为实现高速铁路周界侵限检测系统自动识别轨道区域的功能,提出了一种自适应的图像分割与识别算法。计算了每个场景的直线特征极大值以调节自适应参数,提出了新的基于边界点权重及区域面积的聚类组合规则,将碎片化区域快速组合成局部区域;简化了卷积神经网络,通过对卷积核进行预训练并在损失函数中增加稀疏项来提高特征图的差异性。在不使用显卡的前提下,对比实验结果表明所提算法的像素准确率最高(95.9%),计算时间最短(2.5 s),网络参数约为0.18×10 ⁶个,在分割精准度、识别准确率、计算时间、人工操作复杂度和系统硬件成本等之间找到了有效平衡点,提高了铁路周界侵限检测系统的自动化程度和工作效率。

选择尺度融合的小波边缘检测算子对平面丝阵Z箍缩条纹相机图像进行处理，分析了影响边缘检测效果的参数。处理结果显示：如果边缘像素比例取合适值(4%～7%)，若尺度取较大值时边缘定位不够精确，取较小值时受噪声影响较大；尺度融合的小波边缘检测算子则能精确判断图像边缘位置，同时受噪声影响较小；与直接判读方法相比,通过尺度融合的小波边缘检测算法判读的数据更稳定平滑，更能抵抗噪声的干扰。

由美国夜视和电子传感器管理局(NVESD)研究提出的经典视场目标探测模型,未能反映出信杂比(SCR)在探测过程中的影响程度。采用小波多尺度边缘检测法来仿效视觉系统,将边缘概率(POE)与经小波多分辨分析法改造后的雷诺一致性方程的均方根(RMS)结合,得到基于小波多尺度POE算法。再利用最大似然法对目标和背景分类探测进行处理,从而获得目标模式识别的最大似然概率;将信杂比计算引入红外目标探测中,推导出了高、中、低信杂比下的目标探测、分类和识别预测方法,解决了红外目标探测过程中与信杂比的关系。

用传统的解析法得到的函数最大梯度和局部极大只能是近似和局部意义上的。本文结合遗传优化搜索算法讨论多尺度边缘检测的新方法。为了提高遗传算法应用于边缘检测的收敛速度，改进基本遗传算法存在的局部搜索能力差的缺陷，提高全局解的质量，采用了改进的GA(遗传算法)+SA(模拟退火法)+TABU(列表寻优法)混合算法。将基本遗传算法与启发式搜索算法相结合，采取交替式的优化策略。试验结果表明，将该算法用于红外目标图像分割，可以使检测出的图像边缘细节丰富、单边缘、定位准确。