Method 1: directly find the point that is smaller than its neighbours Cons : seems to be hard cut-off and not very flexible 1. use matlab function BW = imregionalmax (I,conn), where conn defines the connected neighbours around a local minimum point, conn can be 4 or 8 in 2D situation http://au.mathworks.com/help/images/ref/imregionalmax.html#inputarg_conn Comment: I think it is a little bit lack of flexibility, for example, what if the size of local minimum changes in a wide range and thus even 8 connected neighbours are not enough. Or what if the noisy pixel is in the neighbours that the center point is bigger than the nosie? 2 Raphael's method: based on a paper, energy function optimization method 2. Raphael's idea: first find the local minimum point (similar to using imregionalmax ), then delet the noisy points Method 2 Boundary-based method/ image segmentation method Idea : find the boundary of a local cluster, which contains a local minimum. 1. bw = activecontour (A,mask,method) Comment: snake contour and active contour are similar Can we try using watershed algorithm , which is also a dilation algorith,? 2. errosion and expasion Method 3 signal processing methods: for example, detect valleys in 1-D/2D signals Idea : The common way is to first smooth the whole picture, so as to get rid of noise, and then find local minimum. Cons : But after smoothing, the location of local minimum in the smoothed map will probably be differnt from the locations in the original map 1. http://www.mathworks.com/matlabcentral/fileexchange/37388-fast-2d-peak-finder Cons : This algorithm only consider 1-pixel noise, which is not true 2. http://blogs.mathworks.com/pick/2008/05/09/finding-local-extrema/ find valleys in a 1D signal P.S. refer to http://au.mathworks.com/matlabcentral/newsreader/view_thread/102944 for more answers
J. Phys. Chem. B DOI: 10.1021/jp407836n http://pubs.acs.org/doi/abs/10.1021/jp407836n Abstract Acombination of the Lagrangian mechanics of oscillators vibration, moleculardynamics decomposition of volume evolution, and Raman spectroscopy of phononrelaxation has enabled us to resolve the asymmetric, local, and short-range potentialspertaining to the hydrogen bond (O:H-O) in compressed ice. Results show thatboth oxygen atoms in the O:H-O bond shift initially outwardly with respect tothe coordination origin (H), lengthening the O—O distance by 0.0136 nm from 0.2597to 0.2733 nm by Coulomb repulsion between electron pairs on adjacentoxygen atoms. Both oxygen atoms then move toward right along the O:H-O bond bydifferent amounts upon being compressed, approaching identical length of 0.11nm. The van der Waals potential V L (r) for the O:H noncovalent bond reachesa valley at -0.25 eV, and the lowest exchange V H (r) for the H-O polar-covalentbond is valued at -3.97 eV.
