实验2_纹理_结构特征分析
一、实验目的
加深对SAR影像纹理、结构特征及相关概念的理解，能编程实现SAR影像纹理、结构特征的统计分析。
二、实验软件
Matlab
三、实验数据
德国TerraSAR卫星获取的成都市部分SAR影像sar_cd01.tif及从中裁剪的两部分影像sar_cd01_1.tif、sar_cd01_2.tif。
四、实验内容及步骤
1. 基于Matlab，编写统计分析影像纹理特征和结构特征的程序；
1.1编写纹理特征程序
1）纹理特征主程序CTFmain：
依次实现的功能为：a打开并读取影像文件；b获取灰度影像；c扩展原始数据；d统计纹理特征频次；e对纹理特征频次排序并得到原始编码索引；f要求用户输入纹理特征分类个数目；g对纹理特征分类并得到类别编码对原始编码的索引；h生成纹理特征图。
function im=CTFmain
% 选择影像文件
[fn,pn]=uigetfile({'*.jpg;*.tif;*.png;*.gif',...
'All Image Files(*.jpg,*.tif,*.png,*.gif)'; ...
'*.fig','Figures(*.fig)';'*.*','All Files' },...
'请选择影像文件');
if fn~=0
% 添加当前路径
addpath(pn);
% 读取影像文件
dat=imread(fn);
% 取出起始时间
t1=clock;
% 获取灰度影像
data0=GetGMap(dat);
fprintf('%s\n','灰度影像生成完毕！');
% 扩展原始数据矩阵data0为data
data=EnlargeMat(data0,1,1);
fprintf('%s\n','影像数据扩展完毕！');
% 统计每种纹理特征向量出现的频数，得到纹理特征查询矩阵stvm和原始编码图codm [stvm,codm]=StatTVm(data);
fprintf('%s\n','纹理特征统计完毕！');
% 对各种纹理特征向量频数由大到小排序，得到排序后的纹理特征原始编码索引
id0=SortGetId0(stvm);
% 取出终了时间
t2=clock;
% 显示程序运行时间
fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s');
% 提示用户输入纹理特征分类数目
n=input('请根据统计数据输入纹理特征类别的数目n [10]:');
if isempty(n)
n=10;
end
% 取出起始时间
t1=clock;
% 合并相似的纹理特征，得到频次和类别编码索引fid以及原始编码和类别编码索引iid [fid,iid]=IcprtTF(stvm,id0,n);
fprintf('%s\n','特征类别编码完毕！');
% 生成纹理特征图
im=CreatIM(codm,fid,iid);
fprintf('%s\n','纹理特征图生成完毕！');
% 取出终了时间
t2=clock;
% 显示程序运行时间
fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s');
% 显示纹理特征图
imshow(im,[min(min(im)),max(max(im))]);
else
error('您没有选择影像文件！');
end
end
2）获取灰度图像子程序GetGMap：
实现了根据输入数据结构采用相应算法得到灰度图像的功能，即：a如果是单层影像数据，直接认为是灰度图像，有data0 = dat；b如果是3层影像数据，采用gray = 0.299*r+0.587*g+0.114*b公式计算出灰度图像：c如果是多余3层的影像数据，采用所有数据层平均的方法得到灰度图像。
function data0=GetGMap(dat)
ds=size(dat);
data0=zeros(ds(1),ds(2));
dss=size(ds);
if dss(2)==3
data0=0.299*dat(:,:,1)+0.587*dat(:,:,2)+0.114*dat(:,:,3);
else if dss(2)>3
for i=1:dss(2)
data0=data0+dat(:,:,i);
end
else
data0=dat;
end
end
end
3）扩展原始数据子程序EnlargeMat：
实现将数据data0扩展为data的功能，具体的方法是：a将data0的4个角点值分别赋给在其所处对角线另一端的data的角点；b将data0的初始端制定数目的行赋给data最末端制定数目的行，而data0最末端制定数目的行赋给data初始端制定数目的行；c与b相同的方法给data的初始端制定数目的列和最末端制定数目的列赋值。
function data=EnlargeMat(data0,dr,dc)
% 取出原始数据的行列数
[row,col]=size(data0);
% 扩展data0为data
data=zeros(row+2*dr,col+2*dc);
data(dr+1:row+dr,dc+1:col+dc)=data0;
data(1,1)=data0(row,col);
data(row+2*dr,1)=data0(1,col);
data(1,col+2*dc)=data0(row,1);
data(row+2*dr,col+2*dc)=data0(1,1);
data(1,dc+1:col+dc)=data0(row,:);
data(row+2*dr,dc+1:col+dc)=data0(1,:);
data(dr+1:row+dr,1)=data0(:,col);
data(dr+1:row+dr,col+2*dc)=data0(:,1);
end
4）统计纹理特征子程序StatTVm：
实现了对每种纹理特征出现频次的统计，将每种纹理特征向量按三进制转换为十进制再加1作为其对应的原始编码，然后删除纹理特征向量频次统计矩阵（stvm）中频次为0
的纹理特征所对应的行数据，最后返回stvm和赋予了原始编码的原始编码图（codm）。
function [stvm,codm]=StatTVm(data)
% 取出输入数据data的行列数
[row,col]=size(data);
% 定义纹理特征向量统计矩阵stvm
stvm=CreatTVm;
% 定义纹理特征编码图
codm=zeros(row-2,col-2);
% 初始化一个进度条
h=waitbar(0,'正在统计纹理特征：请稍后...');
% 计算tv0，并对比stvm中每一种纹理特征向量，统计其出现的次数
for i=2:row-1
for j=2:col-1
w=data(i-1:i+1,j-1:j+1);
tv=ComputTV(w);
k=ComputIdx(tv);
for k0=1:6561
if k==k0
stvm(k,9)=stvm(k,9)+1;
codm(i-1,j-1)=k0;
end
end
end
waitbar((i-1)/(row-1));
end
id=stvm(:,9)==0;
stvm(id,:)=[];
waitbar((row-1)/(row-1));
% 关闭进度条
close(h);
end
5）生成纹理特征向量频次统计矩阵子函数CreatTVm：
实现生成一个纹理特征向量频次统计矩阵的功能，其最后两列存频数和原始编码。
function tvm=CreatTVm
% 定义纹理特征向量矩阵，最后两列存频数和原始编码
tvm=zeros(6561,10);
% 生成纹理特征向量矩阵，其包含了6561种纹理特征向量
i=1;
for k1=0:2
for k2=0:2
for k3=0:2
for k4=0:2
for k5=0:2
for k6=0:2
for k7=0:2
for k8=0:2
tvm(i,1)=k1;
tvm(i,2)=k2;
tvm(i,3)=k3;
tvm(i,4)=k4;
tvm(i,5)=k5;
tvm(i,6)=k6;
tvm(i,7)=k7;
tvm(i,8)=k8;
tvm(i,10)=i;
i=i+1;
end
end
end
end
end
end
end
end
end
6）计算纹理特征向量子函数ComputTV：
实现根据3*3窗口w的数据计算对应的纹理特征向量的功能。
function tv=ComputTV(w)
% 定义纹理特征向量tv
tv=zeros(1,9);
% 计算纹理特征向量tv
for r=1:3
for c=1:3
k=3*r+c-3;
if w(r,c)==w(2,2)
tv(1,k)=1;
else if w(r,c)>w(2,2)
tv(1,k)=2;
else
tv(1,k)=0;
end
end
end
end
% 删除w窗口中心所对应的列
tv(:,5)=[];
end
7）计算原始编码子函数ComputIdx：
实现根据纹理特征向量计算出其对应的原始编码的功能。
function idx=ComputIdx(tv)
% 计算纹理特征向量tv的索引值
idx=tv(8)+3*tv(7)+3^2*tv(6)+3^3*tv(5)+3^4*tv(4)+3^5*tv(3)+3^6*tv(2)+3^7*tv(1)+1;
end
8）建立纹理特征频次排序索引子程序SortGetId0：
实现了对精简后的纹理特征频次由大到小排序，得到排序后的纹理特征原始编码索引的功能。
function id0=SortGetId0(stvm)
% 取出stvm大小
s=size(stvm);
% 对频数排序
[fqn,id0]=sort(stvm(:,9),'descend');
