单目标跟踪是计算机视觉领域的一个重要研究方向，在视频监控、自动驾驶等领域应用广泛。对于单目标跟踪算法，尽管已有大量总结研究，但大多基于相关滤波或深度学习。近年来，基于孪生网络的跟踪算法因在精度和速度之间取得的平衡受到研究者们的广泛关注，然而目前对该类型算法的总结分析相对较少，并且对这些算法的架构层面缺少系统分析。为深入了解基于孪生网络的单目标跟踪算法，对大量相关文献进行了总结与分析。首先阐述孪生网络的结构和应用，并根据孪生跟踪算法架构组成的分类介绍了各跟踪算法；然后列举单目标跟踪领域常用的数据集和评价指标，对25个主流跟踪算法在OTB2015数据集上分别进行整体和各属性的性能比较与分析，并列出23个孪生跟踪算法在LaSOT和GOT-10K测试集上的性能以及推理时的速度；最后对基于孪生网络的目标跟踪算法的研究进行总结，并对未来的发展方向进行展望。

准确分割结肠镜获取图像中的息肉区域，可辅助医生诊断肠道疾病，但下采样过程中息肉区域结构信息缺失，现有方法存在过度分割和欠分割的问题。为解决以上问题，提出融合滤波增强和反转注意力分割网络（FFRNet）。首先，在跳级连接中加入了滤波增强模块（FEM），以增强下采样特征中局部病灶区域的结构信息；其次，通过聚合浅层特征来获取全局特征；最后，在上采样过程中采用多尺度反转注意力融合机制（MAFM），结合全局特征和上采样特征生成反转注意力权重，逐层挖掘特征中的息肉区域信息，引导网络建立目标区域与边界之间的关系，以提高模型对息肉区域分割的完整性。在Kvasir和CVC-ClinicDB数据集上，与不确定性增强上下文注意力网络（UACANet）相比，FFRNet的Dice相似系数（DSC）分别提升了0.22%和0.54%。实验结果表明，FFRNet能够有效提高息肉图像分割精度，同时具有较好的泛化能力。

为了解决集值决策信息系统中的属性数量不断发生动态变化时，静态属性约简方法无法高效更新属性约简的问题，提出一种以知识粒度为启发信息的增量式属性约简方法。首先，介绍集值决策信息系统的相关概念，接着介绍知识粒度的定义并将其矩阵表示方法推广到此系统中；然后，分析增量式约简的更新机制，并基于知识粒度设计了增量式属性约简方法；最后，选取了3个不同的数据集进行实验。当3个数据集的属性数由20%增加到100%时，传统的非增量式方法的约简耗时分别为54.84 s、108.01 s、565.93 s，增量式方法的约简耗时分别为7.57 s、4.85 s、50.39 s。实验结果表明，在不影响属性约简精度的前提下，所提出的增量式方法比非增量式方法更加快速。

命名数据网络（NDN）的独特优势使其被认为是下一代新型互联网体系架构的候选者。通过对NDN通信原理的分析以及与传统传输控制协议/网际协议（TCP/IP）体系架构的对比，阐述了该新型体系架构所具有的优势，并在此基础上总结分析了该网络体系架构设计的关键要素。此外，为更好地帮助研究人员了解这一新型网络架构，总结了NDN经过多年发展已取得的成功应用，并紧随主流技术，重点介绍NDN对前沿区块链技术的支持，且依托该支持对基于NDN和区块链技术应用的研究和发展进行了讨论和展望。

变化检测作为土地利用/土地覆盖检测的关键技术，其目的是在同一区域不同时期的遥感数据中检测出变化的部分及其类型。针对传统的变化检测方法中存在繁重的人工劳动和检测结果效果差等问题，大量基于遥感影像的变化检测方法被提出。为了深入了解基于遥感影像的变化检测技术以及进一步研究变化检测方法，通过对大量有关变化检测的研究进行整理、分析和比较，对变化检测进行了较为全面的综述。首先阐述了变化检测的发展历程；然后从数据选择及预处理、变化检测技术、后处理及精度评价这三个方面详细归纳了变化检测的研究进展，其中变化检测技术主要从分析单元和比较方法的方面分别进行概括；最后对变化检测各个阶段存在的问题进行了总结并提出了未来的发展方向。

