叠层扫描成像和傅里叶叠层扫描成像可增大视场和提高分辨率。基于多距离/多高度轴向扫描和薄柱透镜旋转扫描的计算成像技术采用相位恢复算法,可以高精度重建目标的复数光场。这些成像技术在扩大视场和提高分辨率方面具有显著优势。介绍了含变参数的光学相干衍射系统在计算成像方面的研究进展。作为间接成像形式,多参数成像技术是一类将衍射成像与算法相结合的计算成像技术,实现了复值光场的精确多维表征。

海天线是海空背景图像所具有的重要特征之一,海天线的检测对天空区域和海面区域的划分以及目标检测具有重要作用。然而,复杂海空背景环境中的海杂波、云层、强反射、复杂气象条件等都会给海天线检测造成困难。针对复杂背景下海天线检测的环境适应性问题,对视觉传感器获取的原始图像及图像中海天线的特点、干扰因素及其抑制方法、现有的海天线生成方法三个方面进行了详细的阐述和分析,通过对比实验列出各种海天线生成方法的优缺点和适用场景,对比分析了自行提出的形态学方法的实验结果及适用场景。最后提出海天线检测面临的挑战,展望其下一步的研究方向。

行人再识别的主要任务是利用计算机视觉对特定行人进行跨视域匹配和检索。相比于传统算法,由数据驱动的深度学习方法所提取的特征更能表征行人之间的区分性。对行人再识别的背景及研究历史、主要面临的挑战、主要方法、数据集及评价指标进行了梳理和总结。主要从特征表达、局部特征、生成对抗网络三个方面对行人再识别的算法进行分析,列举了行人再识别9个常用数据集、3个评价标准和14种典型方法在Market1501数据集上取得的准确率,最后对行人再识别的未来研究方向进行展望。

为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。

针对监控视频中车牌图像超分辨率重建数据处理量较大、性能差的问题,提出了一种基于逐级反投影网络的车牌图像超分辨率重建算法。首先,为了减少超分辨率网络数据处理量,先检测并提取出低分辨率车牌区域。然后,分解深度反投影网络(DBPN)中较大的采样倍数,以逐级采样的方式完成迭代反投影。在逐级反投影单元中,跳线连接融合逐级采样产生的中间尺度特征,以提高特征利用率;用1×1卷积层降低融合后中间尺度的特征维度,同时保留关键信息。最后,根据逐级上投影单元产生的特征图重建高分辨率车牌图像。实验结果表明,相比DBPN,本算法不仅降低了超分辨率网络的数据处理量和参数量,且重建的车牌图像质量在主观感受和客观评价指标方面都得到了很大的提升。

当有雾图像中存在大面积明亮区域及景深突变时,使用传统去雾方法处理后的结果容易出现颜色偏移和光晕效应。针对该类问题,提出了一种基于透射率自适应约束修正的图像去雾算法。该算法在大气光值估计阶段使用自动与手动估计相结合的方式,方便使用者对去雾结果进一步根据需求自行调整。关于透射率的估计,首先通过辐射体边界约束求取透射率估计下限以替代传统算法中预先设定的固定数值。然后通过设置阈值判断像素是否在同一景深范围内,并根据强度差值比情况自适应做出相应的修正,以优化透射率估计。结果表明,本文算法能对有雾图像实现较好的图像去雾效果,在恢复清晰图像、增强图像视觉效果和可用性的同时,有效避免图像中明亮区域出现颜色偏移伪影及景深突变处出现光晕效应的问题。

在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。

深度学习在人脸识别的研究和应用中取得一定成效,但因计算量大且耗时,不适用于小型嵌入式设备。基于融合梯度特征的轻量级卷积神经网络SqueezeNet提取人脸特征,既能保证该网络模型适用于内存相对小的嵌入式设备,又能保证获得的人脸特征对不同光照更具鲁棒性。实验结果表明,将8×8分块图像中提取的一阶梯度特征,与轻量级卷积神经网络提取的全局特征相融合的人脸识别算法,在LFW数据集中识别率可达97.28%,较传统轻量级卷积神经网络的人脸识别方法,识别率提高了4.36%。

