显著性目标检测轮廓增强技术研究

互换性与测量技术课程标准

《互换性与测量技术》课程标准 一、课程性质与任务 换性与测量技术基础课程是机械类和近机类各专业必修的一门重要的技术基础课, 它包含几何量公差与误差检测两大方面的内容，把标准化和计量学两个领域的有关部分有机地结合在一起，与机械设计、机械制造、质量控制等多方面密切相关，是机械工程技术人员和管理人员必备的基本知识技能。因此它不仅要求学生预先学完机械制图、金属材料等先修课程, 而且要求学生研究如何通过规定公差合理解决机器使用要求与制造要求之间的矛盾及如何运用测量技术手段保证国家公差标准的贯彻实施。以便为顺利地过渡到专业课程的学习及进行专业产品与设备的设计打下初步的基础, 故它在培养学生的机械综合设计能力和创新能力所需的知识结构中, 占有十分重要的地位。 本课程不仅负有培养机械类高级工程技术人才的机械技术工作能力和开发创新能力的任务, 并为学生学习相关技术基础课程和专业课程起到承上启下的桥梁作用, 而且为学生今后从事机械设计、研究和开发创新奠定必要的基础。 二、课程教学目标 （一）知识教学目标 通过本课程的学习，使学生掌握正确地处理本课程的基本知识和正确使用各种国家标准之间的关系；正确地处理设计与制造、公差与误差之间的关系；掌握常用量 具的正确使用方法，培养学生独立设计选择零件精度及选择零件精度检测方法和仪 器的综合运用能力。为专业知识的学习打下良好的基础。 （二）能力培养目标 1、具有与本课程有关的识图、标注、执行国家标准、使用技术资料的能力； 2、正确选用现场计量器具检测产品的基本技能及分析零件质量的初步能力； 3、具有设计光滑极限量规的能力。 （三）思想教育目标 1、树立正确的世界观和人生观，具有较好的道德修养和身心素质，具有一定的团结协作能力； 2、具有创新意识和创业精神，具有良好的职业道德和敬业精神； 3、培养严谨的学风和科学的求知精神。 三、教学内容结构 （一）课程主要内容说明 本课程主要内容包括个单元； 绪论部分（3时） 第1章、光滑圆柱体的公差与配合（10课时） 1

运动目标检测光流法

摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab

目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)

1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体

互换性与技术测量试题及答案

互换性与测量技术基础复习与练习 第二部分综合练习 一、判断题 1．（T ）为使零件的几何参数具有互换性，必须把零件的加工误差控制在给定的范围内。 2．（ F ）公差是零件尺寸允许的最大偏差。 3．（ F ）从制造角度讲，基孔制的特点就是先加工孔，基轴制的特点就是先加工轴。 4．（T ）Φ10E7、Φ10E8、Φ10E9三种孔的上偏差各不相同，而下偏差相同。 5．（ F ）有相对运动的配合应选用间隙配合，无相对运动的配合均选用过盈配合。 6．（ F ）若某平面的平面度误差值为0.06mm，则该平面对基准的平行度误差一定小于0.06mm。7．（T ）若某平面对基准的垂直度误差为0.05mm，则该平面的平面度误差一定小于等于0.05mm.。8．（ F ）只要离基准轴线最远的端面圆跳动不超过公差值，则该端面的端面圆跳动一定合格。9．（ F ）轴上有一键槽，对称度公差为0.03mm，该键槽实际中心平面对基准轴线的最大偏离量为0.02mm，它是符合要求的。 10．（F ）跳动公差带不可以综合控制被测要素的位置、方向和形状。 11．（ F ）某轴标注径向全跳动公差，现改用圆柱度公差标注，能达到同样技术要求。 12．（ F ）最大实体要求既可用于中心要素，又可用于轮廓要素。 13．（ F ）采用包容要求时，若零件加工后的实际尺寸在最大、最小尺寸之间，同时形状误差小于等于尺寸公差，则该零件一定合格。 14．（ F ）测量仪器的分度值与刻度间距相等。 15．（ F ）若测得某轴实际尺寸为10.005mm，并知系统误差为+0.008mm，则该尺寸的真值为10.013mm。16．（T ）在相对测量中，仪器的示值范围应大于被测尺寸的公差值。 17．（ F ）量块按“级”使用时忽略了量块的检定误差。 18．（ F ）零件的尺寸公差等级越高，则该零件加工后表面粗糙度轮廓数值越小，由此可知，表面粗糙度要求很小的零件，则其尺寸公差亦必定很小。 19．（T ）测量和评定表面粗糙度轮廓参数时，若两件表面的微观几何形状很均匀，则可以选取一个取样长度作为评定长度。 20．（T ）平键联结中，键宽与键槽宽的配合采用基轴制。 21．（ F ）螺纹中径是指螺纹大径和小径的平均值。 22．（ F ）对于普通螺纹，所谓中径合格，就是指单一中径、牙侧角和螺距都是合格的。 23．（ F ）螺纹的单一中径不超出中径公差带，则该螺纹的中径一定合格。 24．（T ）内螺纹的作用中径不大于其单一中径。 25．（T ）中径和顶径公差带不相同的两种螺纹，螺纹精度等级却可能相同。 26．（T ）圆锥配合的松紧取决于内、外圆锥的轴向相对位置。 27．（T ）测量内圆锥使用塞规，而测量外圆锥使用环规。 28．（ F ）齿轮传动的振动和噪声是由于齿轮传递运动的不准确性引起的。 29．（T ）在齿轮的加工误差中，影响齿轮副侧隙的误差主要是齿厚偏差和公法线平均长度偏差。30．（T ）圆柱齿轮根据不同的传动要求，同一齿轮的三项精度要求，可取相同的精度等级，也可以取不同的精度等级相组合。 二、选择题 1．保证互换性生产的基础是（）。 A．标准化B．生产现代化C．大批量生产D．协作化生产 2．基本偏差代号f的基本偏差是（）。 A．ES B．EI C．es D．ei 3．30g6与30g7两者的区别在于（）。

