1 陆军工程大学石家庄校区, 石家庄 050003
2 武警士官学校,杭州 311400
3 中国人民解放军66046部队, 山东 青岛 266033
针对传统的Radon变换直线检测算法运行时间长、占用存储空间大的问题,提出了一种基于二分查找的Radon变换直线检测改进算法。在Radon变换直线检测算法的基础上,增加了对图像中待检测直线最小夹角的约束条件,使用区间划分结合二分查找的方法对Radon变换直线检测算法进行改进,并通过待检测直线在Radon空间中的位置参数确定出待检测直线在原始空间的直线方程。实验结果表明,相比于Radon变换直线检测算法,所提出的改进算法在保证抗噪声干扰能力不受影响的前提下,有效减少了高检测精度要求下图像直线检测算法的运行时间和占用的存储空间,提高了直线检测的实时性。
图像分析 直线检测 Radon变换 二分查找 区间划分 image analysis line detecting Radon transform binary search interval division
1 中北大学电子测试技术重点实验室, 山西 太原030051
2 山西省光电信息与仪器工程技术研究中心, 山西 太原030051
3 仪器科学与动态测试教育部重点实验室, 山西 太原030051
提出一种新的有效的FTIR光谱气体浓度反演的方法。 该方法将区间划分的思想用于红外光谱波长优化筛选, 即将红外光谱在给定波长范围内划分为若干个子区间, 在每个子区间中利用遗传算法(genetic algorithm, GA)优化后的极限学习机(extreme learning machine, ELM)建立浓度预测模型, 根据每个子区间测试集均方根误差RMSE和相关系数R2的大小评价模型的泛化性能, 筛选出最优子区间组合建立预测模型。 通过含干扰组分(CO2, N2O)的CO气体的 FTIR光谱对提出的算法进行了验证, 在波段为2 140~2 220 cm-1范围内利用区间法筛选出的最优组合作为变量, 应用GA-ELM建立的浓度反演模型, 其决定系数R2为0.987 4, 均方根误差RMSE为154.996 3, 建模时间仅为0.8 s, 表明该算法(Interval-GA-ELM, iGELM)的应用不仅缩短了建模时间, 而且在干扰组分存在的情况下, 依然可以准确筛选出特征波长, 从而提高了模型稳定性和预测精度, 为大气污染气体遥测分析提供了行之有效的方法。
区间划分 极限学习机 遗传算法 气体浓度反演 Interval dividing Extreme learning machine Genetic algorithm Concentration retrieval of gas FTIR spectra 光谱学与光谱分析
2014, 34(5): 1244