基于梯度幅度直方图和类内方差的边缘提取方法

针对复杂背景中目标边缘提取的问题,提出一种基于梯度幅度直方图和类内方差进行边缘提取的新方法———CAGH(cluster algorithm based on gradient histogram)算法。该算法先分析经“非最大梯度抑制”后的梯度幅度直方图的特征,确定边缘集中区域,再通过类内方差确定梯度阈值,并利用该阈值确定边缘。在车牌识别中运用该方法提取复杂背景中的车牌边缘,并与Sobel、Canny等算法进行了比较。结果表明,CAGH算法适应性强、提取效率高,提取的是连通性、独立性好的单像素边缘,有利于后续的特征提取和模式识别。     

面向目标的栅格矢量一体化三维数据模型

首先对现有的三维空间数据模型进行了讨论 ,分析了栅格、矢量和混合数据模型的特点 ,提出了一种面向目标的栅格矢量一体化数据模型。该模型将栅格数据以矢量方式进行组织 ,从而同时具有矢量和栅格数据模型的优点 ,也克服了目前普遍应用的混合模型所存在的缺点。还提出了一种三维空间的三级栅格划分和行次序编码方法。该方法存储空间小 ,便于快速索引和计算。最后 ,给出了具体的数据结构     

一种新的图像拼接方法

在分析了几种图像拼接方法存在的缺点后，依据摄影测量原理，提出了一种基于整体平差的图像拼接方法。实验证明，该方法具有自动化程度高、直接利用图像上的明显特征点、拼接精度高且不限图幅大小等优点。     

面向目标的栅格矢量一体化三维数据模型

首先对现有的三维空间数据模型进行了讨论,分析了栅格、矢量和混合数据模型的特点,提出了一种面向目标的栅格矢量一体化数据模型。该模型将栅格数据以矢量方式进行了组织,从而同时具有矢量和栅格数据模型的优点,也克服了上前普遍应用的混合所存在的缺点。还提出了一种三维空间的栅格划分和行次序编码方法。该方法存储空间小,便于快速索引和缺点。最后,给出了具体的数据结构。     

基于UML的地籍信息系统开发

给出了基于UML的地籍信息系统开发过程，并且在UML的Package和扩展机制上，结合CIS特点，提出了UML多层次用例建模方法和基于职责的多层次分析建模方法。     

一种基于人工神经网络的彩色地形图分层方法

本文针对当前全要素地形图计算机扫描处理存在的困难，提出了一种基于Ｋｏｈｏｎｅｎ网络的彩色地形图的分层方法，并设计了一种结构聚类方法进行后处理以消除产生的错分类。文中详细列出试验的方法与结果。     

一种Apriori的改进算法

提出了一种Apriori算法的改进算法 ,讨论了通过使用概率的方法估算任意数据项集同时出现的概率来求候选频繁项集的方法 ,并给出了相关算法。将本算法与Apriori算法产生的候选项集大小和扫描数据库次数进行了比较 ,该算法将关联规则挖掘的运行速度提高了一个数量级 ,非常适合挖掘数据库、长模式的关联规则。