求解线性方程组的一种新的迭代算法

对系数为对称正定矩阵的线性方程组Ax=b,利用系数矩阵A主对角线上元素的和构造了一种新的收敛迭代格式xk+1=(I-2/a11+…+ann A)xk+2/a11+…+ann b,并进一步对这种格式进行了改进.

Abstract：

Using the sum of the elements of the principal diagonal of the coefficient matrix A, a new iterative schine ,i.e.xk+1=(I-2/a11+…+ann A)xk+2/a11+…+ann b,is constructed for the linear equation Ax = b, of which the coefficient is a symmetric positive definite matrix. Further improvement is made of the scheme.     

基于Split Bregman算法的遥感图像分割分水岭技术

针对遥感图像中的道路、村落、农田、山脉等目标物分割时存在过分割和欠分割问题,采用分裂Bregman算法和分水岭方法相结合的方法,给出了适合近地遥感图像的一种新的标记分水岭方法。该方法利用多尺度插值小波算子逼近图像分割变分模型中的图像表示函数;采用Split Bregman迭代算法对变分模型进行快速求解;将Split Bregman分割结果作为标记,采用分水岭方法对遥感图像进行精确分割,保证了标记总数无冗余。试验结果表明,采用较小的尺度尺寸参数(J=3)时,可准确分割出来具有开环特性的村落图像区域,而采用较大的尺度尺寸参数(J=7)时,可精确分割农田中的纹理,但对村落区域则有一定的过分割现象出现。采用自适应多尺度参数时,可有效消除过分割和欠分割现象。     

基于粗糙集的迭代阈值选择的玉米苗期背景分割算法研究

将粗糙集与阈值迭代算法相结合,提出了基于粗糙集的迭代阈值选择背景分割算法并将其运用在玉米苗期图像上。利用粗糙集的模糊性刻画目标与背景的边界,用阈值迭代法选取阈值进而实现背景分割。仿真试验结果表明:传统的阈值迭代算法的分割耗时为0.469 s,并且分割后图像存在大量的信息丢失;基于粗糙集的迭代阈值选择背景分割算法的分割耗时为0.374 s,分割图像清晰,能够快速、有效、准确的实现背景分割,并满足农业智能生产中实时性、高效性的要求。     

基于联合稀疏模型的黄瓜病害自动识别

提取黄瓜7种叶部病害图像颜色、形状和纹理的共26种特征进行研究,发现不同形式的特征在用同一样本集合稀疏表示时,它们的稀疏系数有着相似的结构。通过引入联合稀疏模型构造方程,对这一规律进行数学描述,使用加速近端梯度法求解联合稀疏系数,最后借助重构误差来实现病害识别。试验表明,这一算法的正确识别率达到90.67%,较稀疏表示分类算法提高5.7%,计算消耗时间7.5 s,较稀疏表示分类算法缩短4.3 s。     

图像分割技术之迭代算法在杂草识别中的应用

计算机图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像分割技术是图像处理之基本技术,图像分割就是在一幅影像中查找同类的区域。图像分割的应用范围涵盖了图像噪声的过滤以及特征的提取和识别。在介绍图像分割的主要特征的基础上,针对农田杂草识别中图像分割特点,提出了应用迭代算法的分割方法,并开发了相应的软件。实验验证该方法用于农田杂草识别前的图像的二值化处理,能够很好地消除图像噪声,得到连续的图像边界,可以有效地实现图像的二值化处理,为后续的杂草识别打下良好的基础。     

一种改进的葡萄叶片自动分割算法

针对不同光照以及不同天气条件造成葡萄叶片图像不能准确分割的问题,提出了一种改进的图割分割算法。采用G/R以及a*颜色特征自动选择叶片目标和背景种子点,利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度可达95.03%。     

求解病态线性方程组的一种新的Jacobi迭代算法

给出了求解病态线性方程组的一种新的Jacobi迭代算法,证明了算法的收敛性,并通过算例说明了算法的实用性和有效性.     

一种积分形式的流量重构算法的超收敛性

对一维问题,何松年新近提出一种积分形式的流量重构算法,并证明了常系数情形下重构流量L2意义下的超收敛性.本文运用超收敛基本估计对变系数情形证明了重构流量的逐点超收敛性.     