结合域变换和轮廓检测的显著性目标检测

第30卷第8期计算机辅助设计与图形学学报Vol.30No.8 2018年8月Journal of Computer-Aided Design & Computer Graphics Aug. 2018结合域变换和轮廓检测的显著性目标检测 李宗民1), 周晨晨1), 宫延河1), 刘玉杰1), 李华2) 1) (中国石油大学(华东)计算机与通信工程学院青岛 266580) 2) (中国科学院计算技术研究所智能信息处理重点实验室北京 100190) (lizongmin@https://www.360docs.net/doc/292285612.html,) 摘要: 针对多层显著性图融合过程中产生的显著目标边缘模糊、亮暗不均匀等问题, 提出一种基于域变换和轮廓检测的显著性检测方法. 首先选取判别式区域特征融合方法中的3层显著性图融合得到初始显著性图; 然后利用卷积神经网络计算图像显著目标外部轮廓; 最后使用域变换将第1步得到的初始显著性图和第2步得到的显著目标轮廓图融合. 利用显著目标轮廓图来约束初始显著性图, 对多层显著性图融合产生的显著目标边缘模糊区域进行滤除, 并将初始显著性图中检测缺失的区域补充完整, 得到最终的显著性检测结果. 在3个公开数据集上进行实验的结果表明, 该方法可以得到边缘清晰、亮暗均匀的显著性图, 且准确率和召回率、F-measure, ROC以及AUC等指标均优于其他8种传统显著性检测方法. 关键词: 显著性目标; 卷积神经网络; 轮廓检测; 域变换融合 中图法分类号:TP391.41 DOI: 10.3724/SP.J.1089.2018.16778 Saliency Object Detection Based on Domain Transform and Contour Detection Li Zongmin1), Zhou Chenchen1), Gong Yanhe1), Liu Yujie1), and Li Hua2) 1)(College of Computer & Communication Engineering , China University of Petroleum, Qingtao 266580) 2) (Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190) Abstract: In order to solve the problem of edge blur and brightness non-uniformity of salient object in the process of multi-level saliency maps integration, this paper proposes a saliency detection method based on domain transform and contour detection. Firstly, we obtain initial saliency map by integrate three saliency maps using DRFI method. Then, the salient object contour of image are computed by convolutional neural network. Finally, we use domain transform to blend the initial saliency map and the salient object contour. Under the constraints of the salient object contour, we can filter out the errors in the initial saliency map and compensate the missed region. The experimental results on three public datasets demonstrates that our method can produce a pixel-wised clearly saliency map with brightness uniformity and outperform other eight state-of-the-art saliency detection methods in terms of precision-recall curves, F-measure, ROC and AUC. Key words: salient object; convolutional neural network; contour detection; domain transform fuse 人类视觉系统可以快速定位图像中的显著区域, 显著性检测就是通过模拟人类大脑的视觉 收稿日期: 2017-07-10; 修回日期: 2017-09-12. 基金项目: 国家自然科学基金(61379106, 61379082, 61227802); 山东省自然科学基金(ZR2013FM036, ZR2015FM011). 李宗民(1965—), 男, 博士, 教授, 博士生导师, CCF会员, 主要研究方向为计算机图形学与图像处理、模式识别; 周晨晨(1992—), 女, 硕士研究生, 主要研究方向为计算机图形学与图像处理; 宫延河(1989—), 男, 硕士研究生, 主要研究方向为计算机图形学与图像处理; 刘玉杰(1971—), 男, 博士, 副教授, CCF会员, 主要研究方向为计算机图形图像处理、多媒体数据分析、多媒体数据库; 李华(1956—), 男, 博士, 教授, 博士生导师, CCF会员, 主要研究方向为计算机图形图像处理. 万方数据