Random fractals generated by a local Gaussian process indexed by a class of functions 共21页。 摘要： In this paper, we extend the results of Orey and Taylor relative to random fractals generated by oscillations of Wiener processes to a multivariate framework. We consider a setup where Gaussian processes are indexed by classes of functions. 下载地址： http://www.pipipan.com/file/22348935
本人用笔记本（xp系统）安装ansys13.0软件，参照网上常用的安装教程。 装完之后打开workbench，出现了一下问题： Local server exited or could not read local server port ANSYSLI_LOCAL_PORT. 首先声明这是ansys本身软件的bug，更高级的版本已解决这个问题。 要解决这个问题并不需要重装ansys！！！ 本人采用以下方法，亲测，表示能用。 1、禁用无线上网卡等。 打开我的电脑--管理--设备管理器--网络适配器--禁用到只剩一个上网的选项——即有线上网，本地连接。连宽带那个选项也必须禁用。 2、利用破解工具，重新生成license.txt。 3、重新安装license manager，导入上述生成的license。 4、ok。 重新打开ansys。 如果上述仍未解决问题，则需要在计算机系统变量上加入变量，操作如下： 1、我的电脑〉〉属性〉〉高级〉〉环境变量〉〉系统变量〉〉新建， 2、在“变量名”中输入“ANSYSLMD_LICENSE_FILE” 3、“变量值”中输入“1055@计算机名” 如我的计算机名为“flyash”,则变量为“1055@flyash”。 重新打开ansys，enjoy！
We tour local spots where the napkins might be paper, but the food always satisfies. Martha Cheng | Photography by Olivier Koning http://www.honolulumagazine.com/Honolulu-Magazine/July-2012/Hole-In-The-Wall-Restaurants-in-Honolulu/ ps. I have been to Ray's Cafe, and really enjoyed the refresh fish and light seasoning. Ray’s Café 2033 N. King St. 841-2771
若你在VirtualBox里的RHEL5里安装GreenPlumn单节点版本时，当执行到： 5. Run the gpssh-exkeys utility to exchange ssh keys for the local host: $ gpssh-exkeys -h 127.0.0.1 会出现如下错误： $ gpssh-exkeys -h 127.0.0.1 Traceback (most recent call last): File /usr/local/greenplum-db/./bin/gpssh-exkeys, line 522, in module (primary, aliases, ipaddrs) = socket.gethostbyaddr(hostname) socket.gaierror: Name or service not known 解决办法是： 切换到root用户，执行 # hostname localhost 既可解决。 当然上面只是临时解决，若想通过配置文件 二：修改linux主机的配置文件/etc/sysconfig/network 和 /etc/hosts 1.修改/etc/sysconfig/network里面的主机名字。 # vi /etc/sysconfig/network NETWORKING=yes HOSTNAME=localhost 参考： http://hchmsguo.iteye.com/blog/1256315 http://www.uini.net/2011/04/greenplumsne-error-socket-gaierror-errno-3-temporary-failure-in-name-resolution.html 加我私人微信，交流技术。
brief summary of vision from prfans.com vision:主要研究这个方面，就讲一讲这方面的研究脉络吧： 局部特征提取应该起源于运动分析的跟踪算法，Hannah和Movarac提出了关于角点的最原始的算法。Forstner和Gulch, Harris和Stephens把这个原始想法形式化为结构张量(或称二阶矩矩阵)的两个特征值的性质问题，在此基础之上，Noble，Rohr，Tomasi和 Kanade，Shi和Kanada等提出了各种不同的角点检测子，都是对结构张量两个不同的特征值的不同组合。Triggs和Kenney等提出了广义角点度量。Kenney2005年提出了一个角点的公理化方法。早期的角点匹配主要用于运动跟踪和小的视角匹配。因为角点并未附加图像的灰度信息，图像的匹配是纯粹的几何坐标匹配，通过坐标约束来剔出错误的匹配。这种方法不适合于大的视角匹配，所以张正友提出把兴趣点附近的图像区域挖出来进行相关匹配，这应该就是局部特征描述子的最初来源。直接对图像块的相关匹配不能解决图像的旋转变化，尺度伸缩，更别提仿射变换了，Schmid提出微分不变量来描述局部图像的信息，以解决旋转不变性的问题。而Lowe基于Lindeberg的理论解决了尺度不变性的问题。Lowe的一个主要贡献是提出了SIFT描述子，这个描述子具有很好的性能。Mikolajczyk和Schmid又基于Lindeberg的理论实现了仿射不变性的问题。 局部特征的另外一个起源来自生物启发。生物视觉系统是天然的基于局部特征的，Hubel和Wiesel的视觉感受野就是天然的局部特征处理器。Marr要素图理论就是把图像的底层处理归结为对局部特征的提取。Marr的要素图就包括edge, bar, blob, terminator。所以对边缘提取，脊线提取，斑点提取的研究都是基于这条思路下来的。有一类研究是证明根据这些局部特征，能否完全恢复原始图像的信息。结论是在一定的约束条件下，图像的边缘表示或者斑点表示能够包含原始图像的所有信息。纹理子的研究也可以看作这一族的研究。Poggio实验室的HMAX模型也逐步与计算机视觉研究的局部特征模型融合起来。 图像处理和表示中早期遇到一个很大的困难是图像的描述是依赖于图像的尺度的。图像的各种结构只存在一定的尺度范围内。所以发展了各种多尺度图像表示方法，包括图像金字塔，四叉树方法。尺度空间理论是系统解决图像尺度问题的理论。尺度空间理论最早是日本人提出来解决模式识别问题的，因为是日文写的，所以外界都不知道这个工作。