文摘
为了提高体育教学的效果在现代高校中,本文结合了运动技能识别算法构建体育教育效果评价体系和研究多光谱图像生殖系统在实际的应用程序。此外,本文给出了一个更高级的详细描述系统的功能模块,如光谱采集、光谱反射率重建和光谱色彩校正。此外,本文的算法设计颜色外观匹配模块。通过添加源端上的“颜色外观转换”和“颜色外观反转”在繁殖方面,源图像和复制图像可以实现颜色外观观察condition-independent空间匹配。仿真实验验证物理教学效果评价体系基于动作技能识别满足体育教育的实际需要和有很好的作用,促进物理技能的识别和提高体育教学效果。
1。介绍
在物理教育教学创新的过程中,教师应该学习更多的方法来培养学生的创造力,为学生创建一个良好的教育情况,让学生相应的问题提出了自己的意见相对独立,并确保体育教学的良好氛围。通过这种方式,学生的创造性意识将得到改善,他们将能够进行体育学习更灵活。成功的体育类是由很多元素组成的,如经验丰富的体育教学,学生有很强的好奇心,科学教学模式和运动器材。这些体育课堂元素是相互关联的,但有时在一定程度上他们是相反的。每个元素的变化可能会导致另一个元素的变化,和体育教学的质量也会受到影响。在这种情况下,为了使创新和培养体育教育的成功,有必要从全球的角度考虑和认真考虑不同元素之间的连接。只有用这种方法能更好地体育教学进行创新,可以实现更好的结果。
物理教育空间不是一个纯粹的物质概念。但是真正的生活和居住条件共享的教师和学生在体育教学的过程。这是一个充满生命的人文结构和文化意义。此外,物理教育空间包含了政治权力,社会关系、文化依赖心理活动和其他物质,精神因素和社会因素。物质是可以直接观察到的空间,灵性是构造的空间语言,和社会性是教师和学生之间的空间关系,教学和学习,教学和环境。非凡的体育教学空间是它不是一个简单的语言建设但空间的艺术复制品的身体语言展示体育科技实用空间。此外,它是一个空间概念,有机地集成了物质性、精神性,通过体育教育的实践和社会性,因此它也有更多的活力和文化意义。
体育教师和学生的实际活动和他们的话语倾向首先放在空间,因为整个过程的物理教育的元素,包括体育教师、学生、体育的概念、体育教学方法,和物理教育的影响,提出了在空间,在一个特定的空间。“空间的中介是社会行动,积极影响社会行动。空间的原材料是社会过程和社会过程的产物”。体育教学的特殊环境、空间行为是相互渗透和相互作用的结果,体育老师的能力,学生的质量、空间情况,和社会文化。体育教师掌握的空间理论和它的价值直接影响体育教学的效果。每个体育教师的示范动作都是空间的艺术复制品的肢体语言。然而,在现实中,体育教师受制于文化环境、时代背景、认知能力,和生活习俗,他们没有意识到空间在物理教育教学的重点。在教学实践中,测量的时间隐藏空间的优先级。空间的弱概念不仅存在于体育教师。学生忽视体育活动的自我构建的空间实践,追求所谓的自主权。 The basis of students’ autonomous sports practice is the mastery of individual motor skills. Needless to say, it takes time for students to master motor skills.
