无透镜数字全息计算成像可以实现大视场高分辨率三维成像,但面临成像分辨率低和信噪比差的问题。为此,构建了基于衍射传输的无透镜压缩数字全息成像模型,开发了基于全变分正则化约束和两步迭代收缩阈值的优化算法,抑制了全息重建的二阶项噪声与孪生像噪声,并在重建模型中引入滤波层,提高了三维图像的重建信噪比。同时,提出了基于有效抗混叠区域的压缩全息分块并行重建算法,提升了压缩数字全息重建效率。建立了基于双角度照明的压缩数字全息成像模型,提高了三维成像的轴向分辨能力。基于上述算法,在多层掩模版和粒子流场上实现了大视场无透镜显微成像。

高光谱成像方法可同时获取在体组织的二维图像与光谱信息,具有空间与光谱分辨率高、成像范围大、无损快速等优点,为在体诊断提供了丰富的信息。近年来,研究人员在成像方法、仪器与应用方面进行了大量研究,取得了长足进展。本文综述了高光谱在体组织成像方法及应用研究的主要进展,探讨高光谱成像分光方法、系统组成与特点。从光谱重构方法、组织光学参数测量、基于深度学习的图像处理方法等方面,介绍在体组织成像与成分检测方法的研究进展。同时,对高光谱成像在临床医学,如皮肤创伤与愈合过程检测,糖尿病足与视网膜疾病诊断,手术中检测及微循环功能评估等方面的应用进展进行了总结。

提出了一种基于颜色恒常性的图像背景虚化算法。首先,利用颜色恒常性检测图像中的光照情况,构建朗伯表面模型。然后,计算最大遮蔽物像素差值与最大局部像素差值,并利用软抠图算法获取图像深度图,对其进行灰度值分割,得到图片的前景与背景部分。最后,利用高斯滤波对图像的背景进行虚化处理。本方法能准确获取单目图像的前景与背景图像,且虚化效果明显。

手写体中文的自动识别在文档数字化、手写笔记转录等方面有广泛应用。针对其具有的书写随意、结构复杂、数目众多等特点,提出了一种基于注意力机制的手写体中文识别方法。在卷积神经网络(CNN)模型的基础上,搭建了一种AT(Attention)-CNN网络模型,利用注意力机制实现网络层之间的信息交互,减少了因池化操作导致的信息丢失。在经典手写体中文数据集HWDB上进行实验,结果表明,该方法的识别准确率可以达到95.05%,相比其他模型有显著提升。

扩散修复是一种常见的小面积图像篡改手段,考虑到扩散修复引入的模糊效应,提出了一种梯度域导向滤波增强的图像扩散修复取证算法。因伪造图像在未修复区域结构纹理清晰,而模糊效应会导致修复区域纹理发生一定的改变,所以梯度域导向滤波能够保留未修复区域的纹理结构,从而突显修复区域的模糊效应。鉴于篡改信息在不同颜色通道里均有不同程度的体现,对输入图像的各个颜色通道分别进行梯度域导向滤波增强,从多角度捕捉图像修复带来的影响。实验结果表明,该方法不仅可以有效检测和定位扩散修复区域,且比现有的方法检测性能更好。

针对具有复杂背景的陶瓷瓦表面裂纹检测困难的问题,提出了一种基于主成分分析的陶瓷瓦表面裂纹检测算法。首先,将陶瓷瓦彩色图像转换为红色通道图像进行预处理;然后,采用主成分分析的方法重构陶瓷瓦图像,将预处理图像与重构图像进行差分处理,得到具有裂纹信息的图像;最后,采用二值化和形态学处理,提取裂纹的参数信息。实验表明,该算法可以检测出具有立体形态结构和复杂背景干扰的陶瓷瓦裂纹,相比其他算法检测速度快,准确率高达96%。

针对AlexNet在手指静脉识别系统中训练耗时过长,识别准确率较低的问题,提出AlexNet的改进网络结构。针对AlexNet模型输入图像尺寸限制性强,自适应能力差的问题引入空间金字塔池化模式的网络结构。为了加快网络训练速度和降低网络模型的复杂度,对AlexNet的卷积核尺寸、网络深度和全连接层等进行调整。实验结果表明,改进后的网络模型在公开和自有指静脉数据集上的识别准确率及训练时长较AlexNet模型均有明显改善。

