1) random field discretization
随机场离散
2) Discrete fractional Brownian random field
离散分数布朗随机场
1.
he effect of white noise on the estimation of fractal dimension for images of naturalscenery based on discrete fractional Brownian random field(DFBRF)is discussed.
分析了白噪声对于基于离散分数布朗随机场（简记为ＤＦＢＲＦ）图像模型的自然景物图像分形维数估计的影响；给出了有噪背景下分形维数估计中采用最小二乘法拟合直线时，线性标度区的下界；并且指出了有噪背景下改善分形维数估计准确性的策略。
2.
To overcome the shortcomings of traditional methods, a method of underwater image segmentation based on the discrete fractional Brownian random field was proposed to dispose underwater images.
采用传统图像检测方法存在目标区域定位不准确、目标细节信息丢失、目标形状变形等问题,本文提出一种基于离散分数布朗随机场模型的水下图像目标检测方法。
3) DFBR
离散分数布朗随机场
1.
The method gets the gray-level image distributed by fractal dimension using the DFBR field of the fractal theory to restrain the noise.
该方法利用分形理论中离散分数布朗随机场来抑制噪声得到按分形维分布的灰度图像，采用数学形态学检测连续的特征边缘。
4) discrete random quantity
离散随机量
5) Discrete Fractal Brownian Increasing Random (DFBIR)Field
离散分形布朗增量随机场(DFBIR)
6) DFBIR model
离散分形布朗随机增量场模型
补充资料：离散随机信号处理
| 离散随机信号处理 discrete random signal processing 利用数字运算，对离散随机信号进行各种滤波处理、离散变换和谱分析。随机信号是一种非确定性的信号，如热噪声信号发生器输出的电信号，飞行器起飞时的结构振动，以及起伏海面的波动高度等。它们的共同特点是无法预测其未来瞬间的精确值。处理的目的是便于从中提取有用的信息，削弱信号中的多余信息量，便于估计信号的特征参数，或变换成易于分析和识别的形式等。 随机信号处理的主要理论基础是信号检测理论、估计理论和随机过程理论。根据理论分析，随机信号的不同样本函数在同一时刻的值往往是不确定的，因而只能用样本函数集的统计平均来描述，如用均值、均方值、方差、概率密度函数、相关函数和功率谱密度函数来描述随机过程的特性。但是，在大多数情况下，被处理的随机信号是具有各态历经的平稳随机过程，它的样本函数集平均可以用某一样本函数的时间平均来确定，这给随机信号的分析和处理带来很大方便。虽然平稳随机信号本身是不确定的，但它的相关函数是确定的，可以利用快速变换算法来计算。相关函数的傅里叶变换或Z变换表示随机信号的功率谱密度函数，简称为功率谱。功率谱是描述随机信号基本特征的重要参数，而功率谱估值是按照实际观测的有限数据估计得到的，它必然与真实的功率谱值有差别。为了减小谱分析偏差和提高谱分辨率，产生了多种谱估计方法。 在非平稳随机信号处理中，非平稳随机过程的特征函数一般是随时间而变化的，不能再用时间平均代替集平均，只能用组成过程的样本函数集的瞬时平均来描述其特性。因而求得的功率谱是随时间变化的谱。这种时变功率谱的计算方法仍在研究中。卡尔曼滤波和最大熵法是处理非平稳随机信号的有用方法。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条