针对传统ViBe算法在运动目标检测中鬼影现象难以消除的问题,提出一种根据欧氏距离及Tanimoto系数计算前景-邻域背景像素灰度直方图相似度的方法来检测及消除鬼影;针对传统ViBe算法在运动目标检测中无法消除阴影的问题,提出了一种结合YCbCr颜色空间和混合高斯阴影模型的方法来检测及消除阴影。仿真实验结果表明,本文算法在保留原有ViBe算法高效性的同时,能够有效地消除鬼影及阴影问题。

为减小并行相移数字全息重建过程中的插值误差、提高再现图像的质量,提出了一种基于全息图像条纹特性和像素分布的并行相移数字全息条纹分析插值算法。该算法首先根据相移特性从并行相移数字全息图中提取各同相全息图像,将各图像分为3×3的方块区域;按照全息条纹特性对分割的方块区域进行多方向插值,根据多方向插值后的图像频域特性进行选择性合并,生成新的全息再现物场。实验结果表明:与传统并行相移全息插值算法相比,所提算法可将再现图像的峰值信噪比提高45%以上;与其他改进算法相比,所提算法的计算时间缩短为原来的一半左右。所提算法能更好地重建并行相移数字全息图像,减小插值误差,保留细节信息,提高再现图像质量,可用于很多领域的动态三维物场信息的获取,如生物细胞观测、移动物体体检、微观粒子成像和跟踪等领域。

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和细节层,其中细节层分为小尺度纹理层和中尺度边缘层。然后,使用提出的改进视觉显著映射方法对基本层进行融合,对低光照图像基本层进行增强处理,使融合图像具有良好的对比度和总体外观。对于细节层,提出了对小尺度纹理层和中尺度边缘层分别进行最值化以及软最大化融合规则的残差网络深度学习融合模型。实验在TNO数据集上将所提算法与最新的6种方法针对离散余弦特征互信息、小波特征互信息、结构相似度和伪影噪声率这4个客观指标进行比较,所提算法在前3个客观指标上有所提升,在伪影噪声率上获得进一步的下降。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,具有良好的对比度,且有效地减小了伪影和噪声。

非刚性图像配准技术在计算机领域中是一个重要的研究方向,也广泛应用在医学、天文和**等领域。非刚性图像配准过程中,往往无法同时解决局部大形变和小形变的问题。针对此问题,结合归一化互信息图像配准的理论,提出基于互信息的Active Demons非刚性图像配准算法。该算法通过引入互信息来提高Active Demons算法的驱动力,同时采用待配准图像和原图像的互信息自适应地调节归一化因子α,再对医学图像、自然图像和合成图像进行测试仿真实验。实验结果表明:所提算法在配准精度和鲁棒性上优于原来的Active Demons算法,可以较好地处理大形变图像并保留其边缘特征,得到更好的配准精度和视觉效果。

针对退化的水下图像存在色彩失真,对比度低和视觉模糊的问题,提出一种基于高低频分量融合的水下图像增强算法。首先利用多尺度Retinex算法估计高频分量,并对其进行对比度受限的自适应直方图拉伸,在增强全局对比度的同时突显细节信息;为了防止在图像拉伸的过程中产生噪声以影响图像质量,对拉伸后的高频分量使用引导滤波进行去噪声处理;然后将原图与高频分量相除以获取低频分量,同时使用多尺度细节提取法获取细节信息;最后将去除噪声的对比度增强图像和高低频细节图像进行线性加权融合并进行颜色校正,获得最终的水下清晰图像。实验结果表明,所提算法能够有效地增强图像对比度和细节,明显改善图像的视觉效果。

针对深度相机受环境光干扰大而导致立木深度图获取困难的问题,提出一种基于小运动短视频图像的立木深度图生成算法。该算法对分割后获取的亚像素角点进行跟踪和匹配,利用光束法平差估计相机参数;利用平面扫描法对图像序列进行密集立体匹配、去噪得到立木深度图。使用智能手机采集1~2 s小运动的立木短视频图像验证所提算法的有效性,生成的立木深度图在主观效果上有显著提升。在深度图像数据库NYU depth v2上进行验证,均方根误差为60.58,相对误差为0.34。实验结果表明:自然环境下利用该算法可有效生成精细的立木深度图,不需要深度相机、相机标定以及大量RGB(Red,Green,Blue)图像、深度图的训练,能有效节省数据采集和存储的开销,研究结果可为立木的可视化重建、立木因子的测量等提供参考。

