计算成像技术(CIT)是一类有别于传统光学成像“所见即所得”的信息获取和处理方式的新体制成像方式。随着新型光电器件的发展和硬件计算能力的提升,计算成像技术在光电成像领域呈现出蓬勃发展的趋势。计算成像技术通过对光场信息进行采集和计算,达到传统成像无法企及的信息利用率和解译度,满足“更高(分辨率)、更远(探测距离)、更大(光学视场)”的光电成像需求。从成像全链路的信息获取与丢失过程出发,通过透过散射介质成像、偏振成像及仿生成像等几种典型的计算成像方式对光场多物理量信息获取和解译进行分析,详细介绍了计算成像技术的方法原理及实现途径。根据成像技术的发展趋势,前瞻性地提出了计算光学系统设计和超大口径望远镜的设计思想。计算成像技术在提高成像分辨率、扩大探测距离、增大成像视场及减小光学系统体积和功耗等方面具有明显的优势,有望穿透云雾、活体生物组织等实现更远距离、更大深度的成像,应用前景广阔。

常见的模糊聚类算法不能有效分割具有类大小不均衡特性的图像,为此,提出对类大小不敏感的模糊C均值聚类图像分割算法。首先将类大小引入至含邻域信息模糊聚类算法(FCM_S)的目标函数中,使得类大小在目标函数中发挥作用,从而能均衡较大类和较小类对目标函数的贡献,弱化算法对类大小不均衡的敏感度并推导出新的隶属度函数和聚类中心;然后提出用紧密度来表征每一类中像素的分布状态,并将其引入至聚类的迭代进程;最后利用符合类大小不均衡特征的无损检测图像进行算法验证。结果表明:本文算法能够展示出更好的视觉分割效果,而且从分割准确率(SA)和调整兰德指数(ARI)上看也更优异,由此显示本文算法具有抗噪性及对类大小不敏感的特性。

针对现有显著性检测方法存在背景抑制效果差和前景分辨率低的问题,提出一种基于背景抑制和前景更新的显著性检测方法。首先利用MR(manifold ranking)算法计算背景先验图,通过超像素分割算法提取的边缘超像素来构建背景模板,计算出稀疏重构图,点乘运算获得高质量的背景抑制图;同时利用高斯混合模型计算颜色先验图,通过CA(Cellular Automata)模型计算多尺度下的颜色优化图,点乘运算获得高精度的前景更新图;最后在贝叶斯框架下融合背景抑制图和前景更新图获得满足人眼要求的最终显著图。在2个公开数据集上的实验结果表明,本文算法能够获得背景抑制效果明显、前景分辨率高的显著图,并且其准确率、F-measure、平均绝对误差(MAE)等指标均优于其他8种对比算法。

在散斑去噪过程中保持图像边缘纹理特征,是光学相干层析图像处理技术的难题。散斑去噪过程中的散斑残留和边缘纹理模糊是该难题的主要诱导因素。为解决这一难题,提出一种基于剪切波变换的改进全变分散斑去噪方法。该方法结合剪切波变换和传统全变分模型,对不同图像区域采用针对性的去噪策略,兼顾散斑去噪与纹理保留,提高了光学相干层析图像的噪声抑制效果。对不同生理、病理状态下的视网膜光学相干层析图像进行测试,结果表明:该方法通过采用区域针对性策略改进了噪声抑制能力,通过引入剪切波变换方法提高了边缘纹理保持能力,进而同时实现散斑去除和纹理保留。此外,与其他散斑去噪方法进行对比,验证了该方法的有效性。

为克服方向梯度直方图(HOG)特征在人体行为识别中仅表征动作的全局梯度特征、缺乏局部细节信息、对遮挡表现不佳的问题,改进了一种基于全局特征和局部特征的方法来实现人体行为识别。该算法首先使用背景减法获得人体运动区域;方向可控滤波器能有效描述动作边缘特征,通过引入方向可控滤波器改进HOG特征以增强局部边缘信息,同时对加速稳健特征进行k-means聚类获得词袋模型;最后将融合后的行为特征输入支持向量机对行为特征进行分类识别。在数据集KTH、UCF Sports和SBU Kinect Interaction上进行仿真模拟,结果表明改进的算法识别准确率分别达到了96.7%、94.2%和90.8%。

