为了进一步提高图像超分辨率重建的质量, 针对非局部集中稀疏表示算法中重建图像的噪声问题, 提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先, 利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型; 然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数; 最后, 得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时, 同步更新专家场模型参数, 因此在不显著增加运算复杂度的情况下, 通过选取合适的先验约束, 有效地增强了图像重建的效果。实验结果表明: 相比非局部集中稀疏表示算法, 文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果, 并且能够进一步提高有噪图像的去噪效果。

针对卷积稀疏编码算法中特征映射的准确性的问题, 为了进一步提高图像超分辨率重建的的质量, 文中提出一种基于卷积稀疏自编码的图像超分辨率重建算法。该算法首先在预训练阶段利用稀疏自编码器对输入高低分辨率图像分别进行训练, 得到对应的图像稀疏特征表示; 然后再由卷积神经网络根据得到的稀疏系数共同训练相应的滤波器及特征映射函数并更新到最优解; 最后由高分辨率滤波器和对应的稀疏表示系数卷积求和, 得到高分辨率重建图像估计。实验结果显示, 改进算法的峰值信噪比(PSNR)结果较卷积稀疏编码算法提高了近0.1 dB, 有效提高了重建图像的质量。

无人机在复杂战场环境下, 因敌我双方无人机外形、颜色等特征较为相似, 如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响, 无法准确地对其进行识别与分类。针对这一问题, 提出基于迁移学习卷积稀疏自动编码器(Sparse Auto-Encoder, SAE)实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习, 获取其局部特征; 然后, 采用池化层卷积神经网络(CNN)算法提取目标图像全局特征; 最后, 送入Softmax回归模型实现目标对象的识别与分类。实验结果表明: 与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比, 该算法具有更高的准确性。

无人机在复杂飞行过程中, 因大气气流及光学设备成像等影响造成采集到的红外图像分辨率过低; 另外, 因各帧图像分辨率不同, 基于固定层数分解的金字塔模型在同一区域下的显著图提取结果存在差异, 无法借助视觉技术实现无人机目标定位及自主导航。提出一种改进Itti模型下的红外图像感兴趣区域提取及SR重建算法。算法首先引入多特征对红外图像序列进行金字塔动态分层模型构建; 然后, 针对不同分辨率下的多帧红外图像进行感兴趣区域的动态提取来克服传统Itti算法的不足; 最后, 提出基于共轭梯度法的目标函数最小化红外图像超分辨率重建算法, 对感兴趣区域进行空间SR重建, 提高感兴趣区域目标的空间分辨率。实验验证了提出算法的有效性及准确性。

针对目前非均匀性校正方法存在的问题与不足,介绍了适于红外焦平面阵列探测器的非均匀性校正处理方法.其特点是用一个触发电路使基于场景的非均匀性校正电路对探测器的运动信号做出响应.实验结果表明,在没有劣化静态场景的情况下,该方法实现了运动场景信号的校正,不仅消除了红外焦平面阵列响应的非均匀性,而且补偿了其漂移.