壁画图像具有结构细节丰富,纹理复杂、色彩多变的特点,而基于卷积神经网络的图像超分辨率算法重建的壁画图像存在纹理模糊和边缘锯齿效应的问题。因此,提出了一种基于多尺度残差注意力网络的壁画图像超分辨率重建算法。首先,通过多尺度映射单元,用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征图输入残差通道注意力块,使网络从全局信息出发对各个特征图进行权值优化,增强网络模型的深度映射能力;最后,在网络末端引入亚像素卷积层,重新排列像素,得到重建的高分辨率壁画图像。实验结果表明,本算法可以减小重建误差,增强重建壁画图像的边缘及结构信息,使重建的壁画图像纹理细节更丰富。

在含有动态干扰因素的复杂背景下提取前景目标时,现有的视觉背景前景目标提取算法容易出现鬼影、误检等问题,因此提出了一种改进的基于视觉背景的前景目标提取算法。首先,根据像素点的时间序列以及位置特征,计算像素点的匹配概率、匹配程度以及亮度信息。其次,实时更新与当前复杂背景吻合的背景模型,同时对背景模型进行初始化。最后,对CDnet 2014数据集中各类复杂背景下的视频进行测试,并与经典的高斯混合模型、视觉背景提取(ViBe)算法、改进的ViBe算法进行对比。实验结果表明,本算法在各类复杂背景下能高效去除鬼影的影响,且提取结果精度较高,极大降低了提取结果的错分率和漏检率,提高了复杂背景下算法的高效性与鲁棒性。

分焦平面(DoFP)偏振相机的相邻像元具有不同的偏振方向,会导致成像分辨率的损失。双线性插值和滑窗算法能够提高成像分辨率,因此,对双线性插值算法和滑窗算法的数学关系进行了分析,计算了两种算法处理边缘后的线性偏振度(DoLP)。分析表明,双线性插值算法得到的斯托克斯矢量是滑窗算法在四个方向上处理结果的平均值,在边缘区域,滑窗算法处理后的DoLP大于双线性插值算法。将两种算法分别应用于原始DoFP图像,并通过视觉、DoLP图像的统计直方图和均值进行评价。实验结果表明,与双线性插值算法相比,滑窗算法在边缘处产生较强的伪DoLP信息,更能凸显图像的边缘。

针对现有方法在肺结节检测中准确率低及存在过拟合现象的问题,提出一种基于改进YOLACT模型的肺结节检测方法。在模型的主体结构上,采用DetNet替代原始的残差网络,解决了原始模型在小型结节检测上的局限性。在模型训练上,针对原模型在少量肺结节数据上学习困难而引起的过拟合问题,引入迁移学习机制,帮助新模型得到更好的检测结果。使用RReLU激活函数代替原有的ReLU激活函数,减少了原模型可能存在的过拟合现象。在LUNA16数据集上的实验结果表明,所提方法在受试者工作曲线下面积、假阳率、漏诊率及准确率上均取得了一定的提升。

针对传统关键点检测算法对噪声敏感及依赖于物体模型的形状特征等问题,提出一种基于正态加权的多尺度关键点提取算法。首先,在每个尺度上建立局部邻域的协方差矩阵,计算局部坐标系落在前两个坐标轴的比率大小,根据比率大小来确定候选关键点。然后计算基于正态加权的形状索引值,以此来度量点云的局部最大相异性度量值。最后,在不同尺度下,将具有局部最大相异性度量值的极大值点作为最终关键点。实验结果表明,相比较其他的传统算法,所提算法能有效地提取各种点云模型的关键点,能够同时兼顾关键点的质量、数量及运行效率,且对具有尖锐特征和大面积平滑特征的模型具有较强的适应性,算法的鲁棒性及形状索引功能得到进一步增强。