快速边界行进算法：一种CT图像肺实质自动分割策

提出了快速边界行进算法用来分割与胸膜和纵膈相连的肺结节。快速边界行进算法首先通过高斯平滑、阈值分割等方法预处理CT图片,获取肺实质区域;然后采用Douglas-Peucker算法提取边缘的关键点以压缩肺实质边缘;最后,采用自适应边界行进算法修补肺实质边缘。实验结果证明了快速边界行进算法能有效地分割出与胸膜和纵膈相连的肺结节,并减小了时间开销。     

基于改进的Chambolle对偶迭代的图像分割方法

为了克服基于对偶迭代的分割方法在要求达到较高精度的分割时收敛较慢的缺点, 提出了对二相位分片常数Mumford-Shah模型的一个子问题采用改进的Chambolle对偶迭代进行求解. 通过对Chambolle对偶迭代和一种修正对偶迭代分别进行局部傅立叶分析, 证明了所提出的算法的合理性. 实验结果表明: 对于two-cell图像, dot256图像, 当终止准则精度要求更高时, 提出的算法迭代步数少, 收敛更快.     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

一种改进的NGVFSnake模型

为解决NGVFSnake模型角点定位精度低和无法收敛到弱边缘的不足,利用GVF场强分布和扩散过程的特 性,通过引进两个随空间变化的权重函数,提出了一种改进的NGVFSnake模型.实验结果表明,新模型不仅能保 持原GVFSnake模型和NGVFSnake模型捕获区域较大、能很好地收敛到凹陷区域等优点,而且能很好地保护弱 边缘和图像细节,提高了图像分割的准确性和分割效率.     

一种用于植物图像背景分割的最大熵改进算法的研究

以茉莉花植物为研究对象,提出了一种基于2G-R-B颜色特征的最大熵改进算法。该方法利用基于梯度的边缘强度算法和OTSU法求出初始分割区域,然后在该区域运用最大熵法求出最佳分割阈值,最后利用数学形态滤波对图像进行去噪处理。结果表明,该文的改进算法分割效果明显好于基于梯度的边缘强度算法和OTSU法分割效果。     

一种基于压缩感知的入侵检测方法

网络入侵检测必须面对海量的数据获取和处理,压缩感知理论能够直接、快速压缩采集网络中的数据流.提 出一种基于压缩感知的入侵检测方法,该方法通过对访问数据的压缩采样,获取正常和异常行为的特征数据.这种 数据处理方式避开了大量的数据处理,直接获取特征,这对于网络入侵检测需要进行高维的数据处理过程来说,大 大节省了处理时间,为实现实时的入侵检测提供了重要的技术手段.     

求解大规模非光滑优化问题的一种修正Hestenes-Stiefel共轭梯度算法

利用Moreau-Yosida正则化技术和非单调线搜索技术,设计了一种针对大规模非光滑优化问题的修正Hestenes-Stiefel共轭梯度算法.该算法的搜索方向不仅自动满足充分下降条件,而且属于信赖域.在适当条件下,新算法全局收敛.初步的数值实验也表明新算法对于求解大规模非光滑无约束凸优化问题是有效的.     

求解整数线性规划问题的一种新算法

提出了一种求解整数线性规划问题的新方法。利用流动等值面技术的原单纯形方法,从初始整数可行解出发,逐步寻找下一个更好的整数可行解,直到找到原问题的最优解,必要时通过Gomory割平面来寻找整数可行解。该方法不但保留了原割平面法保持整数可行解的特点,而且继承了对偶割平面法灵活利用割平面的优点。     

求解无约束优化问题的一种新的共轭梯度法

一般情况下,求解大规模约束问题的有效算法是共轭梯度法,βk的选取不同构成不同的共轭梯度法。提出了求解无约束优化问题的一种新的共轭梯度法,修正了βk,并在Wolfe线搜索下证明了它的全局收敛性。     

求解无约束问题的修正PRP共轭梯度算法

提出了一种改进的PRP共轭梯度算法,其搜索方向自动具有充分下降性和信赖域性质,且在一定条件下,具有全局收敛性.数值结果表明该算法对求解无约束光滑问题是有效的.     

一种改进的PageRank算法

PageRank算法通过离线对网络链接图的邻接矩阵进行幂迭代,计算出各个网页的权威值。幂迭代法计算简单,特别适用于高阶稀疏矩阵,但是收敛速度不能令人满意。为了减少PageRank算法的迭代次数,将其转化为大型稀疏矩阵线性方程组问题,即视为求解方程组(P-E)X=0。采用MapReduce并行编程方法和Gauss-Seidel迭代法相结合求解方程组,使迭代次数更少,并行效率更高。     

一种基于粗糙集理论的神经网络图像分割方法

神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理.基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法.利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值.实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果,满足图像处理的实时性要求.