图像显著性目标检测算法研究

图像显著性目标检测算法研究 随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。 图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。 对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。 基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。 本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。 密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。 先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。 实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显

著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。 该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。 然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。 在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。 该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。 首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。 接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。

《互换性与测量技术基础》期末考试试题(A)

五、按要求进行标注(每小题 3 分，共 15 分) 1、将下列各项形位公差要求标注在下图上。 ⑴φ505.003.0+-mm 孔的圆度公差为0.004mm ，圆柱度公差0.006mm ； ⑵B 面对φ505.003.0+-mm 孔轴线的端面圆跳动公差为0.02mm ，B 面对C 面的平行度公差 为0.03mm ； ⑶平面F 对φ505.003.0+-孔轴线的端面圆跳动公差为0.02mm ； ⑷φ1805.010.0--mm 的外圆柱面轴线对φ505.003.0+-mm 孔轴线的同轴度公差为0.08mm ； ⑸90°30″密封锥面G 的圆度公差为0.0025mm ，G 面的轴线对φ505.003.0+-mm 孔轴线的同轴度公差为0.012mm 。 互换性与测量技术基础复习与练习 一、 判断题 1．（ ）为使零件的几何参数具有互换性，必须把零件的加工误差控制在给定的范围内。 2．（ ）公差是零件尺寸允许的最大偏差。 3．（ ）从制造角度讲，基孔制的特点就是先加工孔，基轴制的特点就是先加工轴。 4．（ ）Φ10E7、Φ10E8、Φ10E9三种孔的上偏差各不相同，而下偏差相同。 5．（ ）有相对运动的配合应选用间隙配合，无相对运动的配合均选用过盈配合。 6．（ ）若某平面的平面度误差值为0.06mm ，则该平面对基准的平行度误差一定小于0.06mm 。 7．（ ）若某平面对基准的垂直度误差为0.05mm ，则该平面的平面度误差一定小于等于0.05mm.。 8．（ ）只要离基准轴线最远的端面圆跳动不超过公差值，则该端面的端面圆跳动一定合格。 9．（ ）轴上有一键槽，对称度公差为0.03mm ，该键槽实际中心平面对基准轴线的最大偏离量为0.02mm ，它是符合要求的。 10．（ ）跳动公差带不可以综合控制被测要素的位置、方向和形状。 11．（ ）某轴标注径向全跳动公差，现改用圆柱度公差标注，能达到同样技术要求。 12．（ ）最大实体要求既可用于中心要素，又可用于轮廓要素。 13．（ ）采用包容要求时，若零件加工后的实际尺寸在最大、最小尺寸之间，同时形状误差小于等于尺寸公差，则该零件一定合格。 14．（ ）测量仪器的分度值与刻度间距相等。 15．（ ）若测得某轴实际尺寸为10.005mm ，并知系统误差为+0.008mm ，则该尺寸的真值为10.013mm 。 16．（ ）在相对测量中，仪器的示值范围应大于被测尺寸的公差值。 17．（ ）量块按“级”使用时忽略了量块的检定误差。 18．（ ）零件的尺寸公差等级越高，则该零件加工后表面粗糙度轮廓数值越小，由此可知，表面粗糙度要求很小的零件，则其尺寸公差亦必定很小。 19．（ ）测量和评定表面粗糙度轮廓参数时，若两件表面的微观几何形状很均匀，则可以选取一个取样长度作为评定长度。 20．（ ）平键联结中，键宽与键槽宽的配合采用基轴制。 21．（ ）螺纹中径是指螺纹大径和小径的平均值。 22．（ ）对于普通螺纹，所谓中径合格，就是指单一中径、牙侧角和螺距都是合格的。 23．（ ）螺纹的单一中径不超出中径公差带，则该螺纹的中径一定合格。 24．（ ）内螺纹的作用中径不大于其单一中径。 25．（ ）中径和顶径公差带不相同的两种螺纹，螺纹精度等级却可能相同。 26．（ ）圆锥配合的松紧取决于内、外圆锥的轴向相对位置。