针对废旧有色金属碎料来源复杂、分选难度大、识别准确率低等问题,提出一种基于机器视觉的有色金属碎料分选方法。通过颜色矩与Tamura纹理特征,建立基于主成分分析(PCA)的支持向量机(SVM)优化分选算法,从机器视觉角度上提出了新的高精度自动化分选思路。结果表明,基于颜色、纹理特征的SVM算法能够有效地对金属碎料进行快速识别和分类,准确率达93.89%,并且提高了识别速度,满足对废金属进行大规模高效分选的要求。

针对含弓网燃弧可见光图像中存在泊松噪声干扰以及光照不均匀的问题,提出了一种包含降噪、区域分割的图像处理算法。首先通过二维Gabor小波变换算法滤除弓网燃弧图像中的泊松噪声,然后根据改进的均匀性度量法判断光照是否均匀。对于光照不均匀的图像,先使用二维伽马函数对光照分量进行修正,再使用均匀性度量算法进行分割。仿真结果表明,该算法能有效抑制泊松噪声,准确分割出目标区域,分割精度达到95%,为后续弓网燃弧强度的定量分析提供了思路。

针对雾天图像存在信息丢失、区域不清晰以及雾气遮挡等问题,提出了一种基于双边滤波的高斯金字塔变换Retinex图像增强算法,以提高雾天图像的对比度。首先,基于空间域核函数和像素差,建立了改进的双边滤波函数数学模型。然后,将输入图像转换为HSI(Hue,Saturation,Intensity)图像,用改进的双边滤波函数代替原算法中的高斯函数,从亮度图像(I色彩空间)中提取反射分量,以获得保持边缘且不受亮度影响的反射图像。最后,通过高斯金字塔降采样,获取不同尺度的彩色图像,用改进的Retinex算法对多种尺度的图像进行增强,并基于高斯-拉普拉斯算法进行降采样重构,以提高图像的对比度。实验结果表明,本算法能有效增强图像的对比度,且处理后的图像色彩符合人眼观测效果。

针对经典双边滤波算法对深度图像修复效果较差,且无法准确调整核函数参数等问题,提出了基于形态学和改进双边滤波的深度图像修复算法。首先,利用形态学算法对输入的深度图像进行空洞优化,以达到填充部分细小空洞和滤除随机噪声的目的;然后,运用改进的双边滤波算法,引入概率分布函数和最大似然函数计算每个空洞邻域内的核函数参数值,以自适应调整核函数参数,实现大面积空洞的修复;最后,采用中值滤波算法对图像进行平滑处理,滤除深度图像的“毛刺”,保留图像的边缘细节并保持清晰度。实验结果表明,所提算法能有效地填充深度图像中的空洞,并且不丢失原始深度图信息,达到了保边去噪的目的,具有较强的鲁棒性。

针对Retinex算法在去雾时会出现光照不均匀、彩色失真等情况,提出了一种基于低照度的有雾彩色图像增强算法。该算法首先将红-绿-蓝(RGB)图像转换到色调-饱和度-亮度(HSV)空间区域,对亮度(V)分量进行提取,将单尺度Retinex算法作用于V分量后对V分量进行伽马校正;将MSRCR 算法中的高斯滤波器改为引导滤波并进行低通滤波;最后将改进的SSR算法、MSRCR算法、基于拉普拉斯金字塔的Retinex算法得到的图像进行加权融合。该算法能够得到很好的去雾效果,有效地抑制光晕并改善色彩失真等问题。经所提算法处理后,图片的相似性、信息熵等指标均得到了提升。

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

针对暗通道先验去雾算法中透射率估值不准确以及天空区域或大面积白色区域去雾后存在颜色失真等问题,提出了一种基于超像素分割和暗亮通道结合的单幅图像去雾方法。首先采用超像素方法对有雾图像进行分割,将得到的超像素块代替暗通道固定方形滤波窗口;其次,采用暗通道与亮通道先验理论结合的方法获取透射率,使透射率估值更准确;然后,在天空区域通过阈值分割结合亮通道先验理论确定大气光值,并利用融合梯度信息的引导滤波方法优化透射率;最后根据大气散射模型恢复无雾图像。实验结果表明,所提方法得到的透射率和大气光值的估值准确,取得了良好的去雾效果,在主观评价和客观评价方面均优于其他对比算法。