本文结合了运动技能识别算法构造的物理教学效果评价体系,促进现代体育教育改革的进步和发展。
2。相关工作
本研究提出了一种新的基于轮廓特征的图像拼接算法。在特征提取阶段,卷积地图是增强和区域增长方法用于辅助校正,可以改善轮廓提取效果;在功能方面表示,形状签名是用来代替链代码来描述轮廓,从而提高了计算速度和减少成本的噪声干扰和透镜畸变的影响(1]。针对序列图像的连续缝合与翻译,旋转,缩放变换,缝合算法结合注册算法基于区域特性和注册算法提出了基于灰度互相关。算法提取区域和迭代阈值分割算法,使用注册地区特性,建立了一个初始的区域具有相同名称,然后使用对区域的质心点具有相同名称的特征点,并选择互相关准则作为度量基于图像的灰度信息。最后,获得准确的图像变换关系,实现序列图像的拼接(2]。图像特征匹配算法提出了基于拉普拉斯算子矩阵。首先,我们构造的拉普拉斯算子矩阵两幅图像的特征点集,分别进行奇异值分解(圣)两个矩阵,然后用矩阵分解的结果构建一个关系,反映了特征点之间的匹配程度实现特征点匹配的两张图片3]。传统的模板匹配算法进行了研究和分析,并提出了新的基于投影的快速模板匹配算法。二维图像是一维投影,一维投影值进一步量化不同获得一组字符串组成的0和1的数字描述图像和模板。公里快速字符匹配算法介绍直接比较图像和模板4]。提出了一种两级相关匹配的改进方法,快速构造层次金字塔匹配算法(5]。基于模板匹配的原理,提出了一种新的彩色图像自动拼接方法(6]。成图像重叠区域的方法首先使用图像特征信息自动发现一个小的模板图像重叠区域的图像,然后搜索在其他图像的重叠区域最大的相似准则。当最好的图片找到定位点,最终的数据融合操作上执行的两幅图像的重叠区域使用平滑因子,从而实现彩色图像的快速和自动缝合(7]。两种相似性度量方法、序贯相似性检测(SSDA)和归一化产品相关性,用于建立模板图像之间的相似性度量值和输入图像,然后使用模拟退火算法快速随机搜索最优解和accurately-best匹配。同时,另一方面,缝合在频域和相位已经成为新的研究热点。这一事实,它有其独特的稳定性和特性不容易受到图像灰度的变化错误引起了相关研究人员的注意。做了很多研究工作已经在这个领域和许多关注(8]。使用一个紧密支持向量小波正交性和对称性,两张拼接,拼接图像。由于小波变换具有带通滤波器的特性,在不同尺度的小波变换组件实际占领一定的带宽和规模。值越大,频率越高的组件;所以每个小波组件的带宽并不大,这两个图片拼接首先被分解成不同频率的波组件根据小波分解的方法,然后在不同尺度下不同的缝合宽度,两个图像首先缝合根据不同尺度的小波分量,然后恢复计划是用来恢复整个图像(9]。的研究扩展了应用范围基于Fourier-Mellin变换的图像配准方法从两个方面。第一个是全景图像的拼接,和其他扩展是图像的匹配曲线(10]。图像曲线转化为二进制图像,然后,Fourier-Mellin变换应用于注册这些二进制图像,以匹配两条曲线(11]。
grayscale-based分割方法直观、操作简单,在实践中被广泛使用。然而,由于图像灰度失真和各种环境因素的影响,很容易导致mis-segmentation。对于这个问题,许多学者给出巨大能量和设计各种算法来解决它12]。然而,由于各种因素的影响,灰度图像分割的方法仍不能完全解决的问题不正确的分割和过度分割错误。分析原因的oversegmentation分水岭算法,简化了灰度变换,并使用不同的结构元素的数学形态学的影响距离变换,提出一种改进的算法结合分水岭和Livewire,这可以减少oversegmentation效应和提高计算效率13]。针对分水岭分割算法的两个缺陷,耗时和oversegmentation multiresolution-based分水岭图像分割算法进行了研究。该算法在低分辨率图像进行分水岭分割,提高分割的速度(14]。当从一个低分辨率的图像返回到高分辨率图像,基于边缘信息合并功能是用来避免边缘信息的损失,确保分割的准确性(15]。设计了一种基于梯度图像噪声抑制方法,它可以抑制高斯噪声对梯度图像的影响,有效地避免过分割的问题16]。
3所示。动作识别算法