% 给id0替换原始编码值
for i=1:s(1)
jd=id0(:)==i;
id0(jd)=stvm(i,10);
end
end
9）纹理特征合并分类编码子程序IcprtTF：
实现了合并相似的纹理特征，得到频次和类别编码索引fid以及原始编码和类别编码索引iid的功能。
function [fid,iid]=IcprtTF(stvm,id0,n)
% 取出stvm的大小
s=size(stvm);
% 初始化频数和类别的索引fid
fid=zeros(n,2);
% 初始化编码和类别的索引iid
iid=zeros(s(1),2);
% 初始化频数较大的前n种纹理特征查询表stv0
stv0=zeros(n,9);
% 给stv0赋值，前8位是纹理特征向量，最后1位是纹理特征对应的编码for k=1:n
for i=1:s(1)
if id0(k)==stvm(i,10)
stv0(k,1:8)=stvm(i,1:8);
stv0(k,9)=id0(k);
end
end
end
% 将剩余向量和查询表里的向量按夹角归类,建立编码和类别的索引iid for i=1:s(1)
ag=pi*ones(n,1);
for k=1:n
if stvm(i,10)~=stv0(:,9)
ag(k)=ComputAg(stv0(k,1:8),stvm(i,1:8));
else
break;
end
end
[agm,k0]=min(ag);
if agm==pi
iid(i,1)=stvm(i,10);
iid(i,2)=stvm(i,10);
else
iid(i,1)=stvm(i,10);
iid(i,2)=stv0(k0,9);
end
end
% 给fid赋值
for k=1:n
for i=1:s(1)
if iid(i)==id0(k)
fid(k,1)=fid(k,1)+stvm(i,9);
end
end
end
fid(:,2)=id0(1:n);
end
10）生成纹理特征图子程序CreatIM：
实现生成纹理特征图的功能：首先建立灰度查找表glt（Gray Look Table），然后根据原始编码图codm和频次-类别编码索引fid和原始编码-类别编码iid的信息，在glt中查找对应灰度，给纹理特征强度图im（intensity map）赋值。
function im=CreatIM(codm,fid,iid)
% 取出iid的大小
s=size(iid);
% 取出编码图codm的行列数
[row,col]=size(codm);
% 初始化强度图矩阵im（intensity map）
im=zeros(row,col);
% 初始化灰度查询表glt（Gray Look Table）
glt=zeros(size(fid));
% 给灰度查询表glt赋值
maxf=max(fid(:,1));
minf=min(fid(:,1));
glt(:,1)=225*(fid(:,1)-minf)/(maxf-minf);
glt(:,2)=fid(:,2);
% 初始化一个进度条
h=waitbar(0,'正在生成纹理特征图：请稍后...');
% 给强度图矩阵im赋值
for r=1:row
for c=1:col
for i=1:s(1)
if codm(r,c)==iid(i,1)
id=glt(:,2)==iid(i,2);
im(r,c)=glt(id,1);
end
end
end
waitbar(r/row);
end
% 关闭进度条
close(h);
end
1.2编写结构特征程序
通过对结构特征提取原理的分析，在基于原理编写的基础上，对程序进行了优化。优化后的程序，以604行536列的jpg图像作为实验数据的ENT指数为例，比优化前节省了大约19分钟；而对单个像素所对应的5*5窗口w做实验，以COR指数为例，计算时间节省了1.4s左右。优化效果令人十分满意，计算速率大大提高。
优化记事如下：
a优化前后ENT程序运行对比
[优化前]
>> tgms=CSFmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.1s
结构指数计算完毕！
该阶段运行时间：1222.4s
Warning: Image is too big to fit on screen; displaying at 67%
[优化后]
>> tgms=CSFmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.1s
结构指数计算完毕！
该阶段运行时间：65.8s
Warning: Image is too big to fit on screen; displaying at 67%
b单窗口COR指数优化试验
[优化前]
tg4=GetCOR(P)
运行时间：1.453000s
tg4 =
4.8398e+003
[优化后]
tg4=GetCOR(w)
运行时间：0.046000s
tg4 =
4.8399e+003
c其他指数优化后程序运行
(CONT)
>> tgms=CSFmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.3s
结构指数计算完毕！
该阶段运行时间：2.6s
Warning: Image is too big to fit on screen; displaying at 67%
(ASM)
>> tgms=CSFmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.1s
结构指数计算完毕！
该阶段运行时间：61.4s
Warning: Image is too big to fit on screen; displaying at 67%
(COR)
>> tgms=CTSmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.1s
结构指数计算完毕！
该阶段运行时间：119.8s
Warning: Image is too big to fit on screen; displaying at 67%
结构特征优化思想是去掉计算灰度共现矩阵的步骤，变结构特征指数在灰度共现矩阵中统计，为直接在5*5窗口统计的计算模式，使得由优化前的256*256的统计空间变为优化后5*5的统计空间，从而大大提高了计算效率。
该优化思想最早是由黄强同学提出来的，但他仅仅局限于对CONT指数的优化，没有实现对ENT、ASM、COR指数的具体优化算法。与他讨论之后，我基于去掉计算灰度共现矩阵的优化思想，通过一周的反复实验，实现了ENT、ASM、COR指数的优化算法，使得整个程序运算速度大大提高。
由于计算公式的不同，ENT、ASM、COR指数的计算不同于CONT指数，它们需要统计基于灰度共现矩阵得到的灰度共现概率P(i,j)。为了实现不计算灰度共现矩阵就能得到P(i,j)的统计，我对5*5窗口w中每种结构特征的P(i,j)值与其对应的灰度坐标i，j建立索引，从而最终实现了ENT、ASM、COR指数的优化算法。
1）优化前的灰度共现矩阵计算函数、灰度共现概率P(i,j)计算函数，以及各个结构特征指数计算函数：
a灰度共现矩阵计算函数：
function p=StatGTAm(w)
[row,col]=size(w);
p=zeros(256,256);
for r=1:row
for c=1:col-1
p(w(r,c)+1,w(r,c+1)+1)=p(w(r,c)+1,w(r,c+1)+1)+1;
end
end
end
b灰度共现概率P(i,j)计算函数：
function P=CountFqn(p)
P=zeros(size(p));
ij=p(:,:)~=0;
sumPlk=sum(sum(p(ij)));
P(ij)=p(ij)/sumPlk;
c各个结构特征指数计算函数：
function tg1=GetCONT(P)
% 取出P的行列数
[row,col]=size(P);
% 给tg1赋值
tg1=0;
for i=1:row
for j=1:col
tg1=tg1+(i-j)^2*P(i,j);
end
end
end
function tg2=GetENT(P)
% 取出P中非零值的id
id=P(:,:)~=0;
% 给tg2赋值
tg2=sum(sum(-P(id).*log10(P(id))));
end
function tg3=GetASM(P)
% 取出P中非零元素的id
id=P(:,:)~=0;
% 给tg3赋值
tg3=sum(sum(P(id).^2));
end
function tg4=GetCOR(P)
% 给tg4赋值
tg4=0;
for i=1:256
for j=1:256
ux=sum(20*P(i,:))/256;
uy=sum(20*P(:,j))/256;
dx=sqrt((20*P(i,:)-ux)*(20*P(i,:)-ux)');
dy=sqrt((20*P(:,j)-uy)'*(20*P(:,j)-uy));
tg4=tg4+((i-1)*(j-1)*P(i,j)-ux*uy)/(dx*dy+eps);
end
end
end
2）优化后结构特征程序：
a结构特征主程序：
function tgms=CSFmain
[fn,pn]=uigetfile({'*.jpg;*.tif;*.png;*.gif',...
'All Image Files(*.jpg,*.tif,*.png,*.gif)';...
'*.fig','Figures(*.fig)';'*.*','All Files(*.*)' },...