随着信息化技术的不断提升，各类社交平台上带有倾向性的图文数据量快速增长，图文融合的情感分析受到广泛关注，单一的情感分析方法不再能够满足多模态数据的需求。针对图文情感特征提取与融合的技术难题，首先，列举了目前应用较广的图文情感分析数据集，介绍了文本特征和图片特征的提取方式；然后，重点研究了当前图文特征融合方式，简述了在图文情感分析过程中存在的问题；最后，针对未来情感分析的研究方向进行了总结与展望。为深入了解图文融合技术，采用文献调研方法对图文情感分析的研究进行综述，有助于比较不同融合方法之间的区别，发现更具价值的研究方案。

行人再识别（Re-id）作为智能视频监控技术之一，其目的是在不同的摄像机视图中检索出指定身份的行人，因此该项技术对维护社会治安稳定具有重大研究意义。针对传统的手工特征方法难以应对行人Re-id任务中复杂的摄像机环境的问题，大量基于深度学习的行人Re-id方法被提出，极大地推动了行人Re-id技术的发展。为了深入了解基于深度学习的行人Re-id技术，整理和分析了大量相关文献，首先从图像、视频、跨模态这3个方面展开综述性介绍，将图像行人Re-id技术分为有监督和无监督两大类并分别进行概括；然后列举了部分相关数据集，并对近年来在图像和视频数据集上的一些算法进行性能的比较与分析；最后总结了行人Re-id技术的发展难点，并深入讨论了该技术未来可能的研究方向。

针对双人交互行为识别应用领域广但效率低的问题，提出一种基于关键姿势的双人交互行为识别方法。首先，利用帧间差异比较来提取关键帧；然后，利用骨骼点角度变化的方差和空间关系来确定关键帧中的关键姿势；接着，利用关节距离、角度和关节运动等特征表示关键姿势，每一个关键姿势表示为一个特征矩阵；最后，利用不同的降维和分类组合，选取识别率最优的组合。在SBU交互数据集和自建的交互数据集上评估所提出的识别方法，该方法的识别率分别达到92.47%和94.14%。实验结果表明，通过提取关键姿势的特征形成特征矩阵来表示动作的方法可以有效地提高双人交互行为识别结果。

在当前多种平台崛起的互联网背景下，与传统媒体相比，网络社交媒体中的数据具有传递速度快、用户参与度高、内容覆盖全等特点，其中存在着人们关注并发布评论的众多话题，而一个话题的相关信息中可能存在更深层次、更细粒度的子话题，针对该问题进行基于网络社交媒体的子话题检测技术的研究，这是一个新兴且不断发展的研究领域。通过社交媒体获取话题及子话题信息并参与讨论，这一方式正全方位、深层次改变着人们的生活，但是该领域技术还不成熟，且相关研究在国内尚处于起步阶段。首先，简述网络社交媒体中子话题检测的发展背景和基本概念；其次，将子话题检测技术分为七大类，对每类方法均加以介绍、对比和总结；然后，将子话题检测方式分为在线检测和离线检测两种方式，并将这两种方式进行对比，列举通用技术及两种方式下的常用技术；最后，概括了该领域当前不足及未来发展趋势。

为了进一步提高对拼接、缩放旋转、复制粘贴三种主要篡改手段的识别准确率，增强算法普适性，提出了一个基于三向流特征提取的卷积神经网络篡改图像识别系统。首先，分别根据图像局部彩色不变量特性比较特征子块相似度，根据噪声相关性比较篡改区域边缘的噪声相关系数，以及根据图像重采样痕迹计算子块标准偏差对比度，完成了对图像RGB流、噪声流和信号流的特征提取；然后，通过多线性池化，结合改进的分段AdaGrad梯度算法，实现了特征降维和参数自适应更新；最后，通过网络训练和分类，完成了对拼接、缩放旋转、复制粘贴这三种主要的图像篡改手段的识别与相应的篡改区域的定位。为衡量所提模型的效果，在VOC2007和CIFAR-10两个数据集上进行了实验。在约9 000张图像上的实验结果表明，该模型对拼接、缩放旋转、复制粘贴这三种篡改手段均能进行较准确的识别与定位，识别率分别为0.962、0.956和0.935。与对照文献的双向流特征提取方法相比，该模型的识别率分别提高了1.050%、2.137%、2.860%。三向流特征提取模型丰富了卷积神经网络对图像的特征信息采集，提高了网络的学习性能与识别精度，同时改进的梯度算法通过分段控制参数学习率的下降速度，降低了过拟合，减少了收敛震荡，提高了收降速度，实现了算法的优化设计。