光学乐谱识别在音乐信息检索和计算机辅助教学等领域有着重要价值,针对传统框架处理步骤复杂、精度较低,而基于深度学习的算法模型训练耗时久,且对难点音符识别误差较大的问题,提出了一种改进的卷积循环神经网络以提升识别精度。首先在原始乐谱中增加不同的噪声,以扩充乐谱图像,提高训练模型的鲁棒性;随后利用多尺度残差式卷积神经网络对乐谱图像中的音符特征进行提取,提升后续识别精度;最后利用双向简单循环单元网络识别音符特征,加快训练收敛速度。实验结果表明,改进后网络模型的平均符号错误率下降至0.3234%,收敛速度加快,训练耗时约为传统卷积循环神经网络的1/3。

针对高动态范围图像在亮度压缩过程中损坏色度信息,导致映射后图像明暗不同区域色偏严重的问题,提出一种基于颜色校正模型的梯度域自适应色调映射改进算法。通过建立图像亮度空间高斯金字塔并结合泊松方程恢复图像亮度;再引入色度空间颜色校正算法,在图像色差和消色差颜色之间进行线性插值,并通过计算处理前后的亮度比值调节颜色校正因子用来增强图像饱和度;最终实现自适应校正图像色度信息的功能。与Larson、Drago、Reinhard和梯度域色调映射的局部色调映射算法作对比,结果表明经改进算法处理后的图像在信息熵、对比度和平均梯度方面均有良好的优化效果,有效减少了亮度压缩引起的色偏问题,增强了图像整体色彩感观度。

针对输电线上穿刺线夹及螺栓易受光照、遮挡、环境背景、拍摄角度等因素影响,提出了一种基于改进Faster R-CNN的检测方法。对获取的数据采用翻转、平移、角度旋转等方式增强数据集;再对比不同数量训练集对模型的影响;由于螺栓体积很小,使用网络深度更深、运算量更小的深度残差网络(ResNet50)代替VGG-16(Visual Geometry Group 16)网络并对图像进行特征提取;分析不同模型和参数对识别精确度的影响。结果表明,改进Faster R-CNN模型的mAP值达到92.4%,与未改进的Faster R-CNN模型相比提高2.8个百分点。利用深度学习目标检测模型能更好地检测不同分辨率和不同位置角度的穿刺线夹及螺栓,该模型具有较高的工程实用价值。

针对智能手机面临的信息安全问题,研究了一种优化卷积深度信念网络的智能手机身份认证方法。先对采集的原始数据进行预处理,再引入稀疏自编码器进行预训练,预训练后的权重作为卷积深度信念网络模型的卷积核,选用逐层贪婪算法用于模型的正式训练;训练后,经均方根连接层对提取的特征进行整合,并利用监督学习算法调节均方根连接层与输出层之间的权重;最后,由Softmax分类器输出分类结果。该方法可直接处理高维手势数据,建立手势模型进行特征提取。仿真结果表明,与隐马尔科夫算法、深度信念网络算法相比,该方法可显著提高身份认证的准确率。

针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。

针对传统裂缝图像分割方法不能准确提取混凝土表面裂缝的难题,提出了一种改进的轻量级全局卷积网络的路面裂缝图像分割模型。根据深度卷积网络原理,使用大卷积核对裂缝图像进行分类和定位,针对裂缝特征构建轻量级的语义分割MobileNetv2-GCN模型。实验对比结果表明,该模型在三个公开裂缝数据集上都表现出优越的性能。采用中轴骨架算法提取语义分割后的裂缝骨架,计算裂缝平均宽度的物理值,其实验结果具有较高的准确性,可为公路健康检测提供可靠的数据支持。

风格迁移技术迅速发展的今天,全局风格迁移技术已基本成型,但它在实际的应用过程中存在不能对图片的目标区域进行局部风格迁移等问题。针对以上问题,本文在卷积神经网络的基础上结合残差网络,提出了一种基于残差式神经网络的局部风格迁移方法。首先,利用掩模技术对内容图进行分割,提取目标区域;其次,卷积神经网络提取图片特征并进行特征融合;然后,使用残差网络加快生成图的形成速度;最后,通过反卷积生成一张只对目标区域完成风格迁移的图片。在Microsoft Coco2014数据集上设计了多个实验,实验结果表明,所提出的基于残差式神经网络的局部风格迁移网络模型具有较好的局部风格转换能力,并且具有较高的执行效率。