二十年后，即1984年，Witkin在西方最早提出尺度空间理论来解决信号处理的多尺度问题。Witkin主要针对一维信号问题。Koendrink则给出Gaussian尺度空间理论是唯一合理的信号多尺度表示漂亮证明，并推广尺度空间理论到二维以及多维信号。Koendrink进一步提出了可用高斯微分型表征图像的结构，这个其实是Schmid的工作的根源。Florack和Lindeberg等人对尺度空间的公理化进行了系列研究。可以说现在尺度空间理论有着极其坚实的数学基础。Florack是Koendrink的学生，他们的研究小组进一步提出了近线性尺度空间，非线性尺度空间。Florack的研究数学很深，使用了广义函数，微分几何，几何拓扑，甚至规范场理论。非线性尺度空间理论的源头当然是Perona和Malik的那篇关于图像非线性扩散的文章。而尺度空间形式化为热扩散方程就归功于Koendrink。而这也开辟了用偏微分方程解决图像问题的源头。当然Shah-Mumford方程应该也是源头之一。而这个方向研究也直接导致snake, Active contour的提出。所以说各种研究看似不同，其实也有其内在的脉络。小波变换也是图像多尺度处理的方法，但由于信号的小波表示强调没有冗余，所以对图像的高层语义处理不利。所以小波表示多用于图像的底层处理，如图像压缩等。冗余的Gabor小波表示较常用于纹理分析，也是局部特征表示的方法之一。Poggio实验室对视觉感受野的计算模型都是基于Gabor小波的。Lindeberg则给出了一个确定图像特征的尺度选择理论，根据这个理论可以为图像的各种结构自动获得尺度，为对特征的进一步处理提供基础。这是Lowe的SIFT方法的基础。 局部特征目前的研究好像detector部分已经比较成熟了。现在关注点是descriptor部分。目前最好的描述子是类SIFT描述子。但是这类描述子最大的缺陷是高维，存储和欧式距离的计算都成问题。对大数据量的问题，比如图像检索，很构成性能的瓶颈。现在主要方法是进行聚类，生成特征码本，这样在进行特征匹配时候就不用两两匹配。问题在于码本的码的个数会影响到描述子的distinctiveness. 并且k-means聚类倾向于集中于数据高密度区域，使得数据量少但特征显著的区域被合并成一个区域，导致描述子的distinctiveness极大下降。这方面Triggs研究小组提出了一些方法。但这些方法究竟效果如何，也难以判断。另外码本的聚类需要极大的数据量，由于高维大数据量的聚类耗时严重，所以发展了层次聚类来降低这种耗费。然而这些都是以牺牲描述子的distinctiveness为代价的。如何获得一个distinctive并且维度低的描述子的确是个挑战。Brown今年CVPR文章提出一个学习局部描述子的空间结构来提高描述子的性能。对于特征检测，图像过分割的区域作为特征区域对待，似乎也是研究趋势之一。 对局部特征的下一步研究也许是新型描述子的研究以及基于局部特征的模型学习的研究。也许模型本身也是分层的，而模型本身是更大模型的一个特征。所以关于图像的局部模型和全局模型本身构成一个模型的尺度空间吧。而模型的尺度空间是可以在各个尺度层次进行学习的。局部特征不过是局部模型的另一个名称而已。 跟贴： somsom： very good survey, could be better if a list of reference is given. I happen to know some news of PASCAL competition.LEAR team once again won several categories from this year's PASCAL competition (2007).Cordelia and her phd studentMarcin (a guy from poland) are supposed to give their presentations on PASCAL VOC 2007, a ICCV07 workshop. I also notice that a student from QINGHUA university took part in this year's PASCAL competition, which is a good signal sent from mainland China. the workshop site: http://www.robots.ox.ac.uk/~vgg/misc/iccv07/ filestorm： 关于local descriptor，一个比较麻烦的问题是见木不见林。过分的locality使得整个分析变得失败。要解决这个问题，我在想是否可以引入关于形状的表达。然而形状的表达一直以来是难以让人满意的领域。 Active Contour可以说是一个流派。这里有一本电子书，我最近刚刚开始看，不好给什么评论。共享一下资源 http://www.robots.ox.ac.uk/~contours/ vision： 局部特征实际上是基于图像尺度空间理论提出的，尺度空间理论已经考虑了图像各结构在尺度空间中的演化。所以实际上现在的局部特征是包括各个尺度上的特征的。问题是要把这些特征联系起来，形成树状结构。这个就是所谓的Deep Structure. 这方面的理论研究是Florack的一个学生近几年在做。Lindeberg的尺度选择理论实际上也是基于深结构理论，但是现在的实际应用（Lowe，Schmid）都没有把各个特征联系起来，所以这些全局的信息就丧失掉了。如何找到一个好的算法把这些结构联系起来，应该也是局部特征研究需要解决的问题。Florack的学生现在在研究形状的Sketch表示，应该也在进行形状研究。 Active Contour的最早文章：M. Kass, A. Witkin, and D. Terzopoulos, ``Snakes - Active Contour Models'' International Journal of Computer Vision, 1(4): 321-331, 1987.其中的作者Witkin就是最早提出尺度空间理论的。1984年Witkin提出尺度空间理论，1985年Koendrink把尺度空间理论形式化为i扩散方程. 1987年snake提出，应该是存在逻辑关系吧。Active Contour应该和尺度空间的 isophote 等价吧。好像Matas在研究这个。 handsomeyang： 还有一个趋势是把二维局部特征扩展到三维，即spatio-temporal features