'请选择影像文件');
if fn~=0
addpath(pn);
dat=imread(fn);
t1=clock;
data0=GetGMap(dat);
fprintf('%s\n','灰度影像生成完毕！');
data=EnlargeMat(data0,2,2);
fprintf('%s\n','影像数据扩展完毕！');
t2=clock;
fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s');
k=menu('请单击所要生成的指数图种类：','CONT','ENT',...
'ASM','COR','All Kinds');
t1=clock;
tgms=GetTgms(data,k);
fprintf('%s\n','结构指数计算完毕！');
t2=clock;
fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s');
if k~=5
im=CountIM(tgms);
imshow(im,[min(min(im)),max(max(im))]);
else
for j=1:4
im=CountIM(tgms(:,:,j));
figure,imshow(im,[min(min(im)),max(max(im))]);
end
end
else
error('您没有选择影像文件！');
end
end
b得到灰度图像子程序GetGMap：
同纹理特征。
c扩展原始数据子程序EnlargeMat：
同纹理特征。
d得到结构特征指数图子程序GetTgms：
由用户在选择菜单中选择的结构指数类别，返回k值；而GetTgms根据k值计算对应的结构特征指数图。
function tgms=GetTgms(data,k)
% 取出data的行列数
[row,col]=size(data);
% 初始化一个进度条
h=waitbar(0,'正在计算结构特征指数：请稍后...');
% 计算tgms每个元素对应的tg值
if k==1||k==2||k==3||k==4
tgms=zeros(row-4,col-4);
for i=3:row-2
for j=3:col-2
w=data(i-2:i+2,j-2:j+2);
switch k
case 1
tgms(i-2,j-2,k)=GetCONT(w);
case 2
tgms(i-2,j-2,k)=GetENT(w);
case 3
tgms(i-2,j-2,k)=GetASM(w);
case 4
tgms(i-2,j-2,k)=GetCOR(w);
end
end
waitbar(i/(row-4));
end
else if k==5
tgms=zeros(row-4,col-4,4);
for k=1:4
for i=3:row-2
for j=3:col-2
w=data(i-2:i+2,j-2:j+2);
switch k
case 1
tgms(i-2,j-2,k)=GetCONT(w);
case 2
tgms(i-2,j-2,k)=GetENT(w);
case 3
tgms(i-2,j-2,k)=GetASM(w);
case 4
tgms(i-2,j-2,k)=GetCOR(w);
end
end
waitbar(((k-1)*(row-4)+i)/(4*row-4));
end
end
end
end
% 关闭进度条
close(h);
end
e计算CONT指数的优化函数：
function tg1=GetCONT(w)
% 给tg1赋值
tg1=0;
for r=1:5
for c=1:4
i=w(r,c);
j=w(r,c+1);
tg1=tg1+(i-j)^2/20;
end
end
end
f计算ENT指数的优化函数：
function tg2=GetENT(w)
gs0=-1*ones(20,2);
k0=1;
for r=1:5
for c=1:4
i=w(r,c);
j=w(r,c+1);
gs0(k0,:)=[i,j];
k0=k0+1;
end
end
gs=unique(gs0,'rows');
s=size(gs);
P=zeros(s(1),1);
for k=1:s(1)
for k0=1:20
if gs0(k0,1)==gs(k,1)&&gs0(k0,2)==gs(k,2)
P(k)=P(k)+1/20;
end
end
end
tg2=sum(-P.*log10(P));
end
g计算ASM指数的优化函数：
function tg3=GetASM(w)
gs0=-1*ones(20,2);
k0=1;
for r=1:5
for c=1:4
i=w(r,c);
j=w(r,c+1);
gs0(k0,:)=[i,j];
k0=k0+1;
end
end
gs=unique(gs0,'rows');
s=size(gs);
P=zeros(s(1),1);
for k=1:s(1)
for k0=1:20
if gs0(k0,1)==gs(k,1)&&gs0(k0,2)==gs(k,2)
P(k)=P(k)+1/20;
end
end
end
tg3=sum(P.*P);
end
h计算COR指数的优化函数：
function tg4=GetCOR(w)
gs0=-1*ones(20,2);
k0=1;
for r=1:5
for c=1:4
i=w(r,c);
j=w(r,c+1);
gs0(k0,:)=[i,j];
k0=k0+1;
end
end
gs=unique(gs0,'rows');
s=size(gs);
P=zeros(s(1),1);
for k=1:s(1)
for k0=1:20
if gs0(k0,1)==gs(k,1)&&gs0(k0,2)==gs(k,2)
P(k)=P(k)+1/20;
end
end
end
gs1=unique(gs(:,1),'rows');
s1=size(gs1);
ui=zeros(s1(1),1);
di=zeros(s1(1),1);
for k1=1:s1(1)
for k=1:s(1)
if gs(k,1)==gs1(k1)
ui(k1)=ui(k1)+20*P(k)/256;
end
end
for k=1:s(1)
if gs(k,1)==gs1(k1)
di(k1)=di(k1)+(20*P(k)-ui(k1))^2;
end
end
di(k1)=sqrt(di(k1)+(256-s1(1))*ui(k1)^2);
end
gs2=unique(gs(:,2),'rows');
s2=size(gs2);
uj=zeros(s2(1),1);
dj=zeros(s2(1),1);
for k2=1:s2(1)
for k=1:s(1)
if gs(k,2)==gs2(k2)
uj(k2)=uj(k2)+20*P(k)/256;
end
end
for k=1:s(1)
if gs(k,2)==gs2(k2)
dj(k2)=dj(k2)+(20*P(k)-uj(k2))^2;
end
end
dj(k2)=sqrt(dj(k2)+(256-s2(1))*uj(k2)^2);
end
tg4=0;
for k=1:s(1)
i=gs(k,1);
j=gs(k,2);
iid=gs1(:)==i;
jid=gs2(:)==j;
tg4=tg4+(i*j*P(k)-ui(iid)*uj(jid))/(di(iid)*dj(jid)+eps);
end
end
i生成将结构特征指数归化到[0,255]值域空间的灰度图像的子程序CountIM：
function im=CountIM(tgm)
[row,col]=size(tgm);
im=zeros(row,col);
maxtg=max(max(tgm));
mintg=min(min(tgm));
im(:,:)=255*(tgm(:,:)-mintg)/(maxtg-mintg);
end
2. 以提供的SAR影像为数据，利用所编写程序，统计分析三张图像的纹理及结构，获得纹理、结构特征图像；
2.1 sar_cd01影像处理
1）统计sar_cd01纹理特征