为进一步提高红外与可见光融合图像的细节信息,并降低伪影和噪声,提出一种基于ResNet152深度学习模型的红外与可见光图像融合算法。首先,将红外与可见光图像分解成低频部分和高频部分;然后,运用平均权重策略对低频部分进行融合,生成新的低频部分,使用ResNet152网络对高频部分进行特征提取,得到多个特征层,对特征层分别进行L1正则化、卷积运算、双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和高频部分相乘得到新的高频部分;最后,由新的低频部分和高频部分对图像进行重建,获得融合后的红外与可见光图像。实验结果表明,该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,且有效地降低了伪影和噪声,其主观评价和客观评价都优于对比算法。

核相关滤波算法的出现将传统目标跟踪算法推向了一个新的高度,以其高速度、高精度、高鲁棒性的特点迅速获得了广泛认可与关注。针对核相关滤波算法在尺度变化和快速移动方面的不足,基于目标在发生尺度变化时其主要特征的相对位置可以反映其尺度的大小,本文采用分块检测的方式来进行目标的尺度计算;在特征模板更新方面,针对核相关滤波算法处理高速变化目标容易丢失的问题,采用卡尔曼滤波预测的方式提前更新目标模板,以解决模板更新滞后的问题。实验数据表明,本文算法能够稳定地提高跟踪精度。

为进一步提高多聚焦图像的融合质量,提出一种基于监督学习的全卷积神经网络多聚焦图像融合算法。该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系,即选择源图像中不同的聚焦位置合成一张全局清晰图像。该算法构造聚焦图像作为训练数据,网络采用稠密连接和1×1卷积以提高网络的理解能力和效率。实验结果表明,本文算法在主观视觉评估和客观评价两方面均优于其他对比算法,图像的融合质量得到进一步提升。

针对水下涵洞降质图像存在裂缝被非均匀悬浮颗粒遮挡的问题,提出了一种基于增强色调特征的涵洞裂缝缺陷分割算法。该算法增强对色彩高敏感的色调特征,并以此为基础对图像进行粗分割。针对涵洞壁凹陷等干扰图像分割结果的问题,在空域上对粗分割结果进行约束,以连通区域为局部单元,对其进行区域特征约束以滤除干扰,完成分割。实验结果表明,该算法能有效地分割被干扰的裂缝缺陷。

正确将垄行分割为“垄”和“沟”是单目视觉导航农业机械在垄间自主耕种的关键。虽然垄行的颜色、纹理随土壤和开沟方式的不同呈现出多样性,但垄行在图像中的尺度由近及远逐渐变小。基于垄行尺度上的这一特征,提出了垄行多尺度分割算法。该方法利用高斯差分金字塔结构构建垄行多尺度特征集,再根据不同尺度下垄行特征的分布情况,对多尺度特征集中的图像进行中心化、灰度值饱和化处理;最后,将每一张特征图像分段并分别进行加权求和运算得到垄沟特征图像从而将图像分割为“垄区”和“沟区”。利用40个垄行样本对本文算法进行分割实验,结果表明,所提算法能有效分割出不同尺度中的垄行,而且能有效抑制土壤的局部特征所产生的噪声。

压缩感知是近年来提出的一种新的信号压缩采样理论,采样端通过投影获取压缩数据,需要较多计算资源并且成本较高,仍未能实现广泛应用。不同于标准的压缩感知,本文提出一种基于边缘信息辅助的图像压缩采样方法,即随机采集图像的部分像素作为测量,其中图像边缘附近像素以较高的概率采样,最后使用非线性优化方法恢复图像。所提采样策略通过两次采样分别获取随机测量值及自适应测量值,并给出采样策略的物理描述,以及仿真实验实现,同时讨论了边缘信息在采样矩阵中的最优比率。实验结果表明,所提算法能快速有效地恢复高质量图像。

为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。

肺炎检测在医学图像处理中具有重要的研究意义,针对当前经典检测算法对肺炎病灶检测精度较低的问题,本文提出一种基于多尺度卷积神经网络的X光图像中肺炎病灶检测算法。在基础特征提取网络中加入特征通道注意力模块,突出特征图中含有大量肺炎病灶信息的特征通道,抑制不含病灶信息或者含有大量无用信息的特征通道,形成高质量特征图;然后通过统计分析,使用聚类算法设计了一系列不同宽高比以及缩放尺度的候选框以适用于肺炎病灶检测。同时,在含有肺炎病灶的胸部X光图像数据集上进行了单模型和多模型检测实验,其中单模型下检测精度为82.52%,多模型融合下检测精度为89.08%。通过对比实验与结果分析,验证了本文算法在检测精度方面优于当前其他检测算法,适用于X光图像中肺炎病灶检测。