针对特征点不明显的图像配准场景,在保证相邻两幅待配准图像重叠面积超过80%的前提下,提出了一种基于频谱和空域特征匹配的配准算法。该算法基于傅里叶频谱图的旋转中心不变性,将空域中两幅图像绕任意一点的旋转角转化成频域中绕频谱图中心的旋转角。利用极坐标系和笛卡尔坐标系的变换关系,将绕频谱图中心的旋转量转化为一维方向的平移量,使用SAD(Sum of Absolute Difference)算法求取旋转角,再使用SAD算法求取平移矩阵。所提配准算法既适用于特征点明显的图像配准场景,也适应于特征点不明显的图像配准场景,且配准精度较高,配准速度较快。

针对图像和视频中多人姿态估计存在人体边界框定位不准确、困难关键点检测精度有待提高等问题,设计了一套基于自顶向下框架的实时多人姿态估计模型。首先将深度可分离卷积加入目标检测算法中,提高人体检测器运行速度;然后基于特征金字塔网络结合上下文语义信息,采用在线难例挖掘算法解决困难关键点检测精度低的问题;最后结合空间变换网络与姿态相似度计算,剔除冗余姿态,改善边界框定位准确性。本文提出模型在2017MS COCO Test-dev数据集上的平均检测精度比Mask R-CNN模型提升了14.84%,比RMPE模型提升了2.43%,帧频达到 22 frame/s。

ViBe算法由于便于实现、运算效率高等优点,在运动目标检测等领域获得了广泛应用,但其鬼影、阴影和运动目标不完整等不足也限制了ViBe算法的发展。针对ViBe算法在前景检测中的鬼影现象且长时间难以消除的问题,提出一种结合平均背景法改进的ViBe算法。首先采用改进的平均背景法获得真实背景,再对真实背景进行背景样本初始化;然后利用ViBe 算法实现前景检测、背景更新操作,从而消除后续帧检测时出现的鬼影;最后根据形态学相关知识来消除空洞以及干扰目标,使得目标更加完整。实验结果表明,与传统的ViBe算法相比,本文算法能够有效地消除鬼影,提高检测精度。

针对传统手工特征表达能力不足和滤波器模型存在误差累积的影响,提出一种融合多层卷积特征自适应更新的目标跟踪算法。该算法采用分层卷积神经网络提取图像特征,利用线性加权的方法融合多层卷积特征预测目标位置;利用多尺度下目标卷积特征确定目标最佳尺度;利用平均峰值相关能量评价目标响应的置信度,根据相邻两帧目标图像的帧差均值和位移评估目标的运动情况,根据预测位置可信度和目标图像外观变化,调整滤波器模型的学习率。在OTB-2013公开测试集上验证本算法性能,并与现有基于相关滤波的主流运动目标跟踪算法进行相比,实验结果表明,本算法在精度和成功率上表现更优,且在复杂情况下稳健性更强。

为弥补单任务识别未充分利用相关任务监督信息的缺陷,提出了一种基于卷积神经网络的多任务识别模型。该模型引入注意力机制,对任务共享层的特征进行重校正,并结合多尺度结构进行特征融合,最后在任务特定层上进行多任务识别。针对共享特征空间内类分布不紧凑导致的模型泛化性能降低问题,本文在模型中引入中心损失函数与均方误差损失函数,与传统的交叉熵损失函数相结合,共同优化模型。实验结果表明:所提模型在人体6个动作类别和15个身份类别上的最高识别准确率分别可达100%和99.93%,两种任务上识别的总准确率可达99.93%,均优于任务独立识别时的各项准确率,说明所提模型能更有效地同时完成人体动作及身份识别任务。

针对当前车牌识别系统在存在复杂环境以及车牌倾斜的情况下无法精确定位的问题,提出一种基于卷积神经网络的端到端车牌精确定位算法,从而精确计算车牌的坐标。通过Faster R-CNN对输入车辆图片中的信息进行处理,提取候选区域的特征映射,利用特征映射计算车牌的精确坐标。实验结果表明本文算法在OpenITS数据库的功能评测数据库中的平均识别准确率为99%,在性能评测数据库中的平均识别准确率为85%。