perl安装的入口程序通常在两个位置： 1，/usr/bin 系统自带的perl 2，/usr/local/bin 后来编译安装的perl 安装perl的时候，把入口程序写到usr/bin或者usr/local/bin下，然后把对应的库文件写到/lib或者/usr/lib，或者/usr/local/lib下，并且为这些库文件建立目录。这些库文件包括相关模块，这些相关模块的登记信息通常写在lib里面相关文件里面。perl入口程序在安装的时候就已经在程序中登记了他的库文件存放位置，这样perl程序在bin下就可以自然而然地完成库文件的加载。 perl的模块文件位置：ftp://ftp.funet.fi/pub/languages/perl/CPAN/modules/by-module/ BI(Database Interface)是perl连接数据库的接口。其是perl连接数据库的最优秀方法，他支持包括Orcal,Sybase,mysql,db2等绝大多数的数据库。 解决办法：安装DBI、Data-ShowTable、DBD-mysql (假设你已安装完perl和mysql数据库)。具体如下： 到ftp://ftp.funet.fi/pub/languages/perl/CPAN/modules/by-module下载三个文件DBI- 1.601.tar.gz、Data-ShowTable-3.3.tar.gz、DBD-mysql-3.0007_1.tar.gz，分别处于 DBI,DATA,BDB目录下。注意下载的DBI的版本不能太低，如之前作者下载过低版本DBI-1.20不能编译通过。 下载后最好保存在目录：/usr/local/src下，并解压产生各模块的安装文件目录。如下 #tar zxvf DBI-1.601.tar.gz #tar zxvf Data-ShowTable-3.3.tar.gz #tar zxvf DBD-mysql-3.0007_1.tar.gz 安装DBI # cd DBI-1.601 # perl Makefile.PL # make # make test # make install 安装Data-ShowTable # cd Data-ShowTable-3.3 # perl Makefile.PL # make （注：第一次make出错，再make多几次） # make install （注：无需make test） 安装DBD-mysql # cd DBD-mysql-3.0007_1 # perl Makefile.PL --libs="-L/usr/local/mysql-6.0.9-alhpa/lib/mysql -lmysqlclient -lz -lrt -lcrypt -lnsl -lm" --cflags=" -I/usr/local/mysql-6.0.9-alpha/include/mysql -g -DUNIV_LINUX" --testuser=root --testsocket=/home/cserken/mysql/tmp/mysql.sock 或者：perl Makefile.PL --mysql_config=/usr/bin/mysql_config # make # make test # make install 安装完毕 注意：make test之前mysql server要启动，并且要知道server的socket。本文在调试模式下启动mysql server，可获取到socket。 # cd /usr/local/mysql-6.0.9-alpha （mysql 安装路径） # gdb libexec/mysqld (gdb) r --user=root The program being debugged has been started already. Start it from the beginning? (y or n) y Starting program: /usr/local/mysql-6.0.9-alpha/libexec/mysqld --user=root 091012 8:47:30 Event Scheduler: Loaded 0 events 091012 8:47:30 /usr/local/mysql-6.0.9-alpha/libexec/mysqld: ready for connections. Version: '6.0.9-alpha-debug-log' socket: '/home/cserken/mysql/tmp/mysql.sock' （这个就是socket） 另外，在启动测试脚本的时候，需要指定soket路径 # ./test-insert-using-btree-short --socket='/home/cserken/mysql/tmp/mysql.sock' Testing server 'MySQL 6.0.9 alpha debug log' at 2009-10-12 9:54:04 Testing the speed of inserting data into 1 table and do some selects on it. The tests are done with a table that has 100000 rows. Generating random keys Creating tables Inserting 100000 rows in order Inserting 100000 rows in reverse order Inserting 100000 rows in random order Time for insert (300000): 180 wallclock secs (11.30 usr 8.12 sys + 0.00 cusr 0.00 csys = 19.42 CPU) 本机配置环境：RHL + Intel(8核) + mysql-6.0.9-alpha。以上过程在本机上配置通过。
体系达到部分平衡， 但是辐射平衡不成立。当电子浓度足够高时(n e 10 23 m -3 )，碰撞过程比吸收和辐射过程快，粒子平衡不受影响。当处于LTE，等离子体用两个状态参数描述：物质温度T m 和辐射温度T s 。 electron relaxation time (electron-electron collision) energy attenuation time (braking radiation, electric field, collision with neutral) means taht radiative processes can be ignored in comparison with collisional(de)excitation and ionization , and three particle recombination , of the relevant ions. 当Te=Ti时,称为热平衡等离子体,简称 热等离子体 (Thermalplasma).这类等离子体不仅电子 温度高 , 重粒子 温度也高.由于等离子体辐射的缘故,各种粒子的温度几乎近似相等(TeTiTg),组成也接近平衡组成的等离子体。
标签: local