针对人脸图像在待修复缺损面积较大时，现有方法的修复存在图像语义理解不合理、边界不连贯等视觉瑕疵的问题，提出基于密集连接块的U-Net结构的端到端图像修复模型，以实现对任意模板的语义人脸图像的修复。首先，采用生成对抗网络思想，生成器采用密集连接块代替U-Net中的普通卷积模块，以捕捉图像中缺损部分的语义信息并确保前面层的特征被再利用；然后，使用跳连接以减少通过下采样而造成的信息损失，从而提取图像缺损区域的语义；最后，通过引入对抗损失、内容损失和局部总变分（TV）损失这三者的联合损失函数来训练生成器，确保了修复边界和周围真实图像的视觉一致，并通过Hinge损失来训练判别器。所提模型和GLC、DF、门控卷积（GC）在人脸数据集CelebA-HQ上进行了对比。实验结果表明，所提模型能有效提取人脸图像语义信息，修复结果具有自然过渡的边界和清晰的局部细节。相较性能第二的GC，所提模型对中心模板修复的结构相似性（SSIM）和峰值信噪比（PSNR）分别提高了5.68%和7.87%，Frechet Inception距离（FID）降低了7.86%；对随机模板修复的SSIM和PSNR分别提高了7.06%和4.80%，FID降低了6.85%。

针对视频人体动作识别中动作信息利用率不高、时间信息关注度不足等问题，提出了一种基于紧耦合时空双流卷积神经网络的人体动作识别模型。首先，采用两个2D卷积神经网络分别提取视频中的空间特征和时间特征；然后，利用长短期记忆（LSTM）网络中的遗忘门模块在各采样片段之间建立特征层次的紧耦合连接以实现信息流的传递；接着，利用双向长短期记忆（Bi-LSTM）网络评估各采样片段的重要性并为其分配自适应权重；最后，结合时空双流特征以完成人体动作识别。在数据集UCF101和HMDB51上进行实验验证，该模型在这两个数据集上的准确率分别为94.2%和70.1%。实验结果表明，所提出的紧耦合时空双流卷积网络模型能够有效提高时间信息利用率和动作整体表达能力，由此明显提升人体动作识别的准确度。

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。

传统启发式正域属性约简算法在每次迭代的过程中需要添加当前正域依赖度最大的属性进入已选定的特征属性子集，算法迭代次数多且效率低，难以应用于高维大规模数据集的特征选择中。针对上述问题，研究决策系统中正域之间的单调关系，给出了多尺度属性粒（MSAG）的形式化描述，提出了一种基于多尺度属性粒的快速正域约简算法（MAG-QPR）。由于多尺度属性粒包含多个属性，可以对已选定的特征属性子集提供较大的正域，因此，通过每次迭代添加MSAG，可以达到减少迭代次数和使选定的特征属性子集能更快地趋近于条件属性全集的正域分辨能力的目的，从而提高了启发式正域约简算法的效率。在实验部分，选取8组UCI数据进行实验，对于数据集Lung Cancer、Flag和German，MAG-QPR与基于正向近似的正域保持属性约简算法（FSPA-PR）、基于正向近似的条件熵属性约简算法（FSPA-SCE）、后向贪婪正域保持属性约简算法（BGRAP）和后向贪婪启发式广义决策保持属性约简算法（BGRAG）的运行时间加速比分别为9.64、15.70、5.03、2.50；3.93、7.55、1.69、4.57；3.61、6.49、1.30、9.51。实验结果表明，所提算法MAG-QPR提高了算法效率，具有更好的分类精度。

为了降低社交媒体中突发事件带来的危害，提出一种基于多特征的微博突发事件检测算法。该算法融合了文本情感过滤和用户影响力计算方法。首先，通过噪声过滤和情感过滤得到饱含负面情感的微博文本；然后，采用提出的用户影响力计算方法并结合突发词提取算法来提取突发词特征；最后，引入凝聚式层次聚类算法对突发词集进行聚类，从中提取突发事件。通过实验检测，准确率为66.84%，验证了该方法能有效地对突发事件进行检测。