>> im01=CTFmain;
灰度影像生成完毕！
影像数据扩展完毕！
纹理特征统计完毕！
该阶段运行时间：86.1s
请根据统计数据输入纹理特征类别的数目n [10]:7
特征类别编码完毕！
纹理特征图生成完毕！
该阶段运行时间：1158.1s
Warning: Image is too big to fit on screen; displaying at 50%
图1 选择影像文件
图2 显示统计纹理特征进度
图3 显示生成纹理特征图进度
显示sar_cd01纹理特征，发现纹理特征并不明显，分析原因，可能是SAR影像斑点噪声太多造成的。建议先对SAR影像进行平滑滤波，再提取纹理特征。
图4 sar_cd01纹理特征图
2）统计sar_cd01结构特征
>> tgms01=CSFmain;
灰度影像生成完毕！
影像数据扩展完毕！
该阶段运行时间：0.0s
结构指数计算完毕！
该阶段运行时间：9.2s
Warning: Image is too big to fit on screen; displaying at 50%
图5 选择指数类别菜单
图6 显示计算结构特征指数进度
图7 sar_cd01的CONT结构特征
图8 sar_cd01的ASM结构特征
图像纹理特征的分析方法研究 黄晶，杨杰 武汉理工大学信息工程学院，武汉（430063） E-mail ：jinghuang1019@https://www.doczj.com/doc/262800553.html, 摘 要：本文重点介绍了几种借助纹理统计特征的分析方法，并对算法进行了比较。这些方 法包括：基于图像分形维数的特征分析，基于灰度共生矩阵的特征分析，基于灰度直方图的 特征提取。 关键词：分形维数，灰度共生矩阵，纹理特征 中图分类号：TP391 1．引言 虽然存在形形色色的图像纹理，并且人们进行纹理分析方面的工作已近半个世纪，但至 今还没有一个公认的确切的定义。纹理图像在局部区域内可能称不规则性，但在整体上则表 现出某种规律性，其灰度分布往往表现出某种周期性。 就其广义而言，纹理特征就是图像局部性质的统计，一个纹理图像可以看成一组独立的 同分布随机变量(,)W j k 经一空间算子()O ?作用而成的结果(,)F j k ，并用这些数字特征构 造图像的纹理特征。对纹理特征的提取方法可以分为统计法﹑构造法和频谱法。 2．纹理特征的分析方法 2.1 基于分形维数的特征分析 在分形理论中，最经典的理论是Hausdorff 维数[1]，它对分形的理论分析和理解都很重 要，但很难直接求取，在实际运用中更多的是盒维数，关联维数，自相似维数以及尺度维数， 本文选取的是盒维数中的差分盒维数。 差分盒维数算法是以盒维数算法为基础提出的一种简单、快速、精确的算法。将M M ×大小的图像分割成L L ×的子块，令r=L/M ，将图像视为一个三维空间中的一个表面 (,,(,))x y f x y ，其中(,)f x y 为图像(,)x y 位置处的灰度值。X ，Y 平面被分割成许多L L ×的网格。在每个网格上，是一列L L h ××的盒子，h 为单个盒子的高度。设总的灰度级为G 。 设在第(,)i j 网格中图像灰度的最小值和最大值分别落在第k 和第l 个盒子中，则： (,)1r n i j l k =?+ （1） 其中r n 是覆盖第(,)i j 网格中的图像所需的盒子数，因而可以求出覆盖整个图像所需的 盒子数r N ： ,(,)r r i j N n i j =∑ （2） 则其分形维数log()lim log(1/) r N D r = （3）基于分形维数的特征分析算法： （1）将原图转化为灰度图像； （2）以图像的任意像点(,,(,))i j f i j 为中心选取L L ×大小的窗口计算r n
结构动力特性的测试方法及应用(讲稿) 一. 概述 每个结构都有自己的动力特性，惯称自振特性。了解结构的动力特性是进行结构抗震设 计和结构损伤检测的重要步骤。目前，在结构地震反应分析中，广泛采用振型叠加原理的反 应谱分析方法，但需要以确定结构的动力特性为前提。n 个自由度的结构体系的振动方程如 下： [][][]{}{})()()()(...t p t y K t y C t y M =+? ?????+?????? 式中[]M 、[]C 、[]K 分别为结构的总体质量矩阵、阻尼矩阵、刚度矩阵，均为n 维矩阵； {})(t p 为外部作用力的n 维随机过程列阵；{})(t y 为位移响应的n 维随机过程列阵；{} )(t y &为速度响应的n 维随机过程列阵；{})(t y && 为加速度响应的n 维随机过程列阵。 表征结构动力特性的主要参数是结构的自振频率f （其倒数即自振周期T ）、振型Y(i)和 阻尼比ξ，这些数值在结构动力计算中经常用到。 任何结构都可看作是由刚度、质量、阻尼矩阵（统称结构参数）构成的动力学系统， 结构一旦出现破损，结构参数也随之变化，从而导致系统频响函数和模态参数的改变，这种 改变可视为结构破损发生的标志。这样，可利用结构破损前后的测试动态数据来诊断结构的破损，进而提出修复方案，现代发展起来的“结构破损诊断”技术就是这样一种方法。其最 大优点是将导致结构振动的外界因素作为激励源，诊断过程不影响结构的正常使用，能方便 地完成结构破损的在线监测与诊断。从传感器测试设备到相应的信号处理软件,振动模态测 量方法已有几十年发展历史，积累了丰富的经验，振动模态测量在桥梁损伤检测领域的发展 也很快。随着动态测试、信号处理、计算机辅助试验技术的提高，结构的振动信息可以在桥 梁运营过程中利用环境激振来监测，并可得到比较精确的结构动态特性（如频响函数、模态 参数等）。目前，许多国家在一些已建和在建桥梁上进行该方面有益的尝试。 测量结构物自振特性的方法很多，目前主要有稳态正弦激振法、传递函数法、脉动测试 法和自由振动法。稳态正弦激振法是给结构以一定的稳态正弦激励力，通过频率扫描的办法 确定各共振频率下结构的振型和对应的阻尼比。 传递函数法是用各种不同的方法对结构进 行激励（如正弦激励、脉冲激励或随机激励等）,测出激励力和各点的响应，利用专用的分 析设备求出各响应点与激励点之间的传递函数，进而可以得出结构的各阶模态参数（包括振 型、频率、阻尼比）。脉动测试法是利用结构物（尤其是高柔性结构）在自然环境振源（如 风、行车、水流、地脉动等）的影响下，所产生的随机振动，通过传感器记录、经谱分析， 求得结构物的动力特性参数。自由振动法是:通过外力使被测结构沿某个主轴方向产生一定 的初位移后突然释放，使之产生一个初速度，以激发起被测结构的自由振动。 以上几种方法各有其优点和局限性。利用共振法可以获得结构比较精确的自振频率和阻 尼比,但其缺点是，采用单点激振时只能求得低阶振型时的自振特性，而采用多点激振需较 多的设备和较高的试验技术；传递函数法应用于模型试验，常常可以得到满意的结果，但对 于尺度很大的实际结构要用较大的激励力才能使结构振动起来，从而获得比较满意的传递函 数，这在实际测试工作中往往有一定的困难。 利用环境随机振动作为结构物激振的振源，来测定并分析结构物固有特性的方法，是近 年来随着计算机技术及FFT 理论的普及而发展起来的，现已被广泛应用于建筑物的动力分 析研究中，对于斜拉桥及悬索桥等大型柔性结构的动力分析也得到了广泛的运用。斜拉桥或 悬索桥的环境随机振源来自两方面：一方面指从基础部分传到结构的地面振动及由于大气变 化而影响到上部结构的振动（根据动力量测结果，可发现其频谱是相当丰富的，具有不同的