提出了一种基于卷积神经网络和XGBoost的摔倒检测算法。采用基于squeeze-and-excitation模块的YOLO-v3算法对图片进行人体区域检测,在此基础上使用人体姿态估计网络获取人体关节点并提取出特征向量,再将其输入XGBoost进行训练,进而判断人体是否摔倒。实验结果表明,所提出的摔倒检测算法准确率较高,达到98.3%。

准确并高效地识别青铜铭文在考古学、历史学、文字学等领域具有重要的意义。构建了公开的青铜铭文数据集,为后续研究提供了数据参考。同时在基于L1范数的卷积核剪枝基础上,提出了一种自动化模型剪枝策略,无需人为设置剪枝比例即可自动完成剪枝操作。实验结果表明,以LeNet网络为基础模型,剪枝后的参数量和FLOPS仅为原模型的30%和69%,准确率达到97.62%,所提方法适用于青铜铭文数据集。

由于水体及水中的悬浮粒子对光的吸收和散射作用,水下观测到的图像呈现出模糊、对比度低、噪声严重等问题,加大了水下图像分析与理解的难度。为了克服这些缺陷,以水下光学成像模型为基础,提出了一种基于拉普拉斯算子先验项的,可同时去雾、去噪的快速变分复原方法。首先,根据水下光学成像模型设计变分模型的数据项和规则项,对拟恢复图像采用拉普拉斯算子先验项作为变分能量方程的规则项。然后,采用改进后的红通道先验估计得到全局背景光,结合红通道先验估计得到每个通道的透射率图。为进一步提高计算效率,引入交替方向乘子法(ADMM)对所提出的模型进行交替优化迭代求解。实验结果表明,该算法能有效地去除水雾,抑制水下图像的噪声,提高图像的对比度和清晰度。

健康医疗领域中往往需要曲面光源照射曲面被测物,如何设计发光二极管(LED)阵列,使其产生均匀的照度分布具有一定的研究意义。为此,将柱面LED曲面面阵分成两部分,直线LED阵列和环形LED阵列。对曲面LED阵列光源和柱状曲面目标接收面的光场分布构建了反映照度分布的目标函数,确定了环形LED阵列的照度均匀性由LED灯珠的光辐射参数、灯珠阵列曲面半径、接收曲面半径和相邻两灯珠之间的夹角决定。采用TracePro光线追迹法分别计算了两种阵列的照度分布情况,通过优化LED曲面面阵排布,在柱面目标面上产生了均匀的照度分布。

空间相机作为空间态势感知的主要器件,需实时监测其成像质量,但旋转卫星平台观测地面靶标以测量调制传递函数(MTF)会增加技术风险且无法进行多次测量,因此需要研究无需进行平台翻转以实时测量空间相机在轨MTF的方法。利用深空背景中常见的星点作为在轨MTF测量的目标,结合点源法研究其在轨MTF测量的方法,利用高斯拟合定位和多图配准重构点扩展函数,提出最终基于星点的MTF检测方法。仿真和实验结果表明:所提方法的抗噪性好,当随机噪声标准差为40时,MTF的均方误差为10 -4量级,且对小星点目标的检测效果好,当MTF的均方误差小于0.2 pixel时,能够检测的最小弥散圆半径为0.9 pixel。

常规X射线荧光计算机断层扫描(XFCT)成像中,探测角度与荧光收集效率密切相关。基于MCNP5设计了多探测角度下笔束XFCT成像系统,对质量浓度为1%的金纳米溶液柱形模体进行成像仿真,并采用滤波反投影(FBP)算法、联合代数重建(SART)算法和最大似然模型期望最大化(ML-EM)算法重建元素分布。通过对比度噪声比定量分析不同角度下不同算法重建图像的效果,研究探测角度对成像质量的影响。结果表明,FBP算法在背向散射角度下有较好的成像质量,SART算法和ML-EM算法在垂直角度和背向散射角度均有较好的成像质量。