移动无线传感器网络中，针对节点基于随机运动模型的路由问题，提出一种基于虚拟货币的低能耗路由策略——DTVC。根据节点的属性和数据消息的属性进行买方和卖方的定价并据此选择转发节点。为了提升网络性能，通过控制数据消息的副本数以及对节点的缓存队列中的数据消息排序，把网络中的节点分为源节点和中继节点，只有数据消息的源节点可以复制该数据消息，并依据数据消息的延迟容忍度对消息进行排序，延迟容忍度越小则优先级越高。为了减少网络中的能量消耗，根据sink节点广播的消息删除缓存队列中已经传输成功的数据消息。在Matlab上的仿真实验结果表明，与基于消息容错的自适应数据传输算法（FAD）、基于距离和能量感知模糊逻辑的路由算法（FLDAER）和基于能耗自选演进机制的路由算法相比，DTVC的数据消息投递率至少提高2.5%，平均副本数至少减少25%。

在基于样例的图像修复算法中，由于优先权公式的计算容易受图像局部噪声和细小纹理的干扰，导致修复顺序错乱；而在搜索最优匹配块时，因忽略了图像块内部的结构影响，可能导致误匹配。针对以上问题提出了一种基于图像的结构-纹理分解及局部总变分最小化的图像修复模型。首先，根据对数总变分最小化模型，将待修复图像进行结构-纹理分解，得到图像的结构分量，并利用图像的结构分量来计算待修复点优先权，使优先权的计算排除局部纹理干扰而更具鲁棒性；其次，将优先权的计算改进为数据项和置信项的加权和，避免了乘积效应，确保数据项一直发挥作用，减少因修复顺序不合理造成的错误匹配；最后，根据图像的局部总变分最小化原则，将图像块的最优匹配转换为0-1优化问题，确保图像修复后的局部结构一致性。与3组参考文献的5组对比实验结果表明，峰值信噪比（PSNR）提高了1.12~3.56 dB，结构相似性指数提高了0.02~0.04。所提模型更好地遵循了修复优先性原则，具有更强的保持图像局部结构一致性的能力，改善了修复图像的视觉效果，适用于复杂结构的大面积毁损的图像的修复。

针对基于总变分最小化的图像修复模型容易造成阶梯效应及假边缘的问题，提出了基于对数函数的非局部总变分图像修复模型。新的总变分能量泛函的被积函数为一个关于梯度幅度的对数函数。在总变分模型与各向异性扩散模型的偏微分方程框架下，首先，从理论上证明了对数总变分模型满足良好扩散所需的所有性质，并对其局部扩散行为进行了理论分析，证明了其在等照度方向及梯度方向扩散的良好特性。其次，为考虑图像块的相似性及避免局部模糊，采用非局部对数总变分进行数值实现。实验结果表明，与经典的总变分修复模型相比，基于对数函数的非局部总变分模型对图像修复的效果良好，避免了局部模糊，且在图像平滑区域能较好地抑制阶梯效应；与基于样例的修复模型相比，所提模型对纹理图像能获得更为自然的修复效果。实验结果表明，与三类总变分模型和基于样例的修复模型相比，所提模型的性能最优，且与各对比模型的平均结果（图2、图3、图4）相比，其结构相似性指数（SSIM）分别提高了0.065、0.022和0.051，峰值信噪比（PSNR）分别提高了5.94 dB、4.00 dB和6.22 dB。含噪图像的修复结果表明所提模型具有较好的鲁棒性，对含噪声的图像也能获得良好的修复效果。

当前图像美学质量评估的研究主要基于图像的视觉内容来给出评价结果，忽视了美感是人的认知活动的事实，在评价时没有考虑用户对图像语义信息的理解。为了解决这一问题，提出了一种基于语义感知的图像美学质量评估方法，将图像的物体类别信息以及场景类别信息也用于图像美学质量评估。运用迁移学习的思想，构建了一种可以融合图像多种特征的混合网络。对于每一幅输入图像，该网络可以分别提取出其物体类别特征、场景类别特征以及美学特征，并将这三种特征进行高质量的融合，以达到更好的图像美学质量评估效果。该方法在AVA数据集上的分类准确率达到89.5%，相对于传统方法平均提高了19.9%，在CUHKPQ数据集上的泛化性能也有了很大提升。实验结果表明，所提方法在图像美学质量评估问题上，能够取得更好的分类性能。