结构动力特性的测试方法及应用(讲稿) 一. 概述 每个结构都有自己的动力特性,惯称自振特性。了解结构的动力特性就是进行结构抗震设 计与结构损伤检测的重要步骤。目前,在结构地震反应分析中,广泛采用振型叠加原理的反应谱分析方法,但需要以确定结构的动力特性为前提。n 个自由度的结构体系的振动方程如下: [][][]{}{})()()()(...t p t y K t y C t y M =+??????+?????? 式中[]M 、[]C 、[]K 分别为结构的总体质量矩阵、阻尼矩阵、刚度矩阵,均为n 维矩阵;{} )(t p 为外部作用力的n 维随机过程列阵;{})(t y 为位移响应的n 维随机过程列阵;{})(t y &为速度响应的n 维随机过程列阵;{})(t y && 为加速度响应的n 维随机过程列阵。 表征结构动力特性的主要参数就是结构的自振频率f (其倒数即自振周期T )、振型Y(i)与阻尼比ξ,这些数值在结构动力计算中经常用到。 任何结构都可瞧作就是由刚度、质量、阻尼矩阵(统称结构参数)构成的动力学系统,结构一旦出现破损,结构参数也随之变化,从而导致系统频响函数与模态参数的改变,这种改变可视为结构破损发生的标志。这样,可利用结构破损前后的测试动态数据来诊断结构的破损,进而提出修复方案,现代发展起来的“结构破损诊断”技术就就是这样一种方法。其最大优点就是将导致结构振动的外界因素作为激励源,诊断过程不影响结构的正常使用,能方便地完成结构破损的在线监测与诊断。从传感器测试设备到相应的信号处理软件,振动模态测量方法已有几十年发展历史,积累了丰富的经验,振动模态测量在桥梁损伤检测领域的发展也很快。随着动态测试、信号处理、计算机辅助试验技术的提高,结构的振动信息可以在桥梁运营过程中利用环境激振来监测,并可得到比较精确的结构动态特性(如频响函数、模态参数等)。目前,许多国家在一些已建与在建桥梁上进行该方面有益的尝试。 测量结构物自振特性的方法很多,目前主要有稳态正弦激振法、传递函数法、脉动测试法与自由振动法。稳态正弦激振法就是给结构以一定的稳态正弦激励力,通过频率扫描的办法确定各共振频率下结构的振型与对应的阻尼比。 传递函数法就是用各种不同的方法对结构进行激励(如正弦激励、脉冲激励或随机激励等),测出激励力与各点的响应,利用专用的分析设备求出各响应点与激励点之间的传递函数,进而可以得出结构的各阶模态参数(包括振型、频率、阻尼比)。脉动测试法就是利用结构物(尤其就是高柔性结构)在自然环境振源(如风、行车、水流、地脉动等)的影响下,所产生的随机振动,通过传感器记录、经谱分析,求得结构物的动力特性参数。自由振动法就是:通过外力使被测结构沿某个主轴方向产生一定的初位移后突然释放,使之产生一个初速度,以激发起被测结构的自由振动。 以上几种方法各有其优点与局限性。利用共振法可以获得结构比较精确的自振频率与阻尼比,但其缺点就是,采用单点激振时只能求得低阶振型时的自振特性,而采用多点激振需较多的设备与较高的试验技术;传递函数法应用于模型试验,常常可以得到满意的结果,但对于尺度很大的实际结构要用较大的激励力才能使结构振动起来,从而获得比较满意的传递函数,这在实际测试工作中往往有一定的困难。 利用环境随机振动作为结构物激振的振源,来测定并分析结构物固有特性的方法,就是近年来随着计算机技术及FFT 理论的普及而发展起来的,现已被广泛应用于建筑物的动力分析研究中,对于斜拉桥及悬索桥等大型柔性结构的动力分析也得到了广泛的运用。斜拉桥或悬索桥的环境随机振源来自两方面:一方面指从基础部分传到结构的地面振动及由于大气变化而影响到上部结构的振动(根据动力量测结果,可发现其频谱就是相当丰富的,具有不同的脉动卓越周期,反应了不同地区地质土壤的动力特性);另一方面主要来自过桥车辆的随机振动。
纹理特征和模型 １，基于纹理谱的纹理特征 图像纹理分析中，最重要的问题是提取能够描述纹理的特征信息；这些特征可被用来分类和描述不同的纹理图像。在实际中常用到的方法有结构法和统计法；本文提出一种新的统计方法，每个纹理单元表征该位置及其领域象素的特征，整幅图像的纹理特征用纹理谱来表征，用这种方法进行分析较为简单。 定义纹理谱：纹理单元的频率分布。 基于纹理频谱的纹理特征： 3×３领域：权重： original reference calculate by myself （1）、黑白对称性 ()(3281) 1*100 () s i S i BWS S i ?? -+ ?? ?? =- ?? ?? ?? ∑ ∑ 反映频谱的对称性，不随纹理单元中起始计数位置的不同而不同。 （2）、几何对称性 ()4() 1 1*100 4 2*() Sj i Sj i GS Sj i ?? -+ ?? ?? =- ?? ?? ?? ∑ ∑ ∑ 反映图像旋转180度后，纹理谱的相似性； （3）、方向度
()()11*10062*()Sm i Sn i DD Sm i ?? -?? ??=-?????? ∑∑ ∑ 反映线性结构的角度。大的DD 说明纹理谱对图像的方向模式较为敏感；即图 像中有线性机构纹理单元存在。 以上三个特征都是图像的几何特征，可描述原始图像的宏观纹理；下面介绍几个描述图像微观纹理的特征。 （4）、方向特征 微观水平结构特征： ()*()MHS S i HM i =∑ ()(,,)*(,,)HM i P a b c P f g h = 同样，我们可以得到其它方向的方向纹理特征MVS ，MDS1，MDS2 （5）中心对称性 2()*[()]CS S i K i =∑ ２．常用统计特征： 把图像看成是一个二维随机过程的一次实现，可得到图像的直方图、均值、方差、偏度、峰度、能量、墒、自相关、协方差、惯性矩、绝对值、反差分等特征量。常用来描述纹理的统计特征的技术有子相关函数、功率谱、正交变换、灰度级同时事件、灰度级行程长、灰度级差分、滤波模板、相对极值密度、离散马尔可夫随机场模型、自回归模型、同时自回归模型等。 原图： １、２、３、４阶矩
第1题 其他情况一致的条件下，路表构造深度越大，路面的抗滑性能（）。 A.越差 B.越强 C.不一定越强 D.强、弱无规律 答案:B 您的答案：B 题目分数：5 此题得分：5.0 批注： 第2题 手工铺砂法测定路面构造深度所采用的量砂规格为（）。 A.0.3mm~0.6mm B.0.6~1.0mm C.0.15mm~0.3mm D.0~1.0mm 答案:C 您的答案：C 题目分数：5 此题得分：5.0 批注： 第3题 使用手工铺砂法进行路面构造深度测定时，对测试路段按随机选点的方法，决定测定所在横断面位置。测点应选在车道的轮迹带上，距路面边缘不应小于（）。 A.2m B.0.5m C.2m D.1m 答案:D 您的答案：D 题目分数：5 此题得分：5.0 批注： 第4题 手工铺砂法开始测试之前清扫出的测试面积不小于（）。
A.30cm×30cm B.25cm×25cm C.20cm×20cm D.50cm×50cm 答案:A 您的答案：A 题目分数：5 此题得分：5.0 批注： 第5题 使用手工铺砂法进行路面构造深度的测定时，每处的测定位置以（）的位置表示。 A.最前测点 B.中间测点 C.最后测点 D.都可以 答案:B 您的答案：D 题目分数：5 此题得分：0.0 批注： 第6题 手工铺砂法以3次测定的平均值作为构造深度，以下数据表示正确的是（）。 A.0.15mm B.0.1mm C.＜0.2mm D.0.10mm 答案:C 您的答案：A 题目分数：5 此题得分：0.0 批注： 第7题 用铺砂法测定路面构造深度，若量砂没有摊铺好，表面留有浮动余砂或用的砂过粗，则试验结果（）。 A.表面留有浮动余砂，试验结果偏大；若砂过粗，试验结果偏大 B.表面留有浮动余砂，试验结果偏小；若砂过粗，试验结果偏小
【结构工程的软件时代】 结构工程已全面进入软件时代，结构工程师要从繁琐的重复劳动中解脱出来，培养结构概念和体系，锻炼结构整体思维。 《结构概念和体系》是国际著名的结构大师林同炎广为流传的著作。相信大多数从事建筑结构的工程人员都或多或少读过这本书。其实，这本书可以说是结构工程师的必修课。从事结构工作，很重要的一点就是在工作中培养结构概念体系和整体性思维的方法。这对于结构工程师来讲，是十分重要的。 如今的软件技术已相当发达，很多繁琐的工作都可以通过软件完成，甚至于智能化到了“一键式完成”的地步。设想，如果在软件再这么智能化而且功能强大下去，到时候，只要输入基本的设计参数和经济指标，按一个回车键，软件就将建筑方案设计、结构方案设计、施工图设计全部一条线完成出来了，那么对结构工程师来说不是一场灾难嘛。软件取代所有主要工作，技术人员不就要下岗了啊。所以，我认为，从一个角度来讲，结构工程软件时代的到来，意味着结构工程师的一场“危机”。如何在这场即将到来的危机面前“明哲保身”，做软件所不能做到的事情是很关键和重要的，什么最关键而重要，我认为就是结构的概念和体系思维，这个才是将来结构工程师的价值所在，而这恰恰是软件所难以做到的。 闲话暂放，言归正传。这篇博客将粗浅地探讨结构动力学问题的概念和体系问题。