在室内麦克风阵列声源定位算法的研究中,混响和噪声对定位精度影响很大,传统的声源定位算法无法在高混响和低信噪比的环境中保持较高的定位精度。为了解决这一问题,提出一种基于卷积神经网络的室内声源定位算法,该算法提取麦克风阵列接收信号的相位加权广义互相关函数作为训练特征,获取目标声源三维位置信息。基于NOIZEUS数据库的实验结果表明,该方法能够通过训练适应不同的声学环境,与其他基于学习的室内声源定位算法相比,其在高混响与低信噪比环境下仍具有较好的定位性能与鲁棒性,具有较大的研究和应用价值。

提出一种基于SKL (Symmetric Kullback-Leibler)散度的点集配准算法,将点集中的每一个点表示成一个高斯分布,高斯分布包含点的位置信息和周围点的影响大小信息。将整个点集建模为一个高斯混合模型(GMM),因此两点集的配准问题转化为求两GMM间SKL散度的最小值问题。采用遗传算法进行优化求解。实验结果表明,所提算法对噪声、出格点和缺失点具有较强的鲁棒性,且取得较高的配准精度。

视网膜血管分割是构建眼底图像分析和计算机辅助疾病诊断系统的关键环节。提出了一种基于Hessian的方向自适应Gabor小波的视网膜血管分割方法,根据Hessian矩阵的本征向量获得血管走向,并将其作为Gabor小波变换的方向角;提取出4个尺度的方向自适应Gabor小波特征,结合Hessian矩阵的大本征值构建5维的视网膜血管特征;采用支持向量机进行眼底图像像素分类实现血管分割。所提方法能准确感知血管方向,只需计算此方向下Gabor小波的滤波响应,减小了特征提取的计算量,实现了Hessian矩阵大本征值与Gabor小波特征较好的互补性。利用所提方法在DRIVE数据库进行实验,获得较好的分割性能,所提方法对细小血管的提取和对分叉、交叉处血管点的检测表现出良好的效果。

提出一种激光雷达SLAM(simultaneous localization and mapping)位姿优化算法。该算法基于图优化算法理论并融合GNSS (global navigation satellite system)数据,在位姿图中加入卫星定位节点,可以有效将无回环时轨迹误差控制在GNSS定位误差范围内,有长时性回环时可以准确定位回环检测点,从而达到提高激光雷达SLAM位姿全局一致性的效果。在室外刚性特性较好的城市环境和刚性特性较差的非城市环境下进行测试,从结果可以看出:所提算法将在无回环300 m距离直线建图情况以及在360 m以上距离一次、二次回环情况下的轨迹偏差分别控制在1 m左右、0.2 m以内以及0.1 m左右,这充分证明了所提算法的有效性。

提出一种重加权总变分与hyper-Laplacian相结合的图像盲复原算法。首先,通过重加权总变分先验重建模糊图像权重的双峰分布;然后,利用重建后的图像估计连续且稀疏分布的点扩展函数,并用其复原模糊图像,对以上两步反复迭代,使点扩展函数不断接近真实的解;最后,结合hyper-Laplacian函数曲线能很好地拟合自然图像梯度分布的先验对模糊图像进行非盲复原。实验结果表明,与两种具有代表性的盲复原算法相比,该算法能更准确地预测出模糊核,并有效抑制图像的振铃效应,且在主观视觉与客观评价指标上都得到明显的提升。

分析间隙及偏心影响下的子孔径远场光斑形态变化,并探索采用理想圆孔径模板库匹配含间隙及偏心孔径的远场图样进行共相的可行性及适用范围。数值仿真了不同间隙及不同掩模偏心下的远场光斑形态,得到了二者对远场形态的影响趋势;数值模拟了采用理想模板窄带共相的过程,分析了不同间隙及不同掩模偏心下,不同平移误差的共相精度。研究表明,间隙越大,远场扩展范围越宽;偏心越大,远场受平移误差调制的效应越不明显;当间隙比例因子或偏心比例因子不超过0.3时,可直接采用理想模板共相。该研究拓展了窄带共相算法的应用,为深入研究窄带共相算法提供了相应基础。

