教学课程资源库 更多>>

关键词： 妆容迁移   风格迁移   生成对抗网络   数字图像处理  

摘要： 针对空间站为代表的空间活动驻留宇航员上镜时的妆容美化需求和空间环境资源限制等问题,通过图像处理的方法为宇航员进行虚拟上妆,优化航天员个人形象。对妆容迁移技术现状和载人航天中的问题进行了初步的探索和讨论,进一步提出虚拟上妆的优化设想,设计了基于生成对抗网络的妆容迁移模型。通过该模型可以对宇航员图像或视频的关键帧进行自动美颜,实现宇航员面部的虚拟上妆。实验结果表明,在不会改变宇航员的身份信息的基础上,通过优化后的循环一致性生成对抗网络对宇航员图像面部、眼部及唇部都可以进行迁移上妆,且不需要额外的手动交互。电子上妆技术解决了太空中宇航员个人形象维护难的问题,对进一步提升航天员形象有一定的参考价值。

关键词： 数字图像处理   线上教学   MATLAB软件   电子信息工程专业   授课对象   学科前沿   创新能力   教学内容  

摘要： 以我校2019级电子信息工程专业47名学生为授课对象,以数字图像处理课程作为教学内容,运用MATLAB软件平台、慕课、超星学习通、腾讯课堂等,结合学科前沿进行线上教学。实践表明,多平台线上资源的使用有助于学生理论知识的学习和创新能力的提升。可利用线上、线下相结合的实验教学模式,培养适应时代发展的高水平创新型数字图像处理人才。

关键词： 数字图像处理   边缘检测   FPGA   USB3.0   Sobel算子  

摘要： 边缘检测技术在数字图像处理领域有着必不可少的作用,在目标锁定、国防安全、交通管理等多个领域都被广泛应用,能否进行更深层次的图像识别与处理等应用取决于边缘检测结果的实时性与精确性。为了实现实时且高效的图像边缘检测,提出了一种基于FPGA和USB3.0的实时边缘检测系统,运用USB3.0高速接口的硬件优势,结合FPGA使用流水线与并行处理的解决方案,在不简化运算的前提下有效提高图像处理的速度,并且片上资源占用率小于1%。实验结果验证了本文提出的边缘检测系统具有较高的实时性与精确性。

关键词： 数字图像处理   课程思政   立德树人  

摘要： 在“数字图像处理”课程以往的教学中,仅考虑对应知识点的讲解,未考虑到挖掘并融入所蕴含的相关思政元素。针对上述问题,以价值塑造、能力培养、知识传授“三位一体”的教学目标为指引,结合课程自身特点,进行了“数字图像处理”课程思政的初步探索。主要从课程教师思想政治教育能力提升、课程知识点思政元素融入、课程实验环节设计、课程考核诚信宣传四个方面展开探索,将思政元素有机地融入课程教学各环节,达到润物无声的育人效果。

ISBN: (纸本)9787111711803

关键词： 数字图像处理  

ISBN: (纸本)9787113298159

摘要： 本书可供应用数学专业、计算机专业的研究学者、教师以及广大算法爱好者参考学习。

关键词： 数字图像处理   卷积神经网络(CNN)   MATLAB  

摘要： 手写数字识别是电子光学字符识别技术的一个分支,如何利用电子计算机自动识别手写在纸张上的阿拉伯数字是较困难的。因此,文章分析了数字识别系统。先对图像进行预处理,再提取数字特征,最后设计卷积神经网络,同时训练和测试所输入的样本。结果表明,全部检测样品的均值识别准确率为71%,具有良好的识别效果。

关键词： 数字图像处理   学生目标导向   课程改革   经典案例   线上线下混合模式  

摘要： 传统数字图像处理课程教学通常以教师为主体,根据课程大纲向学生统一讲授,忽略了不同职业规划对课程知识需求的差异性。针对该不足,提出基于学生目标导向的数字图像处理课程改革方案,强调以学生为中心,以就业目标为导向,通过设置多元化教学目标,采用课程大纲和经典案例双驱动的教学体系,以及线上线下混合教学模式,实现多轨道分类教学,学生可根据职业规划选择相应通道,达到核心能力和素质的针对性培养。研究表明,基于学生目标导向的数字图像处理教学改革能够最大程度激发学生内在驱动力,提升自主学习能力,最终达到提高教学质量的目标。

关键词： 牡蛎   肥满度分类   数字图像处理   外部形态特征提取   机器学习   最大信息系数  

摘要： 目的基于机器学习算法,对同样重量范围下的牡蛎按照肥满度高低进行分类。方法首先利用数字图像处理技术提取牡蛎外部形态特征,获得牡蛎的粗糙度、伸长率、紧密度、长轴、短轴、面积等特征指标作为参数。然后利用机器学习算法在数据分析上的强大功能,采用随机森林(random forest,RF)算法与梯度提升决策树(gradient boosting decision tree,GBDT)算法分别构建肥满度识别模型。最后,将模型用于不同重量范围的牡蛎样本,对牡蛎进行肥满度识别分类。结果对于0~50 g的牡蛎,RF算法能取得较好的效果,肥满度识别率达到79.3%,50~100 g的牡蛎,GBDT算法的肥满度识别率达到86.4%。结论相对于传统的按照重量对其肥满度分类而言,本方法能够快速有效地识别出相同重量范围下牡蛎肥满度的高低,为牡蛎分类提供了新的方法。