之所以关注结构动力学问题，一是因为结构静力学研究已比较成熟，林同炎前辈的《结构概念和体系》一书中已阐明很完善精辟了，二是因为现阶段工程结构抗震问题是研究的热点和前沿，这个时代里不懂工程抗震概念的结构工程师很难成为一个好工程师。 构件→结构→结构体系，整体性思维，需要工程实践的锻炼以及不断思考的积累。在实践中，反复向自己提问是培养结构概念的一个好方法。比如，问自己什么叫振型分解法？有哪些假定？什么叫时程分析法？有哪些优缺点？……这样积累下来，很多概念就越辩越明，结构的概念也就逐渐得到建立。 【结构动力分析的分类】 结构动力分析主要包括：特征值分析、反应谱分析、时程分析三大块。特征值分析也称结构自振特性分析，主要求解结构的自振周期和振型向量。反应谱分析基于振型分解反应谱理论，是一种工程上最常用的计算地震作用下结构动力响应方法，但这种方法只限于线弹性结构，弹塑性阶段振型分解法不再适用。时程分析包括线弹性时程分析和弹塑性时程分析两大类，与振型分解法的主要区别在于采用实测的地震波输入结构计算结构的响应，弹塑性时程分析具体还可分为静力弹塑性时程分析（也称Pushover分析）和动力弹塑性时程分析两类。 上述结构动力分析中，特征值分析和反应谱分析比较常用。而时程分析一般仅针对重要建筑以及体型非常复杂的建筑。小震水准下可进行结构线弹性时程分析，大震水准下需要采用结构弹塑性时程分析方法。现阶段，弹塑性时程分析还属于工程上比较前沿的分析内容，还属于一部分实力较强的设计院和科研机构的“专利业务”。当然，我认为随着结构技术人员水平的不断提高，以及软件技术的发达，结构弹塑性时程分析在将来将会越来越普及，甚至成为结构设计人员的“家常便饭”。 【特征值分析】 特征值分析也称结构自振特性分析，因为在数学上这个问题属于齐次线性方程组特征值的求解问题，故亦称特征值分析。其目的是求解结构的自振周期和振型。以前曾经碰到这样一个很有意思的概念问题：结构的阻尼比越大，那么结构的自振周期是减小还是增大呢？概念不清就很容易产生混乱。其实，结构的自振特性均是指无阻尼自由振动的特性值，因此不存在阻尼的影响问题。还有一个问题就是什么是振型？虽然我们经常提振型这个概念，不少人一时半会答不上来。从概念上讲，振型是结构发生无阻尼自由振动时各质点的相对位移，
实验2_纹理_结构特征分析 一、实验目的 加深对SAR影像纹理、结构特征及相关概念的理解，能编程实现SAR影像纹理、结构特征的统计分析。 二、实验软件 Matlab 三、实验数据 德国TerraSAR卫星获取的成都市部分SAR影像sar_cd01.tif及从中裁剪的两部分影像sar_cd01_1.tif、sar_cd01_2.tif。 四、实验内容及步骤 1. 基于Matlab，编写统计分析影像纹理特征和结构特征的程序； 1.1编写纹理特征程序 1）纹理特征主程序CTFmain： 依次实现的功能为：a打开并读取影像文件；b获取灰度影像；c扩展原始数据；d统计纹理特征频次；e对纹理特征频次排序并得到原始编码索引；f要求用户输入纹理特征分类个数目；g对纹理特征分类并得到类别编码对原始编码的索引；h生成纹理特征图。 function im=CTFmain % 选择影像文件 [fn,pn]=uigetfile({'*.jpg;*.tif;*.png;*.gif',... 'All Image Files(*.jpg,*.tif,*.png,*.gif)'; ... '*.fig','Figures(*.fig)';'*.*','All Files' },... '请选择影像文件'); if fn~=0 % 添加当前路径 addpath(pn); % 读取影像文件 dat=imread(fn); % 取出起始时间 t1=clock; % 获取灰度影像
data0=GetGMap(dat); fprintf('%s\n','灰度影像生成完毕！'); % 扩展原始数据矩阵data0为data data=EnlargeMat(data0,1,1); fprintf('%s\n','影像数据扩展完毕！'); % 统计每种纹理特征向量出现的频数，得到纹理特征查询矩阵stvm和原始编码图codm [stvm,codm]=StatTVm(data); fprintf('%s\n','纹理特征统计完毕！'); % 对各种纹理特征向量频数由大到小排序，得到排序后的纹理特征原始编码索引 id0=SortGetId0(stvm); % 取出终了时间 t2=clock; % 显示程序运行时间 fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s'); % 提示用户输入纹理特征分类数目 n=input('请根据统计数据输入纹理特征类别的数目n [10]:'); if isempty(n) n=10; end % 取出起始时间 t1=clock; % 合并相似的纹理特征，得到频次和类别编码索引fid以及原始编码和类别编码索引iid [fid,iid]=IcprtTF(stvm,id0,n); fprintf('%s\n','特征类别编码完毕！'); % 生成纹理特征图 im=CreatIM(codm,fid,iid); fprintf('%s\n','纹理特征图生成完毕！'); % 取出终了时间 t2=clock; % 显示程序运行时间 fprintf('%s%.1f%s\n','该阶段运行时间：',etime(t2,t1),'s'); % 显示纹理特征图 imshow(im,[min(min(im)),max(max(im))]); else error('您没有选择影像文件！'); end end 2）获取灰度图像子程序GetGMap： 实现了根据输入数据结构采用相应算法得到灰度图像的功能，即：a如果是单层影像数据，直接认为是灰度图像，有data0 = dat；b如果是3层影像数据，采用gray = 0.299*r+0.587*g+0.114*b公式计算出灰度图像：c如果是多余3层的影像数据，采用所有数据层平均的方法得到灰度图像。
图像纹理特征总体简述 纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理具有三大标志： ?某种局部序列性不断重复； ?非随机排列； ?纹理区域内大致为均匀的统一体； 不同于灰度、颜色等图像特征，纹理通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息。另外，局部纹理信息不同程度上的重复性，就是全局纹理信息。 纹理特征体现全局特征的性质的同时，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。 在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。
一. 纹理特征的特点 ?优点： ?包含多个像素点的区域中进行统计计算； ?常具有旋转不变性； ?对于噪声有较强的抵抗能力； ?缺点： ?当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差； ?有可能受到光照、反射情况的影响； ?从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理； 二. 纹理特征分类 1. 基本说明