利用点特征求解单目相对位姿是现在普遍采用的方法,但在纹理不明显、角点少的场景下,仅依靠点特征难以得到理想的结果。鉴于此,结合惯性测量单元的测量数据和平面场景存在的单应性约束,提出了基于点线特征结合的单目相对位姿估计算法。先利用惯性测量单元提供的旋转角信息将2帧连续图像校正为正下视图像;再对图像中的点线特征进行检测和匹配;最后根据点线特征的单应性约束求解正下视图像之间的相对位姿,进而转化获得原始图像之间的相对位姿。仿真实验和实物实验结果证明,所提算法能够有效地求解单目相对位姿。

基于深度学习的波前复原方法是利用训练好的卷积神经网络(CNN)模型并直接根据输入的光强图像得到波前像差的Zernike系数,不需要进行迭代计算,方法简单易于实现,便于快速获取相位。CNN的训练是通过对大量畸变远场光强图像和其对应的Zernike波前系数数据进行训练,自动提取光强图像特征,学习光强和Zernike系数的关系。本研究基于35阶Zernike大气湍流像差,建立了基于CNN的波前复原模型,通过分析该方法对静态波前畸变的复原能力,验证了基于CNN的波前复原方法的可行性及复原能力。

为了解决单一特征反映不同修复方法效果差异的局限性,结合唐卡图像结构特征和色彩特征,提出一种基于多特征的无参考彩色唐卡修复图像质量评价方法。首先,该算法利用唐卡图像纹理丰富的特性,选取高斯差分算子提取图像线描图,并结合唐卡对称特性获取图像结构特征;然后依据简单线性迭代聚类分割后不同超像素区域间的色彩熵变化差异,提取唐卡图像色彩特征;最后考虑到多尺度特征更加符合人眼视觉特性,将拉普拉斯金字塔分解后的多元特征输入自适应增强神经网络进行训练,预测得出修复图像质量客观评价分数。实验结果表明,该方法利用唐卡图像丰富的结构和色彩特征,较好地获得与主观评价一致的分数,其斯皮尔曼相关系数与皮尔逊相关系数均达到0.94以上。

提出一种基于LED角度照明优化模式的傅里叶叠层显微成像方法。首先,根据LED、孔径和样品之间的关系,获取傅里叶平面可扩展的理论频谱范围;其次,使用图像质量评价指标衡量不同照明方式下的重建图像质量差异,构造任意单个LED对整体重建结果影响的差异函数;然后,通过对差异表达式的分析与仿真,制定了最佳的角度照明策略,设计出一种基于菱形采样方法来加速傅里叶叠层显微成像的实现过程;最后,采用主观和客观的评价指标对仿真和实验的有效性进行评估。结果表明,本文方法在保持重建质量的前提下有效提高了成像效率,其效率可提高到传统方法的3.85倍。

图像式无砟轨道路基沉降监测系统中,列车运营过程中受振动等因素影响,靶面和相机的相对偏转会影响光斑中心定位结果的精度。因此,设计了一种监测靶面位姿测量系统,通过靶面位姿解算得到偏转角,实现对光斑中心定位结果的修正。首先,将单目视觉和监测靶面相结合,根据靶面二维特征点之间已知的几何约束关系建立摄像机的透视投影模型;然后,基于P5P问题,使用HOMO算法对靶面位姿进行线性求解,在此基础上通过非线性Levenberg-Marqurdt算法得到位姿优化解。系统可以进行实时的特征点图像处理和位姿解算。搭建了无砟轨道表面沉降监测中靶面位姿测量系统的实验平台,以高精度的三维精密旋转台为基准,将靶面竖直安装在三维精密仪上,通过控制三维精密仪的旋转角度获取靶面位姿测量的数据。实验结果表明:当分别绕X、Y和Z轴转动角度在[-5°,5°]时,位姿测量系统三个方向的均方根误差分别是0.048°,0.052°,0.056°,整个测量过程时间为0.9 s,测量系统的时间和精度均满足图像式无砟轨道路基表面沉降监测系统的测量要求。