《互换性与检测技术基础》专科答案

《互换性与检测技术基础》试题参考答案 一、填空题（每填对1空1分，共20分） 1、当孔的最大极限尺寸与轴的最小极限尺寸的代数差为正值，则此代数差称为 最大间 隙 ；若此代数差为负值，则此代数差成为 最小过盈 。 2.当孔的上偏差大于相配合的轴的上偏差时，此配合性质为间隙配合 ；当孔的上偏差小 于相配合的轴的上偏差时，而大于相配合轴的下偏差，此配合性质为 过渡配合；当孔的上偏差大于相配合的轴的下偏差时，此配合性质为 无法判断 。 3. 公称尺寸至500mm 内确定尺寸精确程度的标准公差等级共有20 级。向心轴承的公差等 级分为 2、4、5、6、0五个等级。 4. 配合公差的数值可以确定孔、轴配合的 配合精度 。 5. 若某孔轴配合的最大过盈为max 34Y m μ=-，其配合公差为54m μ，则此配合的配合性质 为过渡配合 。 6. 孔的最大实体尺寸减去其基本尺寸所得的代数差为其下偏差。 7. 在普通平键联结中，其配合尺寸为键宽和键槽宽b ，其基准制应采用基 轴 制。 8. 由于圆锥配合是通过相互结合的内、外圆锥的轴向位置的变化来形成不同的配合性质， 而确定相互结合的内、外圆锥的轴向位置的方法可分为 结构型 和 位移型 两种。 9. 几何公差带的四要素分别是 形状 、 大小 、 位置 和 方向 。圆度公差带的形状为 两 个同心圆之间的区域，圆柱度公差带的形状为 两个同心圆柱之间的区域。 二、设孔、轴配合的基本尺寸为Φ60mm ，要求max 50X m μ=+，max 32Y m μ=-，试确定配合公 差带的代号，并绘制出其公差带图。（写出详细的解题过程，20分） 解：（1）确定孔、轴的标准公差等级： [][]max max (50)(32)82f D d T X Y m T T μ??=-=+--==+?? 查表3-2可知， 846D T IT m μ==，730d T IT m μ== （2）确定孔、轴的公差带： 由于题目中没有特殊要求， 故采用基孔制，孔的公差代号为608H φ，0EI =， 46Es m μ=+。 根据已知条件可得如下关系式: [][]max max max max 4650032730X ES ei ei X m Y EI es es Y m es ei IT m μμμ?=-=-≤=? =-=-≥=-??-==? 求解上述关系式得到如下关系：42m ei m μμ-≤≤ 查表3-4 后得到轴的基本偏差为0.032 60760( )0.002 k φφ+=+，经验证其max 32Y m μ=-，max 44X m μ=， 能够满足原始设计要求。 （3）确定配合代号：608/7H k φ