技术篇 2007年 第十期 某装备结构动态特性分析 霍 红 (中北大学,太原 030051) 摘 要:利用试验模态分析法获得了某机枪结构的模态参数,分析了机枪的动态特性,并通过基于模态试验的灵敏度分析方法,获得了影响该机枪动态特性的敏感部位,为改善机枪动态特性提供了依据. 关键词:机枪;灵敏度分析;动态特性;分析 中图分类号:TP302.7 文献标识码:A 文章编号:1005 8354(2007)10 0001 02 Analysis on structural dyna m ic characteristics for certai n equi p m e nt HUO H ong (N orth U n i ve rs i ty o f Ch i na ,T a i yuan 030051,Chi na) Abstract :A ccor ding to modal analysism etho d,modal parametersw ere derived and structural dynam ic charac teristics were analyzed.U sing sensitivit y analysis of model test ,t he dyna m ic characteristics and sensitive p oints of a m achine gun were obt ained.These woul d be used to i m prove dyna m ic propert y of t hemachine gun. K ey words :machine gun;sensitivity analysis ;struct ural dyna m ic characteristics ;analysis 收稿日期:2007 08 22 作者简介:霍红(1968 ),女,实验师,研究方向:火炮、自动武器与弹药工程. 0 引 言 当今为提高自动武器的机动性,广泛采用弹性枪架,但随着重量的减轻,武器系统的振动加剧.而武器系统的振动又直接影响到射击精度,特别是弹丸出膛 口时的横向位移、横向速度以及弹丸初始扰动等对武器射击精度影响尤其明显 [1] .为此,需掌握武器系统 的固有特性,为分析和优化机枪的动力学特性提供依据,以提高其射击精度.而系统固有特性一般可由理论分析方法和试验方法获得,前者是利用有限元分析法,后者是利用试验模态分析法,随着试验技术的发展和测量仪器精度的提高,利用试验模态分析法得到的结果越来越受到重视,并且常常作为验证有限元模型正确性的主要依据,所以,常采用理论分析和试验两种方法相结合建立模型 [1,2] ,以获得接近实际的结 果,为进一步分析如结构修改设计及结构动力特性优化设计提供良好的基础.本文以某机枪为例,采用试验模态分析法识别机枪系统的模态参数和分析其动 态特性,并在此基础上进行了灵敏度分析,获得机枪动力学特性对各参数变化的灵敏度,为机枪的动力学特性优化设计提供依据. 1 机枪结构试验模态分析 1.1 模态测试系统 模态测试系统基本由以下几部分组成:激励部分、信号测量和数据采集部分、信号分析和频响函数 估计部分 [3] .其测试系统框图见图1所示. 图1 机枪模态试验系统框图 1
利用Gabor滤波器组提取图像纹理特征 本部分将包含以下四个方面：纹理特征提取方法综述、Gabor滤波器简介、Gabor滤波器组实现纹理特征提取的步骤与实现、存在的问题与改进策略。 1、纹理特征提取方法综述[1] 纹理没有准确的定义，但对纹理认识的共识是：①纹理不同于灰度和颜色等图像特征，它通过像素及其周围空间邻域的灰度分布来表现，即局部纹理信息；②局部纹理信息不同程度的重复性，即全局纹理信息。 按照纹理特征提取方法所基于的基础理论和研究思路的不同，并借鉴非常流行的Tuceryan和Jain的分类方法，将纹理特征提取方法分为四大家族：统计家族、模型家族、信号处理家族和结构家族。 统计家族的方法是基于像元及其邻域的灰度属性，研究纹理区域中的统计特性，或像元及其邻域内的灰度的一阶、二阶或高阶统计特性；在模型家族中，假设纹理是以某种参数控制的分布模型方式形成的，从纹理图像的实现来估计计算模型参数，以参数为特征或采用某种分类策略进行图像分割，因此模型参数的估计是该家族方法的核心问题；信号处理的方法是建立在时、频分析与多尺度分析基础之上，对纹理图像中某个区域内实行某种变换后，再提取保持相对平稳的特征值，以此特征值作为特征表示区域内的一致性以及区域间的相异性；结构家族的方法基于“纹理基元”分析纹理特征，着力找出纹理基元，认为纹理由许多纹理基元构成，不同类型的纹理基元、不同的方向及数目等，决定了纹理的表现形式。信号处理家族的方法从变换域提取纹理特征，其他3个家族直接从图像域提取纹理特征。各个家族的方法既有区别，又有联系。 利用Gabor滤波器组提取图像纹理特征，如图所示，可以归结为信号处理家族中小波方法的一个分支。
文章结构特点 分析文章结构的注意事项： （1）注意不同文体的结构思路 记叙文：包括小说、散文等，常按时间、空间、人物、事件、情感等结构全文。 议论文：常按引论、本论、结论三部分结构全文。 说明文：常按时间、空间、逻辑等顺序结构全文。 （2）注意文章常用的结构方式 1）总分式：包括总——分；分——总；总——分——总三种形式，是文章最常见的一种结构方式。 2）并列式3）递进式4）对照式 （3）注意文章中的关键词、句 1）文章中的关键的标志词包括： a 衔接上下文的：如“首先……其次……”，“一方面……另一方面……” b 表递进关系的：如“更、而且” c 表转折的：如“但是、相反、与此不同” d 表总结的：如“因此、总之、由此可见” e 表态度的：如“我认为、我觉得、应该” 2）文中的关键句：如过渡句；前后照应句；文段的首、尾句；文中反复出现的语句。 （4）注意文中的标点，特别是分号（5）注意文中表达方式的变换 （6）注意语句间的联系，看其是否围绕同一中心话题 常用的文章结构层次分析法： 1）时间推移分段法：注意抓住时间词。（记叙性文(包括散文)的结构） 2）空间转换分段法：注意文中空间方位、地点的变换。（记叙性说明性文(包括散文)的结构） 3）内容性质分段法：主要根据文中所写人、物、事等内容的不同划分。（记叙性文(包括散文)的结构） 4）情节过程分段法：按情节的展开过程分段。（记叙性文(包括散文小说)的结构） (一)记叙文(包括散文)的结构特点 1．抓住时空变化划分。时间、地点是记叙文的主要因素，许多记叙文都是按时空的变化组织材料的。 2．抓住作者思想感情的变化划分。3．按照记叙内容的变化来划分。 4．按逻辑关系划分。 5．还可按描述角度的变化、事情发展的阶段方式来划分。 (二)议论文的结构特点 1．按逻辑思维划分，包括提出问题、分析问题、解决问题，或绪论、本论、结论三部分。 2．按篇章结构划分，常见的结构有并列式、对照式、层进式和总分式。 (三)说明文的结构特点 说明文要按一定的顺序对事物、事理进行说明，故说明的结构受说明的内容、说明的顺序限定。 1．以时空变化为顺序的说明文，一般按层进式的结构来行文。 2．说明事理和事物结构的说明文，一般按人们的认识规律和观察顺序安排结构。 3．揭示事物发展过程的说明文，必须按照事物发展的进程来安排结构。 4．有的说明文采用分类说明的方式，故其结构层次往往是并列式的。
图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：
直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行
第七章结构动力特性试验 7.1概述 建筑结构动力特性是反映结构本身所固有的动力性能。它的主要内容包括结构的自振频率、阻尼系数和振型等一些基本参数，也称动力特性参数或振动模态参数。这些特性是由结构形式、质量分布、结构刚度、材料性质，构造连接等因素决定，但与外荷载无关。 建筑结构动力特性试验量测结构动力特性参数是结构动力试验的基本内容，在研究建筑结构或其他工程结构的抗震、抗风或抗御其它动荷载的性能和能力时，都必须要进行结构动力特性试验，了解结构的自振特性。 1．在结构抗震设计中，为了确定地震作用的大小，必须了解各类结构的自振周期。同样，对于已建建筑的震后加固修复，也需了解结构的动力特性，建立结构的动力计算模型，才能进行地震反应分析。 2测量结构动力特性，了解结构的自振频率，可以避免和防止动荷载作用所产生的干扰与结构产生共振或拍振现象。在设计中可以便结构避开干扰源的影响，同样也可以设法防止结构自身动力特性对于仪器设备的工作产生干扰的影响，可以帮助寻找采取相应的措施进行防震，隔震或消震。 3．结构动力特性试验可以为检测、诊断结构的损伤积累提供可靠的资料和数据。由于结构受动力作用，特别是地震作用后，结构受损开裂使结构刚度发生变化，刚度的减弱使结构自振周期变长，阻尼变大。由此，可以从结构自身固有特性的变化来识别结构物的损伤程度，为结构的可靠度诊断和剩余寿命的估计提供依据。 建筑结构的动力特性可按结构动力学的理论进行计算。但由于实际结构的组成，材料和连接等因素，经简化计算得出的理论数据往往会有一定误差。对于结构阻尼系数一般只能通过试验来加以确定。