XiaoMi-AI文件搜索系统
World File Search System数字图像
数字图像处理简介（MC920）
• Introduction to Image Processing • Digital Image Representation • Elements of an Image Processing System • Application Areas • Human visual system • Image formation • Sampling and quantity • Spatial resolution and depth of the image • Pixel Bethide Relationships • Image Routed • Image enhancement • Image Quality • Gray Scale Transformation • Image histogram • Correlation and Conduction Operations • Filtering in the Spatial Domain and Frequency • Image segmentation • Detection of Border Discontinuities •总体和本地限制性以及本地排序订单•图像表示和描述•数学形态•图像压缩•图像和放射性转换•放射线范围•图像之间的对应关系•图像分类•图像分类•图像肛门元素•标准和类和类标准标准•决策方法• Introduction to Image Processing • Digital Image Representation • Elements of an Image Processing System • Application Areas • Human visual system • Image formation • Sampling and quantity • Spatial resolution and depth of the image • Pixel Bethide Relationships • Image Routed • Image enhancement • Image Quality • Gray Scale Transformation • Image histogram • Correlation and Conduction Operations • Filtering in the Spatial Domain and Frequency • Image segmentation • Detection of Border Discontinuities •总体和本地限制性以及本地排序订单•图像表示和描述•数学形态•图像压缩•图像和放射性转换•放射线范围•图像之间的对应关系•图像分类•图像分类•图像肛门元素•标准和类和类标准标准•决策方法
通过数字图像相关分析 1350°C 下陶瓷的不对称蠕变
在极高的温度下，陶瓷的关键参数之一是其抗蠕变性。蠕变行为的表征通常通过弯曲试验进行评估，当拉伸和压缩之间出现不对称时，蠕变行为的表征会变得复杂。为了检测和量化这种不对称行为，建议使用数字图像相关 (DIC)。首先，高温下 DIC 需要解决几个挑战，即随机图案稳定性、辐射过滤和热雾。由于加热陶瓷的可能性有限、应变场不均匀及其水平低，这些挑战更加严重。除了几项实验发展之外，由于使用了基于临时有限元运动学的两种 DIC 全局方法，应变不确定性得到了降低。最后，将所提出的方法应用于高抗蠕变性能设计的工业锆石陶瓷在 1350°C 下的不对称蠕变分析。
使用二维数字图像相关法测量基于 Nakazima 试验的平面外成形极限曲线
测试样品或相机的平移。虽然使用立体 DIC 进行成形性测试具有许多优势，但商用立体 DIC 系统的高成本仍然是其广泛使用的重大障碍，特别是在需要大量投资的学术机构中。在这方面，如果有办法克服 2D DIC 测量中与平面外平移相关的误差，它将为大规模采用 DIC 进行成形性测试铺平道路。在之前的出版物 [3] 中，作者表明，如果操作正确，即使对于较大的局部应变（断裂应变），2D DIC 测量也可以与立体 DIC 测量相匹配。除此之外，作者之前还提出了一种简单的补偿方法，用于使用单相机 DIC 系统从 Marciniak 测试中获得准确可靠的平面内 FLC [4]。他们的方法不适用于平面外 Nakazima 测试，该测试在金属板材成形行业中被广泛采用且更受欢迎。这项工作解决了这一差距，并提出了一种与材料无关、简单且易于实施的 2D DIC 应变补偿方法，用于确定非平面 Nakazima 球冲试验中的 FLC。
先进的防屈曲装置与实时数字图像相关技术相结合，用于轻质材料的复杂循环拉伸-压缩试验
本文由 TigerPrints 汽车工程部门免费提供给您，供您免费访问。它已被 TigerPrints 授权管理员接受并纳入出版物。如需更多信息，请联系 kokeefe@clemson.edu。
研究文章 人工智能识别技术在数字图像处理中的应用