大部分基于图论的视频分割方法往往先通过分析运动和外观信息获得先验显著性区域，然后用最小化能量模型来进一步分割，这些方法常常忽略对外观信息精细化分析，建立的目标模型对复杂场景的鲁棒性不佳。根据信息熵能够度量样本纯度，信息熵最小化和能量模型最小化具有一致的目标，提出一种信息熵约束下的视频目标分割方法。首先在经典光流法基础上结合点在多边形内部原理获得第一阶段的分割结果；然后以超像素为基本分割单元，获得均匀的运动和表现；最后在能量函数中引入信息熵约束项，构建前景背景像素标记的优化问题，通过最小化能量函数得到更精确的分割结果。在公开数据集上的实验结果表明目标模型中引入信息熵约束项能够有效提高视频目标分割的鲁棒性。

在资源受限的无线移动传感器网络（MWSN）中设计能效路由是一个挑战性难题。针对移动传感器网络中社区间路由节点能量消耗过快的问题，提出了一种社区间能量均衡路由算法（ERAI）。设计了一个新的基于节点的剩余能量以及相遇可能性的转发能力路由度量FC。利用此度量FC和相遇节点的去向信息选择中继节点来转发消息。实验数据显示，ERAI路由算法在首个节点消亡时间上与Epidemic和PROPHET路由算法相比分别推迟了12.6％~15.6％和4.5％~8.3％，且节点剩余能量均方差小于Epidemic和PROPHET路由算法。实验结果表明，ERAI在一定程度上均衡了各节点的能耗，延长了网络的生命周期。

针对现有谣言检测方法中存在的数据采集困难和谣言检测滞后的问题，提出一种基于动量模型的突发话题检测和领域专家发现的谣言检测方法。该方法借鉴物理学中的动力学理论对话题特征进行建模，使用特征的动力学物理量描述特征的突发特性和发展趋势，并在对突发特征进行特征聚合之后提取得到突发话题；然后，依据话题与用户个人信息的领域相关性在候选专家池中发现领域相关的微博用户来甄别话题信息的真实性。基于新浪微博数据的实验结果表明，相对于仅基于有监督机器学习的微博谣言识别方法，该方法谣言识别准确率提高了13个百分点；相对于主流人工识别方法，将最长谣言检测用时缩短至20h，能够较好地应用于实际的微博谣言检测环境。

针对单高斯背景模型不能适应非平稳场景且对初期保持静止后期运动的物体造成"鬼影"现象的问题,提出了融合子块梯度与线性预测的单高斯背景建模方法。首先,对每个像素点进行单高斯背景建模,并实现像素级的自适应更新,运用子块梯度算法将梯度在阈值内的子块作为背景以消除"鬼影";然后,将子块梯度法获得的前景与单高斯模型确定的前景做与运算,提高在非平稳场景下对背景的判断能力;最后,运用线性预测方法处理获得的前景点,将面积小于阈值的连通区域还原为背景。采用CDNET 2012 Dataset和Wallflower Dataset进行仿真实验:当场景变化幅度较大时,所提算法与混合高斯模型(GMM)相比,虽然检测率稍有下降,但检测精度提高了40%;在其他场景中检测率虽只提高约10%,检测精度却能提高25%以上。实验结果表明,融合子块梯度与线性预测的单高斯背景建模能够适应非平稳场景并消除"鬼影"现象,获得的背景比混合高斯模型更精确,提取的前景细节更丰富。

针对无线传感器网络（WSN）存在簇头节点分布不合理以及节点负载不均形成的“热点”问题，提出了一种基于非均等分区的非均匀分簇路由协议（UAUC）。UAUC通过非均等分区对网络进行划分，并在每个区域中根据能量因子、距离因子以及密集程度因子选择合适的簇头节点。此外，在簇头节点之间构造一棵负载均衡路径树，解决数据传输时存在的“热点”问题。仿真实验中，与低功耗自适应集簇分层（LEACH）协议，分布式能量有效非均匀成簇（DEBUC）协议以及基于非均匀分簇的无线传感器网络分层路由协议（HRPNC）相比，UAUC协议的簇头节点分布更加合理；UAUC在生存周期上较LEACH协议，DEBUC协议与HRPNC协议分别提高了88%，12%与17.5%；UAUC的节点平均剩余能量高于LEACH协议，DEBUC协议和HRPNC协议，并且节点剩余能量方差小于LEACH协议，DEBUC协议和HRPNC协议；UAUC协议在数据包接收量上较LEACH协议，DEBUC协议和HRPNC协议提高了400%，87.5%与25%。实验结果表明，UAUC能够有效地提高能量效率和数据包接收量，均衡能量消耗，延长网络的生存周期。