互换性与测量技术基础第四版答案

《互换性与测量技术基础》习题参考解答（第3版） 第二章 光滑圆柱体结合的公差与配合 1. 孔或轴 最大极限尺寸 最小极限尺寸 上偏差 下偏差 公差 尺寸标注 孔: Φ10 9.985 9.970 -0.015 -0.030 0.015 Φ10015 .0030.0-- 孔: Φ18 18.017 18 +0.017 0 0.017 Φ18017.00 + 孔: Φ30 30.012 29.991 +0.012 -0.009 0.021 Φ30012.0009.0+- 轴: Φ40 39.95 39.888 -0.050 -0.112 0.062 Φ40050.0112.0-- 轴: Φ60 60.041 60.011 +0.041 +0.011 0.030 Φ60041.0011.0++ 轴: Φ85 85 84.978 -0.022 0.022 Φ850 022.0- 2. 1) X max = 0.033- (-0.098) = 0.131mm X min = 0 - (-0.065) = 0.065mm T f = | 0.131-0.065 | = 0.066mm 2) Y max = 0 – 0.060 = -0.060mm Y min = 0.030 – 0.041 = -0.011mm T f = | -0.060+0.011 | = 0.049mm 3) X max = 0.007- (-0.016) =0.023mm Y max = -0.018 – 0 = -0.018mm T f = | 0.023 – (-0.018)| = 0.041mm 4) X max = 0.039 - 0.002 = 0.037mm Y max = 0 – 0.027 = -0.027mm T f =|0.037 – (-0.027)| = 0.064mm 5) X max = 0.074 – (-0.140) = 0.214mm X min = 0 - (-0.030) = +0.030mm T f =| 0.214 – 0.030 | = 0.184mm 6) X max =0.009 – (-0.019) = 0.028mm Y max = -0.021 – 0 = -0.021mm T f =| 0.028 – (-0.021) | = 0.049mm 3. (1) Φ50)(7f ) (8H 025 .0050.0039.00--+ Xmax = 0.089mm Xmin = 0.025mm 基孔制、间隙配合 （2）Φ80)(10h )(10G 0 120.0130.0010.0-++ Xmax = 0.250mm Xmin = 0.010mm 基轴制、间隙配合 （3）Φ30)(6h )(7K 0013.0006 .0015.0-+- X max = 0.019mm Y max = -0.015mm 基轴制、过渡配合 （4）Φ140) (8r ) (8H 126 .0063.0063.00+++ Y max = -0.126mm Y min = 0mm 基孔制、过盈配合 第2题

《互换性与测量技术》试卷及答案(考研必备)

08春期《互换性与测量技术基础》课程期末复习指导 重庆远程导学中心理工导学部 修订时间2008年6月 第一部份课程考核说明 1．考核目的 考核学生对互换性与测量技术基础的基本理论、基本计算方法的理解和实际的计算分析能力。 2．考核方式 闭卷，笔试，90分钟 3．命题依据 本课程的命题依据是《互换性与测量技术基础》课程的教学大纲、教材、实施意见。 4．考试要求 本课程的考试重点包括基本知识和应用能力两个方面，主要考核学生对互换性与测量技术基础的基本理论、基本计算方法的理解和对实际问题的计算分析能力。 5．考题类型及比重 考题类型及分数比重大致为：选择题(30%)；填空题(30%)；判断题(10%)；计算题（20%），标注题（10％）。 6、适用范围、教材 本课程期末复习指导适用范围为成人专科机械制造专业的必修课程。 考试命题的主教材：，《互换性原理与测量技术基础》，刘巽尔主编，中央广播电视大学出版社出版。 第二部份期末复习重点范围 第一章：绪论 一、重点名词 完全互换不完全互换 二、重点掌握/熟练掌握 1.应从装配这程中三个不同阶段（装配前、装配时、装配后）的要求全面理解换性的含义。 三、一般掌握 1.我国标准化和计量测试工作的概况可作一般了解。 第二章：基本术语和定义 一、重点名词 孔轴 二、重点掌握/熟练掌握 1.掌握孔和轴的概念； 2.掌握有关“尺寸”的素语； 3.掌握有关“偏差”的术语； 4.掌握有关“公差”的概念，分清它与极限偏的区别与联系。 5.掌握公差带（尺寸公差带）的概念，熟悉掌握公差带的画法；

