以 INTERNET为代表的国际互联网的发展已步入千家万户,“距离”的观念在时间尺度上 正迅速地缩短。随着高速数字互联网以及I为代表的各种传输协议(如ATM、SM、DWDM 等)的提出,信息网络的服务范围已从单纯的邮电通信扩展为多媒体服务,宽带综合业务数 字网(B-ISDN)将成为实现信息化社会的基础。要实现这些,必须建立和发展光子网络体系 和新型的光无源器件

第一阶段:传统的光学装置及仪器,不能胜任对 复杂光信息高速采集和处理的要求 第二阶段:半导体集成电路技术,可以将探测器 件及电路集成在一个整体中,也可以将具有多个 检测功能的探测器件集成在一个整体中。其价格 低,体积小。例如,将图形、物体等具有二维分 布的光学图像转换成电信号的检测器件是把基本 的光电探测器件组成许多网状阵列结构,引人注 目的器件CCD就是一种将阵列化的光电探测与扫 描功能一体化的固态图像检测器件。它是把一维 或二维的光学图像转换成时序电信号的器件,能 广泛引用于自动检测、自动控制,尤其是图像识 别技术

02-01-05一级考试选择题(M) 1、在计算机上播放VCD采用的是() A)人工智能B)网络技术C)多媒体技术D)数据库技术 2、下列访问速度最快的是() A)硬盘B)光驱C)内存D)寄存器 3、下面叙述中,()是错误的。 A)光标是显示屏上指示位置的标志 B)总线是计算机各部件之间传输信息的公共通道 C)磁盘驱动器磁头既能从磁盘读取数据,也能将数据写入磁盘 D)不存在非冯·诺依曼体系结构的计算机 4、字母字符在计算机中的大小比较一般是根据()

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

非刚性图像配准一直是计算机视觉领域的研究重点. 为解决上述问题, 提出一种改进的光流场模型算法, 以提高光流估计的准确度. 算法首先对原始变分光流模型进行了改进, 提出利用新的各向异性正则项来代替原来的同向扩散函数, 以避免图像模糊, 保留图像的边缘特征与细节特征; 此外, 通过引入包含邻域信息的非局部平滑项来去除光流噪点, 同时增加了一个结合图像结构与光流运动信息的权函数, 以减少过平滑所造成的细节丢失, 提高算法的鲁棒性. 最后, 利用交替最小化与金字塔分层迭代策略相结合的方法求解位移场, 实现非刚性图像的自动配准. 仿真实验结果表明, 与传统方法相比, 本文算法对不同类型的非刚性图像均具有较高的鲁棒性, 取得了理想的图像配准效果

1. 绘制脑环路形态和功能连接的意义（0.5学时） （1）解析大脑工作原理的必由之路 （2）探索大脑相关疾病的发生机制和诊治方法的必由之路 （3）指导发展人工智能和物种进化的必由之路 2. 脑环路形态和功能连接的基础（1.5学时） （1）化学突触 （2）缝隙连接 （3）信息传递方式：电信号，化学信号 3. 脑环路形态和功能连接图绘制的相关方法和前沿进展（1学时） （1）形态学连接图绘制相关方法：电镜、光镜、fMRI （2）连接功能图绘制相关方法：双光子成像、电生理（多电极记录）、光纤荧光信号记录或成像、光遗传学、fMRI。 （3）前沿进展：桶装皮层功能图谱绘制，听觉皮层预测环路

针对高炉布料过程操作者无法直接观察炉内料流轨迹、料面形状等信息,利用光学原理,提出极坐标激光栅格测试技术,对料面进行标定测量.引入模式识别中的双目视觉技术进行轨迹检测,对布料轨迹图像采用边缘分析算子,优化算子阈值,获得布料过程中料流信息,重现料流轨迹的动态图像,为高炉布料模型提供数据支撑

本章围绕衡量光学仪器的三个本领进行教学,其中着重介绍望远镜、显微镜的放大本领和分辨本领,扼要介绍聚光本领。简单介绍光度学、像差的基本概念

5.1多媒体技术概述 一、媒体与多媒体 1媒体(媒介、媒质) 媒体是信息表示、传递和存储的载体存储信息的实体纸张、磁盘、光盘表示信息的载体文本、图形、图像声音、动画、视频

针对人耳识别中存在姿态、光照变化等问题,提出信息融合的方法,将二维人耳和三维人耳的信息进行融合,以克服姿态、光照对人耳识别的影响.对于二维人耳,由于姿态等的变化会导致人耳图像数据在高维空间中呈现出非线性流形结构,采用等距映射这种流形学习算法进行特征提取,对三维深度人耳则采用3D局部二值模式进行特征提取,然后分别进行二维和三维人耳识别,最后在决策层进行融合识别.在79人的人耳数据库上进行了实验,每人8幅带姿态的二维人耳图像和6幅带光照的三维人耳深度图像.实验结果表明,与单独的二维人耳和三维人耳识别相比,融合之后的识别效果和认证效果均有很大的改善