实际应用的多光谱图像复制过程如图1。其中,光谱图像输入设备和照明光探测设备用于光谱采集获取反射光谱和照明场景对象的光谱,并提供计算机处理的数据源。电脑是用于操作如光谱反射率重建。当光谱复制远程复制,存储和传输的网络环境可以实现多光谱图像和相关参数。光谱复制一端,计算机执行操作,如观测环境光处理,光谱图像处理,光谱色彩校正准备数据的输出光谱输出设备。此外,光谱输出设备用于繁殖光谱图像,给一个图像复制满足应用程序的需求。复制的图像可以是幽灵似地匹配生殖在颜色或色彩再现是一致的外观在不同观察条件。
从图可以看出1,如果只追求光谱匹配的繁殖,红苹果图像源端可以复制一个紫色的苹果,所以处理单元外观颜色匹配的繁殖过程中需要添加。多光谱图像的颜色外观繁殖过程如图2图中,每个功能模块将在以下部分中讨论。
多通道的图像输出数码相机集成了各种类型的信息,如现场的环境照明,的光谱反射特征的场景,相机的光谱灵敏度,相机的光谱透射比过滤器。获取反射率数据,只有反映场景的光谱反射特性,有必要使用数学方法来估计基于多通道由摄像机输出的图像,以及现场照明信息和相机的光谱特性。这个过程称为光谱反射率重建。
拍摄一个场景的过程由一个光谱成像系统和输出多路图像的颜色空间相机可以表示为(17]
其中,k代表了通道,代表的输出图像kth的渠道系统,代表了相机的光谱灵敏度。代表了照明的光谱功率分布,代表每个通道滤波器的光谱透射率,代表了场景的光谱反射率。由于光谱灵敏度、照明光谱功率分布和滤波器光谱透射率都是抽样中的可见光波长范围,公式(1)也可以由下面的离散矩阵:
其中,D多通道的图像输出的相机,R场景的光谱反射率,S是相机的光谱灵敏度,l照明的光谱功率分布,T滤波器的光谱透射率, 。我们可以得到18]
光谱反射率重建时估计场景的光谱反射率上述相关特征和多通道图像输出的相机是已知的,也就是说,获得模型的逆过程,即逆变换问,所以
上优于重建方法不需要光谱成像系统的特征矩阵重建过程。它首先建立一组训练样本 生成多通道值和光谱反射率转换输出的系统, R矩阵方法的情况。其中,R矩阵方法考虑了光谱信息和色度信息包含在device-related图像的算法,它可以带来比其他方法更好的光谱重建结果。
颜色识别系统的空间价值c后,识别、光谱反射率与分光光度计测量空间的价值年代;然后[19),
在这里,代表颜色识别系统的非线性映射关系的空间谱空间,代表了识别系统的颜色空间,代表了光谱反射率的空间。相应地,也可以复制的光谱反射值识别系统,它可以转化为颜色识别系统的空间价值 ,也就是说, 代表光谱值的范围,识别系统可以繁殖,即光谱域的识别系统。这是定义如下:
从本质上讲,光谱色彩校正的识别系统是获取映射关系和反向映射关系从识别系统,实现校正变换颜色的光谱空间和光谱空间识别系统的颜色空间。有两种主要方法找到正向和反向转换和 。一个是建立一个分析数学识别模型,另一个是用查找表的方法。
颜色外观匹配需要实现在色度空间中,所以它的过程可以如图3。首先,源多光谱图像从光谱颜色空间转换在CIE色度空间(CIEXYZ空间)。自从CIE色度空间只能严格应用于相同的源和目的地的观测条件和它仍然是一个观察条件依赖空间,有必要改变外观颜色根据源观测条件和将其转换为观察condition-independent空间 。然后,根据繁殖和观察条件下,外观颜色进行逆变换得到色度值用相同的颜色出现在繁殖和观察条件下,最后,色度进行反演得到繁殖光谱反射率图像 。
色度转换只需要集成的多光谱图像数据来源,光照信息和观察者的颜色视觉特性。外观颜色变换的方法将不会重复。色度的过程反演是更复杂的比色度变换,其中包括高维光谱估计和光谱调制。
T代表了色度值获得颜色出现逆转后,和年代代表了光谱反射率三色值的估计t;然后,之间的关系t和年代可以表示为
在这里, 代表标准观察者颜色匹配函数, 是一个对角矩阵的光谱功率分布对角元素复制的照明。
我们设置
在这里,(1)代表了所有元素的向量。为了使Y100年白光的价值,我们集 c三色值归一化到[0,1]区间的每一个组件,即
通过公式(9)(13),光谱反射率之间的转换年代可以估计和规范化三色值c可以建立(20.]:
在这里,
为一组n光谱反射率 公式(14)可以推广
在这里,
本节需要解决逆问题的(14),也就是说,估计光谱反射率年代从归一化三色值c,H估计矩阵;然后,高维光谱估算公式
后的彩色图像颜色出现反转,它可以通用
计算矩阵H,首先,我们选择一组样本与已知光谱反射率(本文选择标准的目标IT8.7/3作为样本集,和样品的数量是928),表示 。根据公式(16),归一化的三刺激值集的样本集生殖观测环境下,即
