1 空军工程大学,a.航空工程学院
2 空军工程大学,b.研究生院, 西安 710000
3 中国人民解放军93131部队, 北京 100000
4 中国人民解放军93137部队, 北京 100000
空战对抗过程中的目标状态数据呈现时序性、多维性等特征, 为进一步提升目标意图识别的准确率, 提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法, 将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据, 生成特征序列; 接着采用注意力机制提升目标的特征学习能力, 增强空战过程中的主要目标状态特征表示, 得到具有权值分配的特征向量; 最后利用LSTM网络对目标特征向量进行训练, 通过softmax层实现目标意图的识别。仿真实验表明, 该方法利用注意力机制有效增强目标的特征学习, 进一步提升了LSTM网络的识别精度, 具有一定的科学性和有效性。
空战 目标意图识别 注意力机制 LSTM网络 权值分配 air combat target intention recognition attention mechanism LSTM network weight allocation
空军工程大学 工程学院 信号与信息处理实验室,西安 710038
将人类视觉特性中灰度敏感程度和颜色相关性引入到图像增强中。选择HSV 彩色空间,提出最优可见偏差(OND)引导的非锐化掩模(UM)图像增强算法(OND-UM)对亮度分量进行边缘和细节增强,其中通过数值拟合得到了OND 曲线,并构造了基于局部方差的自适应增益函数以实现对不同细节区域增强强度的自适应调整;尤其针对含有低对比度区域图像,利用Otsu 分割方法确定阈值的分段自适应拉伸函数进行图像的全局调整和对比度增强;而饱和度分量进行直方图均衡,色度分量保持不变;颜色空间转换后再进行基于改进的颜色相关性统计的RGB空间颜色校正。仿真结果表明,OND-UM 对连续边缘增强和边缘噪声抑制方面较优,而颜色校正后的图像色彩更丰富艳丽,更符合人眼视觉。
非锐化掩模 最优可见偏差 视觉特性 自适应拉伸函数 unsharp mask optimum noticeable difference visual characteristics adaptive stretching function
空军工程大学 工程学院信号与信息处理实验室,陕西 西安 710038
针对含有低亮度低对比度区域的图像,提出基于局部自适应拉升窗(LASW)的复合图像增强算法。通过研究目前一系列基于局部操作的空域图像增强算法,提出全局和局部操作结合的总体思路;首先使用高提升拉普拉斯(Laplacian)反锐化掩模(UM)增强以获得较多的隐藏细节和边缘信息,然后构造局部自适应拉升窗大幅增强低对比度图像细节,同时使用自适应滤波器进行掩模平滑操作；最后根据局部增强结果进行全局修正。仿真实验表明,在绝对误差、图像熵等评价指标下,该算法使低对比度图像尤其当含有低亮度微弱局部信息时,获得了较好的增强效果。
图像处理 图像增强 局部自适应拉升窗 反锐化掩模 直方图均衡