大部分基于卷积神经网络的双目立体匹配算法往往将双目图像对的像素级别特征作为匹配代价进行计算,缺乏将全局特征信息结合到立体匹配算法的能力,导致不适定区域(如弱纹理区域、反光表面、细长结构、视差不连续区域等)的匹配精度差,进而影响整体立体匹配精度。针对这个问题,提出一种基于多维特征融合(MDFF)的立体匹配算法,该算法主要由三个模块组成:残差开端(Inception-ResNet)模块、空间金字塔池化(SPP)模块和堆叠沙漏网络(SHN)模块。Inception-ResNet模块主要提取图像对局部特征信息;SPP模块主要提取图像对全局特征信息,构建匹配代价卷;SHN模块用来规则化匹配代价卷。在KITTI2012和KITTI2015数据集上进行验证,可得本文算法的三像素平均误匹配率为1.62%和1.78%,超过了国内外大部分先进算法;此外,本文提出的立体匹配算法在Apollo数据集和Middlebury数据集上也表现较好。

为解决在复杂变光照环境下车道标识线的辨识问题,实现全天候环境的车道偏离预警,提出了一种新的车道标识线辨识算法。将基于OTSU算法的自适应图像分割技术用于在不同光照环境下车道标识线的划分,对图像的全局阈值和局部阈值进行加权处理得到自适应阈值,采用45°与135°梯度方向的Sobel算子提取车道边缘信息,通过改进Hough变换方法完成车道标识线的辨识过程。对不同光照环境下的道路图像进行对比实验,结果表明本文方法比传统Hough变换法的识别准确率平均提升了5.7%,检测单帧图像的平均耗时为57.79 ms。所提算法的抵抗干扰性能良好,能够适应各种光照环境,并且能够满足系统实时性的要求。

针对遥感影像中单独利用点特征或线特征容易出现匹配精度低和匹配失败的问题,提出一种融合点线互补特征的遥感影像全自动配准算法。首先利用改进的尺度不变特征变换(SIFT)算法获得初始匹配点,并采用归一化互相关(NCC)测度和随机采样一致性算法剔除可能的误匹配情况,以获得正确率较高的同名点。然后采用改进的线段检测算子(LSD)提取线段特征,通过已知单应性几何变换约束和斜率约束确定候选匹配线段并构建特征描述符,继而获得同名线段。最后提取同名线段的交点并集成第一步的同名点集,计算影像间的投影变换参数以实现影像的配准。实验结果表明:所提算法在匹配精度以及匹配的正确率等方面具有显著优势。

航空发动机叶片长期工作在高温高压的涵道中,容易发生断裂、划道、形变等损伤。损伤叶片增材修复的关键是对其进行三维数字建模,模型的精度直接影响到熔覆制造的质量。基于航空发动机叶片的空间扭转特征,提出了一种非接触式的激光交叠式三维重建方法。利用扫描策略中线激光测头与叶片相对位置的特征矩阵初始化点云配准参数,通过分配权值缩小源点云规模,对迭代最近点算法进行优化。最后对点云数据进行精简、网格化,建立了损伤叶片的三维模型。在配准过程中,分析了点云块的交叠率对模型精度的影响。实验结果表明,当交叠率为50%时,采集时间短、信息完整度高,通过标准量块阶梯验证了模型的测量精度为10 μm,满足损伤叶片重建模型的精度要求。

为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8 frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

土地利用变化检测在土地资源管理、国土资源监测中发挥着重要的基础作用。针对2013年到2017年江西省南昌市GF-1号多光谱遥感影像,利用基于支持向量机的图像分类方法对遥感影像进行分类,生成了该地区在这5年的土地利用变化图,并分析其土地利用变化特征。结果表明,研究区的土地类型主要以林地、草地、水体及建筑用地为主,在这5年,植被面积变化最大,减少了54.74 km 2,其次是水体面积,增加了22.12 km 2,建筑用地的面积增加了19.45 km 2,裸地的面积增加了5.17 km 2。