因此，建筑结构动力特性试验就成为动力试验中的一个极为重要的组成部分，而引起人们的关注和重视。 结构动力特性试验是以研究结构自振特性为主，由于它可以在小振幅试验下求得，不会使结构出现过大的振动和损坏，因此经常可以在现场进行结构的实物试验，正如本章所介绍的试验实例。当然随着对结构动力反应研究的需要，目前较多的结构动力试验，特别是研究地震，风震反应的抗震动力试验，也可以通过试验室内的模型试验来测量它的动力特性。 结构动力特性试验的方法主要有人工激振法和环境随机振动法。人工激报法又可分为自由振动法和强迫振动法。 人工激振法是一种早期使用的方法，试验得到的资料数据直观简单，容易处理；环境随机振动法是一种建立在计算机技术发展基础上采用数理统计处理数据的新方法，由于它是利用环境脉动的随机激振，不需要激振设备，对于现场测试特别有利。以上任何一种方法都能测得结构的各种自振特性参数，由于计算机技术的发展和数据分析专用仪器的普及使用，为各种方法所测得的资料数据提供了快速有效的处理分析条件。 7．2人工激振法测量结构动力特性 7．2．且结构自振频率测量 一、自由振动法 在试验中采用初位移或初速度的突卸或突加荷载的方法，使结构受一冲击荷载作用而产生自由振动。在现场试验中可用反冲激振器对结构产生冲击荷载；在工业厂房中可以通过锻锤、
古建筑特点及主要结构形式分析 中国古建筑源远流长、博大精深，形成了深厚的建筑文化和精巧的建筑结构特点，外观雄浑壮观，结构符合现代力学与结构的设计原理，在结构的搭接、抗震能力方面都表现出优良的特质。本文对古建筑的历史发展、仿古建筑研究的现状进行了分析，论述了古建筑的特点和结构形式，并总结了其模数特点。 古建筑发展 中国古代建筑绵延几千年历史，木结构和砖石结构是其主要的结构特点。根据建筑材料以及结构的复杂程度，古建筑发展几个阶段大致可分为以下几个时期。第一阶段，七千年前至公元前21世纪，这阶段人类社会处于石器时代末期，原始社会建筑也渐渐从半居穴到地面建筑转变，从以土为主逐渐向以木为主的方向过渡。木材材质方面，初期的榫卯结构出现，但其连接比较简单。第二阶段，公元前21世纪至公元前476年，奴隶社会阶段，即夏朝至春秋时期，木构造技术中的榫卯结构日趋完善，斗拱这一建筑的重要构件也随之出现。第三阶段，公元前475年至公元280年，经历战国、秦、两汉、三国朝代替换，虽然战乱纷争，但斗拱却被人们广泛认可，迅速发展为建筑结构中不可缺少的一部分。木结构建筑的结构方式已经趋于完善，抬梁式和穿斗式两种主要的结构形式已经形成。第四阶段，公元265年至589年，两晋、南北朝时期，木构造建筑作为主流建筑类型应用越来
越广，随着佛教的兴起，古建筑木结构技术在佛教建筑中的应用占据越来越重要的地位。第五阶段，公元581至960年，历史正处于隋、唐、五代时期，木结构建筑大量使用，殿堂式木结构建筑体量趋于庞大。同时砖石建筑也随着木结构的发展而发展很快，整体的建筑形象气势磅礡、雄浑豪健，特别是帝宫建筑更显耀眼，民居也呈现出比较多方位的元素。第六阶段，为公元960至1279年，此时历史处于宋、辽、金时期，建筑规模总体呈缩小的势态，但建筑精致精巧，结构变化丰富，各地出现具有地方特色的建筑风格，北宋官方还颁布了关于建筑设计和施工的规范书——《营造法式》，极大的推动了建筑设计和建筑技术发展。也标志着中国古建筑发展到了较高水平阶段。第七阶段，为公元1271至1840年，此时历史为元、明、清时期，明、清到了古建发展的最后时期。建筑形式和结构特点发展更加丰富多彩，建筑形式分为五种：庑殿、歇山、硬山、悬山、攒尖五种基本形式，同时还存在形形色色的复合式建筑形式，使得此时期的建筑色彩更加多样，形式更加巧妙和合理。各朝代的建筑也具有自己的特色，再加上南方建筑的精巧和北方建筑的厚重大气，官家和民间建筑的华丽庄严和简朴实用，形成了多姿多彩的历史画面。中国古建筑的发展大致经历了以上七个时期，体现了从简单到复杂、从低级到高级、从一元到多元、从单色到多色的发展历程，越来越成熟。从使用方面材料考虑，古代建筑以木结构为主，而且选用高强度、高韧度等材性较好的木材，同时辅以相关的加固措施和其它材料等手段，结构形式主要有梁、架、檩、柱、斗拱、雀替等单构件和复合构件，通过构件本身的
第一章：认识有机化合物——考点二有机物的结构特点、同系物、同分异构体 知识点一：有机化合物中碳原子的成键特点 1．碳元素位于第二周期ⅣA族，碳原子的最外层有4个电子，很难得到或失去电子，通常以共用电子对的形式与其他原子形成共价键，达到最外层8个电子的稳定结构。 2．由于碳原子的成键特点，在有机物分子中，碳原子总是形成4个共价键，每个碳原子不仅能与氢原子或其他原子（如氧、氯、氮、硫等）形成4个共价键，而且碳原子之间可以形成单键（C—C）、双键（C ＝C）、三键（C≡C）。多个碳原子可以相互结合成长短不一的碳链，碳链也可以带有支链，还可以结合成碳环，碳链与碳环也可以相互结合，因此，含有原子种类相同，每种原子数目也相同的分子，其原子可能具有多种不同的结合方式，形成具有不同结构的分子。 要点解释：在有机物分子中，碳原子仅以单键与其他原子形成4个共价键，这样的碳原子称为饱和碳原子，当碳原子以双键或三键与其他原子成键时，这样的碳原子称为不饱和碳原子。 种类实例含义应用范围 化学式CH4、C2H2 （甲烷）（乙 炔）用元素符号表示物质分子组成的式子。可反 映出一个分子中原子的种类和数目 多用于研究分子晶体 最简式（实验式）C6H12O6的 最简式为 CH2O ①表示物质组成的各元素原子最简整数比的 式子②由最简式可求最简式量 ①有共同组成的物质 ②离子化合物、原子晶体常用 它表示组成 电子式用小黑点等记号代替电子，表示原子最外层 电子成键情况的式子多用于表示离子型、共价型的物质 结构式①具有化学式所能表示的意义，能反映物质 的结构②表示分子中原子的结合或排列顺序 的式子，但不表示空间构型①多用于研究有机物的性质 ②能反映有机物的结构，有机反应常用结构式表示
纹理特征 纹理是指存在于图像中某一范围内的形状很小的、半周期性或有规律地排列的图案。在图像判读中使用纹理表示图像的均匀、细致、粗糙等现象。纹理是图像处理和模式识别的主要特征之一。纹理特征是指图像灰度等级的变化，这种变化是与空间统计相关的。图像的纹理特征反应了图像本身的属性，有助于图像的区分。一般的图片都具有丰富、稳定的纹理特征，且利用统计方法方法提取图像的纹理特征具有计算量小的特点。 a.统计法 a)灰度共生矩阵 假定，在一幅图像中规定了一个方向（水平的、垂直的等）和一个距离（一个象素，两个象素等）。那么该物体的共生矩阵P 的第（i,j ）个元素值等于灰度级i 和j 在物体内沿该方向相距该指定距离的两个像素上同时出现的次数，除以M ，其中M 是对P 有贡献的像素对的总数。矩阵P 是N ×N 的，其中N 为灰度阴影级的划分数目。 各个共生矩阵可以通过对距离和方向的各个组合来定义。对矩阵有贡献的像素对的总数M ，比物体内部像素的个数少，而且这个数目随着距离的增加逐渐减少。因此，小物体的矩阵会相当稀疏。由于这个原因，灰度级划分N 常常被减少，例如从256级到8级，以便于共生矩阵的计算。 在水平方向上的共生矩阵，如果考虑当前像素的左右方向上的像素，则称为对称共生矩阵，如果只考虑当前像素的右或左方向上的像素，则称为非对称共生矩阵。 例如，设一幅图像的大小为M ×N ，灰度级为L ，G ＝{0,1,2……., L-1}，f(x,y)是坐标(x,y)处像素的灰度级，一幅图像的一个共生矩阵是一个L ×L 矩阵L L ij t T *][，T 中的元素是图像灰度的空间关系，以及按特定方式表示的两灰度间变化的次数。 我们只考虑水平方向的共生矩阵，则对称共生矩阵的定义如下： ∑∑=== M i N j ij k l t 00 ),(δ (3-2) 式中 ?? ?=-==+=j k l f i k l f j k l f i k l f )1,(,),()1,(,),( ;1),(=k l δ (3-3) 否则 0),(=k l δ (3-4) 当只考虑水平方向的右边的像素，则非对称共生矩阵的定义如下： j k l f i k l f =+=)1,(,),( ;1),(=k l δ (3-5) 否则 ;0),(=k l δ (3-6) 我们得到从灰度级i 到j 变化的概率如下：