针对在其他肤色和重叠物干扰下手势分割出现偏差的问题,提出深度数据和骨骼追踪实现准确手势分割。结合凸缺陷的最小外接圆、平均值、最大内切圆三种不同的掌心提取方法来提高不同手势下掌心和掌心区域半径的精确度,通过提取出指尖弧并结合凸包来得到拟指尖集,再通过3步过滤来得到准确的指尖。实验中对6种手势进行了4种变换情况下的检验,其中翻转、平行、重叠的识别率都高于90%,倾斜和偏转分别超过70°、60°时准确度明显下降。实验结果表明了该方法在多种真实手势场景下具有较高的准确率。

为了有效管理海量空间数据存储的元数据,引入了一种基于一致性哈希的分布式元数据服务器管理架构,并在此基础上提出了一种元数据轮式备份策略,将经过一致性哈希算法散列后存储元数据的节点按轮转方式进行数据备份,有效缓解了元数据管理的单点问题与访问瓶颈.最后对轮式备份策略进行测试,得出最佳元数据节点个数备份方案,与单点元数据服务器相比提高了元数据的安全性,降低了访问延迟,并结合虚拟节点改善了分布式元数据服务器的负载均衡.

针对无线传感器网络(WSN)数据融合中存在的数据完整性保护问题，在双簇头安全融合（DCSA）方案的基础上，提出一个安全高效的数据融合方案，通过在节点间加入对称密钥，采用分布式验证方法，使节点认证与融合同时进行，在向上融合的过程中立即证实子节点融合数据的完整性。同时，利用红黑簇头的监督特性，能够定位恶意节点，增强抗共谋攻击能力。实验结果表明，所提方案在保证与DCSA相同安全等级的前提下，能够及早检测并丢弃错误数据，提高了完整性检测机制的效率，且具有更低的网络能耗。

在固定结构的需求下,并行计算无法通过规模扩展提升其计算性能。针对此类并行计算可扩展问题,分析影响可扩展性的并行任务因素及体系结构因素,采用带权图对并行任务及体系结构进行建模,并提出一种关键路径不变的可扩展方法,其核心思想是固定图结构,仅合理地调整图节点权值和边权值。通过进一步推导,得出一些关于新扩展方法的性质结论。应用网格计算模拟工具SimGrid开展的实验结果表明,所提出的扩展方法能有效解决此类扩展问题,且保持速度效率不变。

针对固定结构下并行计算无法通过规模扩展提升计算性能的问题,提出了一种成比例调整图权的并行计算扩展方法。该方法首先分析影响可扩展性的并行任务因素及体系结构因素;然后采用带权图对并行任务及体系结构进行建模;最后,对并行计算图模型中顶点和边的权值进行调整,实现并行计算的扩展。针对并行任务与体系结构是否具有相同的拓扑结构进行了两组实验,结果显示扩展前后的速度效率不变或近似相等。在上述两组实验的基础上,固定并行任务的算法结构及硬件系统的体系结构,仅调整性能参数,从特定的初始状态开始,以相同的比例作连续多次扩展,结果显示随着并行任务的连续扩展,体系结构资源被充分利用,速度效率逐渐提高,但并行任务扩展至一定程度后,速度效率提高缓慢;而如果并行任务及体系结构按一定的比例一同扩展,并行计算的速度效率近似不变。

为解决线扫描图像中的条带噪声干扰问题,提出了傅里叶变换与小波分解相结合的变换域条带噪声去除方法。首先对图像进行多尺度小波分解,将包含条带噪声的小波子带与包含图像信息的小波子带分离;然后对含有条带噪声的小波子带进行傅里叶变换,并对变换系数进行带阻滤波以消除条带噪声。利用实际采集的带有条带噪声的棉花异性纤维图像进行仿真实验,结果表明:傅里叶变换与小波分解相结合的方法,去噪效果明显优于单独使用傅里叶变换或小波分解的方法,既能有效地去除图像中的条带噪声,又能较好地保持图像的细节信息。