6.掌握有关“配合”的概念；⑺孔、轴的尺寸合格与结合的合用是两个不同的概念，应注意区分。 三、一般掌握 无 第三章：测量技术基础 一、重点名词 测量误差随机误差 二、重点掌握/熟练掌握 1.掌握量块的特性及量块的组合方法； 2.掌握各种测量分类法的特点； 3.掌握计量器具的分类及其技术性能指标。 4.掌握测量误差的含义及其表示法； 5.掌握测量误差的基本类型及其处理原则； 6.掌握随机误差的概念及测量结果的表示法； 7.掌握测量误差的合成。 三、一般掌握 1.掌握有关测量的概念； 2.一般了解尺寸的传递系统； 第四章：公差与互换 一、重点名词 公差配合 二、重点掌握/熟练掌握 1.掌握公差与配合国家标准的主要内容； 2.掌握公差与配合国家标准的应用； 3.掌握光滑极限量规； 4.掌握验收极限的规定方法和计算器具的选择方法； 5.掌握滚动轴承的公差与配合标准的基本内容。 三、一般掌握 无 第五章：表面粗糙度 一、重点名词 表面粗糙度 二、重点掌握/熟练掌握 1.掌握表面粗糙度的概念； 2.掌握表面粗糙度的评定参数； 3.掌握表面粗糙度的特征代（符）号及其标注方法。 三、一般掌握 无 第六章：形状和位置公差 一、重点名词 形位公差位置公差公差原则 二、重点掌握/熟练掌握 1.掌握形位公差； 2.掌握位置公差；

运动目标检测方法总结报告

摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法

ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method

显著性目标检测中的视觉特征及融合

第34卷第8期2017年8月 计算机应用与软件 Computer Applications and Software VoL34 No.8 Aug.2017 显著性目标检测中的视觉特征及融合 袁小艳u王安志1潘刚2王明辉1 \四川大学计算机学院四川成都610064) 2 (四川文理学院智能制造学院四川达州635000) 摘要显著性目标检测，在包括图像/视频分割、目标识别等在内的许多计算机视觉问题中是极为重要的一 步，有着十分广泛的应用前景。从显著性检测模型过去近10年的发展历程可以清楚看到，多数检测方法是采用 视觉特征来检测的，视觉特征决定了显著性检测模型的性能和效果。各类显著性检测模型的根本差异之一就是 所选用的视觉特征不同。首次较为全面地回顾和总结常用的颜色、纹理、背景等视觉特征，对它们进行了分类、比较和分析。先从各种颜色特征中挑选较好的特征进行融合，然后将颜色特征与其他特征进行比较，并从中选择较 优的特征进行融合。在具有挑战性的公开数据集ESSCD、DUT-0M0N上进行了实验，从P R曲线、F-M easure方法、M A E绝对误差三个方面进行了定量比较，检测出的综合效果优于其他算法。通过对不同视觉特征的比较和 融合，表明颜色、纹理、边框连接性、Objectness这四种特征在显著性目标检测中是非常有效的。 关键词显著性检测视觉特征特征融合显著图 中图分类号TP301.6 文献标识码 A DOI：10. 3969/j. issn. 1000-386x. 2017.08. 038 VISUAL FEATURE AND FUSION OF SALIENCY OBJECT DETECTION Yuan Xiaoyan1,2Wang Anzhi1Pan Gang2Wang Minghui1 1 (College o f Computer Science，Sichuan University，Chengdu 610064，Sichuan，China) 2 {School o f Intelligent M anufacturing, Sichuan University o f A rts and Science, Dazhou 635000, Sichuan, China) Abstract The saliency object detection is a very important step in many computer vision problems, including video image segmentation, target recognition, and has a very broad application prospect. Over the past 10 years of development of the apparent test model, it can be clearly seen that most of the detection methods are detected by using visual features, and the visual characteristics determine the performance and effectiveness of the significance test model. One of the fundamental differences between the various saliency detection models is the chosen of visual features. We reviewed and summarized the common visual features for the first time, such as color, texture and background. We classified them, compared and analyzed them. Firstly, we selected the better features from all kinds of color features to fuse, and then compared the color features with other characteristics, and chosen the best features to fuse. On the challenging open datasets ESSCD and DUT-OMON, the quantitative comparison was made from three aspects：PR curve, F-measure method and MAE mean error, and the comprehensive effect was better than other algorithms. By comparing and merging different visual features, it is shown that the four characteristics of color, texture, border connectivity and Objectness are very effective in the saliency object detection. Keywords Saliency detection Visual feature Feature fusion Saliency map 收稿日期:2017-01-10。国家重点研究与发展计划项目（2016丫?80700802,2016丫?80800600);国家海洋局海洋遥感工程技术 研究中心创新青年项目（2015001)。袁小艳，讲师，主研领域:计算机视觉，机器学习，个性化服务。王安志，讲师。潘刚，讲师。王 明辉，教授。

