【摘 要】
：
为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性
【机 构】
：
广州科技职业技术大学信息工程学院,广州工商学院计算机科学与工程系,长江大学信息与数学学院
【基金项目】
：
国家自然科学基金(61705095),2019年教育部产学合作协同育人项目(201901105017),广州科技职业技术大学2021年校级课题(2021ZR07)。
论文部分内容阅读
为快速准确地滤除图像中的脉冲噪声并较好地保持图像的纹理细节和边缘结构,提出一种基于修剪均值与高斯加权中值滤波的图像去噪算法。根据脉冲噪声的灰度特征与统计特征,以局部统计方式进行噪声检测,将灰度取最小值或最大值且与邻域像素相关性较小的像素识别为噪声像素。对于图像平滑区域和细节区域中的噪声像素,使用自适应修剪均值和高斯加权中值滤波算法进行去噪处理。实验结果表明,该算法在视觉效果、峰值信噪比、结构相似性及计算速度上均优于对比算法,并且能够在彻底滤除噪声的同时,较好地保持图像的纹理细节和边缘结构。
其他文献
我国《民法典》于“继承编”新增了遗产管理人制度,但未明确遗产管理人清偿遗产债务的顺序。这不仅导致法律法规适用存在模糊,还易造成各遗产利益相关人权益保护的失衡。因此,需要从划定遗产债务范围出发,明确被继承人生前、继承开始时、继承开始后所形成的债务都属于遗产债务,并综合考虑债务形成时间的先后、债务形成的目的等因素,设计遗产债务清偿顺序。
通过对应用型高校相关人员的深入访谈,运用扎根理论研究方法,梳理影响应用性科研工作开展的因素,包括学校领导层决策、课题获取方式、学校评价机制、个体特征和区域环境。促进应用型高校科研转型的对策为:“观念”与“行动”双管齐下、精准施策,构建“激励型”政策与“规制型”政策并重的评价机制,转变科研管理部门职能凸显服务意识,缔造科研团队提升科研能力,加强顶层设计开辟专项科研支持计划。
引入n-强-F-Ding投射模,给出n-强-F-Ding投射模的等价刻画和基本性质,证明了一个模M是n-强-F-Ding投射模当且仅当M同构于某个n-强-F-Ding投射模与投射模的直和。
2021年5月,中国的三位科学巨星陨落。他们是数学家王元、医学家吴孟超、农学家袁隆平。他们都有著述在上海科学技术出版社出版,特此纪念。王元(1930.4.15-2021.5.14)中国科学院数学研究所研究员,中国科学院院士,曾任中国数学会理事长。
随着现代教学理论的发展和进步,在实践课堂教学中教师要保持积极的创新实践思路,对多样教学理念进行积极大胆的尝试,促进学生学习思维能力的发展,使课堂教学质量得到提升。本文将在核心素养下对高中语文群文阅读教学现状和策略进行分析和讨论,希望能够给相关教学工作者提供参考和帮助。
朱尊权(1919一2012),中共党员,民盟盟员,中国工程院院士,中国烟草科技事业的奠基人和引路人。自20世纪50年代初,朱尊权就一直工作在我国烟草科研事业第一线,取得了一系列突出成就。他首次实现了用国产烟叶替代进口烟叶生产高档卷烟,带领科研团队研制出了国产高档卷烟“中华”的配方。
习近平总书记在庆祝中国共产党成立100周年大会上发表的重要讲话,是一篇光辉的马克思主义纲领性文献,蕴含着深厚的政治分量、精神能量、理论含量、实践力量。在建党百年之际,中央文明办提出建设全国文明典范城市,就是要从全国文明城市的\"文明高地\"中打造一批\"文明高峰\",为实现中华民族伟大复兴提供更为主动的精神力量。
为更好地提取图像内容信息,提高图像分类精度,提出一种自适应卷积神经网络(CNN)图像分类算法。通过融合图像的主颜色特征,利用CNN提取空间位置特征,且针对多特征融合权重值的设定问题,运用改进的差分演化算法优化各特征权值,提高固定权值分类精确度。实验结果表明,该算法分类精度相比CNN算法提升了9.2个百分点,在图像分类中具有较好的分类效果。
针对车联网频谱资源稀缺问题,提出一种基于柔性致动-评价(SAC)强化学习算法的多智能体频谱资源动态分配方案。以最大化信道总容量与载荷成功交付率为目标,建立车辆-车辆(V2V)链路频谱资源分配模型。将每条V2V链路作为单个智能体,构建多智能体马尔科夫决策过程模型。利用SAC强化学习算法设计神经网络,通过最大化熵与累计奖励和以训练智能体,使得V2V链路经过不断学习优化频谱资源分配。仿真结果表明,与基于深度Q网络和深度确定性策略梯度的频谱资源分配方案相比,该方案可以更高效地完成车联网链路之间的频谱共享任务,且信
数据中心主机负载预测对于数据中心的资源调度和节能具有重要意义,但是目前缺乏一个通用模型以准确预测所有类型数据中心的主机负载情况。为了使主机负载预测模型具有一定的自适应性,提出一种基于深度循环神经网络编码器-解码器的多步在线预测模型。通过线上实时采集的能耗数据进行在线训练,同时设计一个在线监控模块,对模型的预测准确性进行实时监控和调整,使得该模型在不同数据中心中均能获得较准确的预测值。利用Google开源的时长为29天的数据中心主机负载数据集进行实验,结果表明,该模型的预测准确性接近离线训练,其预测性能优于