第二,从规范化的三刺激值设置为光谱反射率估算可以建立样本集的矩阵H:
它可以看到从前面的公式H矩阵的广义逆矩阵吗D,可以通过计算获得和 。乘法公式(两边20.) ,我们有
由此,它可以获得21]:
在计算矩阵H替换成公式(18高维光谱年代),可以从色度空间估计图像颜色后出现反转。
由于条件等色的存在,应该有无限数量的光谱相对于红光对应于一个三色值。在公式(18),H的广义逆矩阵D,确定光谱反射率年代估计的归一化三色值c通过(18)只有一个无限繁殖的条件等色颜色,观察环境。它达到颜色外观与源图像光谱匹配色度变换,但有一个大光谱误差。因为光谱匹配的外观和颜色匹配图像的复制质量至关重要,为了实现(或近似)光谱匹配源光谱数据,有必要正确估计的频谱年代获得最终的光谱复制 。的条件等色和年代繁殖的条件下观察,但光谱误差源谱是小;这个过程称为光谱调制,表示
在这里,代表了光谱调制函数。
为了实现光谱调制函数,估计谱可以由R-matrix分解理论。矩阵是正交投影算子,定义为
在这里,一个的共同作用矩阵复制照明谱和标准观察者,可以表示为哪一个
基本的刺激的频谱S上的投影年代在R,也就是说,
在这里,代表单位矩阵。因此,最后一个复制频谱
CMM是彩色处理的核心,光谱颜色外观繁殖CMM的工作原理如图4。
任何光谱图像光谱成像系统获得的CMM使用观察环境照明提供的源谱剖面和特征参数的光谱成像系统重建获得的光谱反射率光谱反射向量谱图像的每个像素的价值。然后,它使用观测条件提供的信息在源和目标概要文件来执行外观颜色匹配和获得一个可怕地近似复制光谱反射率图像相匹配的颜色的光谱反射率图像来源。图像复制时,根据特征参数在目标光谱提供的输出设备概要文件,复制光谱反射率数据转换为输出设备的色彩空间,然后复制图像是通过输出设备。
从图可以看出4光谱颜色外观繁殖CMM主要包括三个独立的模块:实时计算光谱反射率重建、外观颜色匹配和光谱色彩校正。其中,光谱反射率重建方法目前比较成熟的算法,和实验证明了基于学习R-matrix方法可以获得更高的重建精度。光谱色彩校正可以使用文献中给出两种方法:基于标识的色彩校正方法光谱模型和基于查找表的色彩校正方法。当执行外观颜色匹配,CMM首先读取的图像从源谱配置文件获取环境的光照信息和获得源光谱图像的色度值。然后,它读取源和目标观测条件信息从源和目的地形象,分别执行外观颜色转换和反演。之后,它计算估计矩阵H根据样本集,重新估计高维光谱反射率光谱。最后,它使用源重构光谱反射率数据作为标准光谱调制谱估计获得重建光谱反射率。外观颜色匹配由CMM的过程如图5。
4所示。体育教学效果的评估基于动作技能的认可
流的物理教学效果评价体系基于动作技能识别图所示6。
在这个过程中,最初的相机参数计算模块采用一种方法基本上类似于法院。自法院nonfixed状态的相机,摄像机参数需要实时计算,使得有必要考虑造成的系统开销透视变换矩阵计算除了视频融合和运动物体分割。为了满足实时的要求,我们设计了一个利用特征点估计和直线拟合方法根据特征点的分布特征连续视频帧。图7显示了动作识别的数字化图像。
(一)
(b)
(c)
分析物理教学效果评价体系基于动作技能识别提出了通过多组实验,计算运动识别的准确率和该系统的体育教育教学效果。测试结果见表1得到了。
上述测试结果验证物理教学效果评价体系基于动作技能识别满足体育教育的实际需要和有很好的作用,促进物理技能的识别和提高体育教学效果。
5。结论
体育教育是学校教育的基本教学组织形式,是培养全面发展的人才的一个重要路径道德、智力、体格,和美丽。此外,体育教学是一个双边教学活动,教师和学生参与和相互合作的指导下体育教师。体育教学的质量直接关系到学生的身心健康,也与教师的专业成长和发展。这是一个重要的教育实践在学校教育系统的链接。实现者和参与教学活动是由教学的力量,促进体育教育的发展。本文结合了动作技能识别算法构建体育教学效果评价体系。仿真实验验证物理教学效果评价体系基于动作技能识别满足体育教育的实际需要和有很好的作用,促进物理技能的识别和提高体育教学效果。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了重庆教育科学规划项目研究建设学生的身体健康监测和干预模式基于大数据(2019 gx025)和研究健康体育行为培养的孩子在重庆卫生大数据平台(2020 gx141)。