图像处理文献综述

文献综述 近年来，随着计算机视觉技术的日益发展，图像处理作为该领域的关键方向受到越来越多研究人员的关注与思考。在现在的日常生活中，由于通信设备低廉的价格和便捷的操作，人们越来越喜欢用图像和视频来进行交流和分享，消费性的电子产品在消费者中已经非常普遍，例如移动手机和数码相机等等。在这个纷繁多变的世界，每天都有数以万计的图像产生，同时信息冗余问题也随之而来。尽管在一定的程度上，内存技术的增加和网络带宽的提高解决了图像的压缩和传输问题，但是智能的图像检索和有效的数据存储，以及图像内容的提取依然没有能很好的解决。 视觉注意机制可以被看做是人类对视觉信息的一个筛选过程，也就是说只有一小部分重要的信息能够被大脑进行处理。人类在观察一个场景时，他们往往会将他们的注意力集中在他们感兴趣的区域，例如拥有鲜艳的颜色，光滑的亮度，特殊的形状以及有趣的方位的区域。传统的图像处理方法是将整幅图像统一的处理，均匀的分配计算机资源；然而许多的视觉任务仅仅只关系图像中的一个或几个区域，统一的处理整幅图像很明显会浪费过多的计算机资源，减少处理的效率 [1,2]。因此，在计算机视觉领域，建立具有人类视觉系统独特数据筛选能力的数学模型显得至关重要。受高效的视觉信息处理机制的启发，计算机视觉领域的显著性检测应运而生。图像显著性检测是通过建立一定的数学模型，让计算机来模拟人类的视觉系统，使得计算机能够准确高效的定位到感兴趣的区域。 一般来说，一个信号的显著性可以表示为其和周围环境的差异性。正是因为这个信号和周围的其他信号的迥异性，使得视觉系统不需要对环境中的所有感兴趣的区域进行逐个的扫描，显著的目标会自动从环境中凸显出来。另外，一些心理学研究表明人类的视觉机制不仅仅是由低级的视觉信号来驱动的，基于记忆、经验等的先验知识同样能够决定场景中的不同信号的显著性，而这些先验知识往往是和一些高层次的事件以及视觉任务联系在一起的。基于当前场景的视觉显著性机制是低级的，慢速的。而基于先验知识的显著性机制通常是和高层次的任务关联在一起的，其效率通常低于由视觉信号驱动的显著性机制。人眼视觉系统通过显著性原理来处理复杂的视觉感知是不争的事实，这种显著性的处理机制使得复杂背景下的目标检测、识别有了很大程度的提升。 在模式识别、计算机视觉等领域，越来越多的计算机工作者致力于开发显著性计算模型，用以简单的表达图像的主要信息。这些显著性模型的检测结果是一个显著性灰度图，其每个像素点的灰度值表示了该像素的显著性，灰度值越大，表明该像素越显著。从信息处理的方式看，显著性模型大致可以分为两类：自顶向下（任务驱动）和自底向上（数据驱动）的方法。 自顶向下的显著性检测方法之所以是任务驱动，这是因为该类模型通常是和某一特定的任务相关。在同样的场景或模式下，检测到的结果因任务的不同而不同是自顶向下模型最突出的特点。例如在目标检测中，检测者需要首先告诉需要检测的目标是什么，检测到的显著性图则表示目标可能出现的位置。自顶向下的显著性检测方法的依据是：如果研究者事先知道需要检测目标的颜色、形状或者方向等特征，那么该检测算法自然会高效的检测到需要检测的目标。因此，自顶向下的算法通常需要人工标记，或是从大量的包含某种特定目标的图像中学习该类目标的特征信息，这些学习方法一般是监督的；然后求测试图像对于训练学习得到的信息的响应，从而得到测试图像的显著性图。现存的一些自顶向下的算法在某些特定的目标上取得了一定的效果，不过这些算法往往只对某些特定的目标有效，对于复杂多变的自然图像，该类算法存在很大的缺陷。自顶向下的模型是慢速的、任务驱动的，有意识的，以及封闭回路的。由于自顶向下模型的特点，其应用受到了很大的限制。