1 天津工业大学 机械工程学院，天津 300387
2 中国海洋大学 物理海洋教育部重点实验室，山东 青岛 266100
针对红外船舶目标在海上复杂海天背景下检测困难，且数据集目标大小与锚框不符造成的算法边界回归效果差、检测不准确等问题，提出了一种基于改进YOLOv5的红外船舶目标检测算法。首先针对锚框与数据集目标形状不匹配问题，通过改变K-means++聚类算法选取簇中心的评价标准，使用中位数代替平均数来决定簇中心，改进了锚框算法，使得锚框与船舶目标更加匹配，提高了算法的平均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CIoU (Complete intersection over union)存在梯度爆炸、误检和漏检问题，通过改进边框回归损失函数中关于长宽比的惩罚项提出了MIoU (Multivariate intersection over union)回归损失函数，优化了算法的回归过程，提高了算法的收敛速度和检测精度，避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降低了1.5%。在红外船舶数据集上进行了消融实验和对比实验，消融实验结果表明文中改进算法的平均检测精度值相较于标准YOLOv5算法提高了1.1%，对比实验结果表明文中改进算法相较于其他改进YOLOv5算法具有更高的平均检测精度，验证了文中改进算法的优越性，提升了红外船舶目标的检测效果。
目标检测 红外船舶目标 聚类算法 边框回归 object detection infrared ship target clustering algorithm border regression 红外与激光工程
2023, 52(10): 20230006
江西理工大学信息工程学院, 江西 赣州 341000
图像分割在日常生活中扮演着重要角色, 传统的K-means图像分割具有随机性且容易陷入局部最优等缺陷, 使得分割质量大大降低。为改善这些现象, 提出一种基于Halton序列改进蝠鲼觅食优化(HMRFO)算法的K-means图像分割, HMRFO采用Halton序列初始化种群, 使得个体位置充分均匀, 再引入折射反向学习提升算法的全局搜索能力, 最后引入新型的高斯变异策略, 减小算法陷入局部最优的概率。在6个基准测试函数中对比了5种算法, 验证了HMRFO的有效性及可行性。同时, 将其应用于K-means图像分割中, 与其他4种算法进行对比, 结果显示HMRFO优化K-means具有较好的分割质量及泛化能力。
图像分割 K-means 聚类算法 Halton序列 蝠鲼觅食优化算法 折射反向学习 高斯变异 image segmentation K-means clustering algorithm Halton sequence Manta Ray Foraging Optimization (MRFO) Refracted Opposite-Based Learning (ROBL) Gaussian mutation
1 南开大学弱光非线性光子学教育部重点实验室，物理科学学院，泰达应用物理研究院，天津 300071
2 南开大学细胞应答交叉科学中心，药物化学生物学国家重点实验室，生命科学学院，天津 300071
3 南开大学深圳研究院，广东 深圳 518083
4 山西大学极端光学协同创新中心，太原 山西 030006
膜蛋白在细胞膜上的时空分布形式决定了其活性状态及功能，在调控细胞生命活动过程中起着重要作用。单分子定位超分辨成像（SMLM）技术为在纳米尺度解析膜蛋白的空间分布提供了可能，但分辨率的极大提升对图像准确聚类分割提出了更高要求。基于密度的空间聚类算法（DBSCAN）是常用的聚类方法之一，但其对于膜蛋白分布不均匀的SMLM超分辨图像的分割效果往往不太理想。本文提出了一种结合多次DBSCAN和层次聚类的混合聚类算法，该算法以DBSCAN方法为分割基础，通过进一步的面积阈值分析和层次聚类，在保持超分辨点簇图像精确聚类识别的前提下，仍能保留每个点簇内的多次定位信号。将该算法应用于模拟数据集和实验数据分割得到的轮廓系数等性能普遍优于传统DBSCAN算法。这种混合聚类方法为膜蛋白SMLM超分辨图像的聚类分割提供了新思路和新方法，有助于更精准地分析膜蛋白在纳米尺度上的空间分布信息。
生物光学 单分子定位超分辨成像 超分辨图像分割 膜蛋白 基于密度的空间聚类算法 层次聚类算法
1 河南大学 软件学院, 开封 475001
2 河南大学 智能网络系统研究所, 开封 475001
为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。
图像处理 低秩稀疏表示 归一化光谱角制图 密度峰值聚类算法 噪声标签检测 image processing low rank sparse representation normalized spectral angle mapping density peak clustering algorithm noise label detection
1 江西理工大学理学院，江西赣州341000
2 嘉兴学院数理与信息工程学院，浙江嘉兴314001
