司开发的新一类滤色镜,把它放在Photoshop 的Plug-ins文件夹中。当运行Photoshop 时,就可以在Filter菜单中看到它。 最让人欣赏的是KPT Convolver继承了HSC软件一贯的图像化介面风格,所有的操作都用鼠标以最简洁的点或拖动方式完成。实际上在它背后。

摘要：边缘检测和图像分割算法直接应用于壁画线描画提取时,对一条笔道通常会产生2次响应,且其结果一般为单像素宽度,无法生成定位准确并同时保留壁画原有风格的笔道。针对该问题,提出一种结合灰度信息和边缘信息的壁画线描画生成方法。使用基于高斯模糊的高频提升滤波,简化壁画背景像素灰度值的分布,利用阈值分割和边缘检测算法提取笔道,并进行叠加,以生成完整线描画,通过矢量化,使笔道边缘更光滑。实验结果表明,当壁画笔道的灰度值小于其周围背景的灰度值时,与Canny算子和gPb算子等边缘检测方法相比,该方法能准确定位笔道,且提取的笔道具有一定的宽度,能够反映壁画的原有风格。

摘要：为实现大坝长久稳定的安全服役,避免监测资料中的粗差对大坝安全监测结果产生影响,需要对监测数据中的粗差进行剔除。由于目前的粗差识别方法依旧会造成粗差漏判、误判情况的发生,通过模仿人工识别数据粗差的过程,运用程序设计语言,提出一种基于图像处理技术的自动化粗差识别方法。首先对依据监测数据绘制出的散点图进行高斯模糊和二值化处理,再提取主要趋势线,最后识别出监测数据中的粗差点并进行剔除。选取某实际工程大坝监测资料,运用该方法对其进行粗差识别,并与传统3σ识别准则的粗差识别效果进行对比。算例结果表明:该方法对数据粗差的识别效果更加显著,避免了粗差漏判情况的发生,对粗差的剔除更彻底;利用该方法识别后得到的统计模型复相关系数为0.999,标准差为0.192,模型精度更高,也更符合工程实际情况。因此,该方法具有一定的工程应用前景和实用价值。