为了解不同点云配准方法的配准效率和配准精度,使用不同的点云配准方法(三维形状上文、点特征直方图、快速点特征直方图、四点一致集、迭代最近点、正态分布变换)对三维点云数据进行了粗配准实验。在实验过程中记录了点云配准的时间和点云配准在x、y、z轴上的旋转角度误差和平移距离误差,通过分析实验记录的数据来比较不同点云配准方法在粗配准实验中的配准效率和配准精度。实验结果表明,三维形状上文、点特征直方图、快速点特征直方图在粗配准实验中表现良好;四点一致集配准效果较好,但耗时较长;迭代最近点不适用于粗配准;正态分布变换在粗配准实验中表现一般。该实验结论能够为不同情况下点云配准方法的选择提供有效的借鉴。

针对现有的行人重识别方法提取行人特征过程中存在因信息缺失导致鲁棒性和判别力较差的问题,提出了一种基于残差神经网络提取行人图像多层级特征的方法。该方法在训练阶段使用残差网络分别在4个卷积残差模块之后提取阶段特征,以此来弥补信息丢失,使用三元组损失函数对每个特征向量进行监督训练。在相似性度量阶段,针对4个特征向量分别计算特征相似度,使用映射函数进行求和,并对求和结果进行相似度匹配。将该方法在Market-1501和DukeMTMC-ReID数据集上进行仿真,首中准确率(Rank-1)分别达到了91.7%和84.9%,平均准确率(mAP)分别达到了86.8%和80.7%。结果表明所提方法提取的多层级特征具有较好的鲁棒性和判别力,提高了行人重识别的准确度。

针对ELAS(Efficient Large-Scale Stereo Matching)算法视差图条纹明显且具有空洞区域的问题,提出一种匹配窗口特性与微分特性相结合的局部立体匹配算法,增强描述子对点特征信息的描述能力,为待匹配点提供更有区分度的相似性度量。先根据彩色图像的经典自适应算法,从空间上提出适应于灰度图像的窗口描述子,依据图像信号的特点,从像素层面上选择平滑性更小的微分算子。再将匹配窗口与微分算子相结合,获得比只使用两者之一更强的特性信息描述能力。最后进行标准数据集的客观检验与自采集图像的主观评价,结果表明该算法具有较强的鲁棒性和更高的匹配精度,明显改善了原匹配策略视差图中出现条纹及空洞的现象。

针对传统长度测量方法无法检测节距的问题,提出一种基于机器视觉的光缆节距检测方法。该方法通过激光测速仪检测生产线速度,产生相应脉冲触发工业相机采集信息,低角度与背光照明相结合搭建检测系统。利用预处理操作解决灰度重叠几何性质不稳定等问题。为了提高定位精度,提出自动构造模板法有效快速自动构造匹配模板,并运用模板分区精确定位法解决直接匹配误判问题,进而匹配识别换向点并检测节距长度。通过理论分析和实验验证,该方法测出节距结果与标准节距结果误差为0.02~0.10 mm,满足工程需要,且系统运行稳定可靠,为检测光缆节距提供了一种新途径。

为进一步抑制遥感图像的非均匀噪声,首先分析了空间遥感高光谱图像条带噪声产生的原因及噪声模型,进而提出一种基于窗口阈值判决的改进矩匹配算法。选取相对平坦,且条带噪声与背景对比较明显的区域进行阈值估算,并选取参考均值、标准差和条带阈值判决对条带噪声进行矩匹配处理。实验结果表明,所提算法的峰值信噪比相对传统方法至少提高了6.2163 dB,均方误差最小降低了5.9630,结构相似度至少提高了0.254。与传统方法相比,采用所提方法处理后的图像变异逆系数有所提高,图像横向梯度与标准差有所降低,该方法还去除了图像中的条带噪声,保留了原始图像的细节信息。

在分析不同能谱对应的公共能量段下多能投影之间关系的基础上,研究了基于减影融合的多谱CT成像算法。该方法在分析不同射线源参数下射线能谱之间关联性的基础上,建立了递变能量多能投影序列减影融合模型,并通过递变能量获取工件的多个多能投影序列,结合减影融合模型,对所得投影图像进行减影融合,去除公共能量段投影信息,获取近似窄能谱的投影信息。最后采用统计迭代算法进行图像重建,减小噪声干扰,提高重建质量。实验结果表明,所提方法能通过多谱投影减影融合得到近似窄谱投影,有效抑制射束硬化伪影。