为改善高光谱压缩感知的重构质量，提出基于双频带预测的高光谱重构算法。引入K 均值聚类算法自适应地完成频带分组，并确定各组组内的双参考频带；再建立双频带预测模型获得预测图像；最后，在预测图像的基础上采用修正重构和加权融合方式，实现图像的高精确度重构。结果表明：在相同采样率下，该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。
高光谱影像 K 均值聚类算法 双频带预测 重构 hyperspectral image K-means clustering algorithm dual-band prediction reconstruction 太赫兹科学与电子信息学报
2022, 20(11): 1184
向空间扩展维度的通信模型是进一步提升无线通信容量的重要研究方向。然而，空间维度上的正交信道构建主要还存在两方面的理论问题：一是病态问题；二是稀疏问题。针对上述两个问题，提出了一种新型空间维度扩容通信模型。该模型基于声光效应采用激光器扩展空间维度，利用优化算法设计稀疏阵列布局，采用聚类算法确定最优分布。通过仿真计算模型实例，可得其条件数为25，经聚类分析后仅需4个激光接收器，便可替代原88个单元天线，组成接收阵列。该模型对提升无线通信容量有着重要研究意义，为搭建水下远距离大容量的轻巧一体化通信系统提供新思路，并为无线通信模型的理论发展储备基础性研究。
激光与光电子学进展
2022, 59(23): 2307001
针对目前PCB板缺陷检测存在检测精度低、检测速度慢等问题, 提出了一种改进的YOLO v3网络的PCB缺陷检测算法。首先利用DBSCAN+k-means聚类算法并通过Avg IOU准则重新聚类, 以选择更适合本文数据集的Anchor Boxes; 其次在第二个残差模块中增加了两个残差单元, 提高网络对浅层特征的提取能力, 同时在网络中加入了SE Block模块, 从而突出了有用的特征通道, 改进了特征融合结构; 最后通过更改检测模块提高对本文数据集的检测能力。实验结果表明, 改进算法在PCB缺陷数据集检测精度和检测速度方面都有了明显提升。
缺陷检测 聚类算法 特征融合 PCB PCB defect detection clustering algorithm SE Block SE Block feature fusion
1 兰州交通大学自动化与电气工程学院，甘肃 兰州 730070
2 中国铁路兰州局集团有限公司，甘肃 兰州 730030
3 国网甘肃省电力公司庆阳供电公司，甘肃 庆阳 745000
为了改善接触网管帽这类小尺度部件在故障检测过程中定位困难的情况，提出一种基于改进Faster R-CNN的接触网管帽目标定位算法。通过K均值聚类算法（K-means）对region proposal network （RPN）层中生成anchor boxes的比例及面积进行改进，所提算法在定位接触网管帽这类小部件上具有较好的表现。并通过比较VGG16、resnet50、resnet101、resnet152等4种特征提取网络在原始及改进的Faster R-CNN上定位管帽的准确率、召回率、准确率和召回率的调和平均F1、单张检测时间等指标来选择最优特征提取网络。实验结果表明，基于resnet50的改进Faster R-CNN深度网络模型在接触网管帽定位中具有明显的优势，召回率为89.78%，定位准确率可以达到83.16%，F1值为86.34%，单张检测时间为0.283 s。
图像处理 接触网管帽 定位 Faster R-CNN K均值聚类算法 深度学习 激光与光电子学进展
2022, 59(4): 0410009
1 山西工程科技职业大学 工程管理学院，山西 晋中 030619
2 燕京理工学院 艺术学院，河北 廊坊 065201
针对光纤网络通信中数据流传输路径质量影响网络资源利用率的问题，提出了一种改进的数据传输路径优化机器学习算法。首先,利用机器学习完成对初始数据的预处理，获取数据特征信息，完成数据流分类。基于对光纤跨度内数据流的分析，构建集群组完成数据路径的调整，实现网络资源的充分利用。其次，以包含特征参数的相似矩阵为约束条件，完成聚类分析的优化。根据数据特征参数建立相似矩阵，并在特征参数与通信路径的数据流类型之间建立函数映射关系。最后利用核函数对传输路径进行优化，实现网络传输路径的优化。实验针对包含多个光纤跨度的网络进行路径优化，并与传统的K-means聚类算法对比。测试中6种不同数据流的比例可以充分反映不同条件下的数据通信状态。实验结果表明：该算法的分类准确率为94.6%，平均执行时间为12.8 s，平均聚类变化度为31.3%。传统的K-means聚类算法分类准确率为84.6%，平均执行时间为20.8 s，平均聚类变化为46.2%。该算法的收敛时间也优于传统算法，其在网络数据传输中具有更高的准确性和实时性。
路径优化 机器学习 聚类算法 数据特征 传输特性 path optimization machine learning clustering algorithm data characteristics transmission characteristics 红外与激光工程
2021, 50(10): 20210185