人工智能技术是在计算机应用技术基础上派生和发展起来的一门科学和技术。图像识别是一种特殊的图像处理步骤，起着重要作用。只有在图像识别之后，才能进入图像分析和理解阶段。随着各种计算机技术的发展，图像逐渐成为并已成为人们重要的信息来源。计算机人工智能的使用越来越广泛，因此，了解其应用和相关研究更有利于为我们指明研究和学习的方向。本文旨在探讨人工智能识别技术的产生和发展，分析各类人工智能识别技术的应用瓶颈，以增加我们对人工智能技术的认识，为相关领域的研究提供参考。本文简单介绍了人工智能技术的类型及其新的发展趋势，并结合公共设施的具体图像，在传统方法的基础上改进了不同的计算机人工智能识别方法对图像识别处理的应用，并通过相应的仿真软件对处理和识别方法进行了分析比较，主要应用了两种方法，图像处理的识别错误率小于0.5；改进计算机人工智能识别技术对于分析其在图像处理中的应用有一定的帮助。预处理过程一般包括图像数字化、灰度化、二值化、去噪、字符分割等。在图像识别方面，算法主要有统计识别、语法识别、模板匹配等。近年来，随着神经网络和支持向量机技术的发展，图像识别技术有了新的更高的发展水平。
使用数字图像处理技术在多个 T1 加权磁共振成像切片中进行脑提取
摘要 — 大脑是文献中多项研究的来源，主要是因为它对于预测和分析某些疾病或状况都很重要。从患者图像中提取大脑进行医学分析可能会提供有用的预后信息。为此，数字图像处理算法已应用于医学领域，重点是大脑的识别。这项工作提出了一个基于三个主要步骤的大脑提取框架：1）数据采集；2）预处理；3）最大连通分量提取。我们的数据是按照 OASIS 协议获取的。应用预处理步骤是为了增强对比度并消除 T1 加权 MRI 中的可能噪音。最大连通分量提取是通过首先检测图像中的最大元素（即大脑）然后通过数学形态学运算符提取它来执行的。无监督框架无需调整即可提取不同轴向切片中的大脑。这项工作的主要贡献是自动识别大脑。它使用不同脑切片中的大脑和数字处理算法。我们采用了五个指标来评估我们的结果：特异性、召回率、准确率、F 测量值和精确度。在我们的第一次实验中，两个指标的效率超过 90%（特异性和精确度），其中两个指标超过 80%（F 测量值和准确度），灵敏度超过 70%。我们的第二个实验将我们的工作与文献中的相关工作进行了比较，在灵敏度方面排名第 5，在特异性方面排名第 2
数字图像中的镜像对称检测 - SciTePress
对称性是解决数字图像和视频分析与识别各种问题的重要分类特征。镜像对称性可用于分割和分类对象。通过找到的对称轴，可以在图像上确定对称对象的方向。例如，可以在通过分割远程图像中的图像获得的众多对象中确定飞机的对称轮廓及其方向（图 1）。确定图像中对称对象的方法可以在各种设置中解决问题，例如，它们寻找具有轴向或中心、全局或局部对称性的对象（Liu 等人，2010 年）、（Lee 和 Liu，2012 年）、（Widynski 等人，2014 年）。该方法的另一个重要方面是使用图像中对象的初步分割或直接处理图像而无需初步处理。我们考虑确定分割图像的全局轴对称性的问题。假设对物体进行了分割，但这种分割的质量不是很高。图 1 显示了一个例子。在分析通过地球遥感获得的图像时会出现这样的问题。图像尺寸非常大，在没有初步分割的情况下寻找对称物体需要大量的计算时间。根据阈值或使用训练有素的神经网络对源图像进行分割。结果是二进制图像，其中
关于数字图像安全性深度学习应用的调查
摘要。在数字时代，在社交媒体上共享图片已成为一个共同的隐私问题。为了防止私人图像被窃听并破坏，开发了安全有效的图像密封造影，图像加密和图像身份验证非常困难。深度学习为数字图像安全提供了解决方案。首先，我们就图像隐志中的深度学习应用做出了总体结论，以产生五个方面：封面图像，seego-image，嵌入变化概率，无封面隐肌和Steg-分析。第二，我们还将和比较了六个方面中使用的深度学习方法：图像加密从图像压缩，图像分辨率改进，图像对象检测和分类，钥匙生成，端到端图像加密和图像加密式分析。第三，我们从五个角度收集图像身份验证中的深度学习方法：图像伪造检测，图像产生，图像水印提取和检测，图像水印攻击以及图像水印。最后，我们总结了图像密集术，图像加密和图像身份验证中深度学习利用的未来研究方向。©2021光学仪器工程师协会（SPIE）[doi：10 .1117/1.OE.60.12.120901]
使用数字图像相关和卷积神经网络自动检测疲劳裂纹路径
到实验数据集。13,14 副作用是，裂纹尖端载荷以及高阶项也由该方法确定。15 与直流电位降 (DCPD) 16,17 或柔度法等经典裂纹长度方法相比，18,19 图像分析技术能够检测各种形状的裂纹。20,21 然而，由于 DIC 数据集中的实验散射或伪影，裂纹路径（尤其是裂纹尖端）的全自动检测通常受到限制。22,23 因此，在 fcp 实验期间将 DIC 应用于大量（几百张）图像总是伴随着大量的手动工作，这构成了研究过程中的瓶颈。机器学习，更具体地说是深度学习，正在成为土木工程结构健康监测的有前途的工具。这涉及特定表面检查以检测建筑物中的裂缝，24,25
人工智能利用数字图像筛查新冠肺炎患者：荟萃分析
荟萃分析共纳入 16 项研究，共涉及 5896 张 COVID-19 患者的胸部图像。DL 模型在检测 COVID-19 方面的汇总灵敏度和特异性分别为 0.95（95% CI 0.94-0.95）和 0.96（95% CI 0.96-0.97），受试者工作特征曲线下面积为 0.98。阳性可能性、阴性可能性和诊断优势比分别为 19.02（95% CI 12.83-28.19）、0.06（95% CI 0.04-0.10）和 368.07（95% CI 162.30-834.75）。区分其他类型肺炎与 COVID-19 的汇总灵敏度和特异性分别为 0.93（95% CI 0.92-0.94）和 0.95（95% CI 0.94-0.95）。放射科医生检测 COVID-19 的表现低于 DL 模型；然而，当初级放射科医生使用基于 DL 的预测工具时，他们的表现有所提高。