为满足自动驾驶、人机交互等任务对语义分割算法准确度和实时性的要求,提出一种基于特征融合技术的实时语义分割算法。首先,利用卷积神经网络自动学习图像深层特征的功能,设计一个浅而宽的空间信息网络输出低级别的空间信息,以保持原始空间信息完整性,从而生成高分辨率特征;接着,设计一个语境信息网络来输出深层次、高级别的语境信息,并引入注意力优化机制来代替上采样,优化网络的输出;最后,将两路输出特征图进行多尺度融合,再上采样得到与原始输入尺寸相等的分割图像。两路网络并行计算,提高了算法的实时性。在Cityscapes、CamVid数据集上对该网络框架进行一系列实验。其中,在Cityscapes数据集上取得了68.43%的均交并比(MIOU)。对于640×480的图像输入,在一块NVIDIA 1050T显卡上的速度为14.14 frame/s。本文算法在准确度上大幅超越现有实时分割算法,基本满足人机交互类任务对实时性的要求。

针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。

针对基于光谱信息的分类算法分类精度不佳的问题,提出了高斯线性过程和多邻域优化的高光谱图像分类算法。首先,对原始样本数据进行高斯滤波和线性判别降维处理,然后通过多元逻辑回归模型对数据进行分类,得到数据初始预测标签,再联合局部像元空间位置信息确定预测标签的置信度,通过三层串联的邻域优化层对初预测标签进行校正处理,得到最终的分类结果。将所提算法与其他算法在Indian Pines、Pavia University、Salinas高光谱遥感数据库上进行对比实验,实验结果表明:所提算法在分类精度和时间效率上有更好的性能。

针对医学图像超分辨率重建过程中高频信息缺失导致的模糊问题,提出了一种基于残差通道注意力网络的医学图像超分辨率方法。提出的方法在残差网络的基本单元上去除了批规范化层以稳定训练;去掉缩放层、添加通道注意力块,使神经网络更加关注含有丰富高频信息的通道;使用亚像素卷积层进行上采样操作得到最终输出的高分辨率图像。实验结果表明,提出的方法相比主流的图像超分辨率方法在客观评价指标如峰值信噪比和结构相似性上有显著提升,得到的医学图像纹理细节丰富,视觉体验较好。

针对QR(Quick Response)码在光照变化、污染、破损等情况下识别率低的问题,提出一种多块局部二值模式(MB-LBP)结合改进灰狼优化算法(GWO)优化支持向量机(SVM)的QR码识别算法。首先采用提升小波变换分离出图像的高低频分量,将二级低频和水平高频分量分成互不重叠的子块,分别提取每个子块的MB-LBP特征并融合;然后运用主成分分析(PCA)对样本集进行特征降维;最后采用SVM算法对QR码数据建立分类模型。为进一步提高分类精度,在标准GWO基础上引入基于对数函数的非线性收敛因子提升其寻优性能,并使用改进GWO优化SVM模型。实验根据不同高低频结合方式、SVM优化算法对识别性能进行了测试,结果表明本文方法在识别速度和分类精度方面都有明显提升,具有良好的稳健性。

针对计算鬼成像采样过程中出现的数据扰动及采样次数不易较多所引起的鬼图像质量较差的问题,提出了一种基于Tikhonov正则化的计算鬼成像方法。该方法利用一个表征噪声强度的约束项,将计算鬼成像问题转化为信号误差与噪声强度最小化的数学问题,并利用广义交叉验证法选取合适的正则参数来重构待测物体的鬼像。实验结果表明,所提算法在干扰情况下明显优于传统鬼成像、差分鬼成像和伪逆鬼成像,具有较强的稳定性;在无干扰情况下,也明显优于传统鬼成像、差分鬼成像,且不差于伪逆鬼成像。

针对轻量级网络在语义分割速度上较快,但精度较低的问题,在轻量级网络基础上,提出了基于膨胀卷积平滑及轻型上采样的实时语义分割方法。为了提高分割速度,采用结合结构化知识蒸馏的轻量级网络ResNeXt-18作为特征提取网络。设计了膨胀卷积平滑模块及轻型上采样模块,用来提高语义分割的精确度。为验证所提方法的有效性,在Cityscapes数据集及CamVid数据集上进行评估,在Cityscapes数据集上得到了速度为40.2 frame/s,精度为76.8%,参数量仅为1.18×10 7的结果。实验表明,本文提出的实时语义分割方法在保持方法实时性的同时可以得到较好的分割准确度,具有一定的实用价值。

针对传统鬼成像方法恢复图像差导致的边缘检测困难,提出了一种建立在高通滤波基础上的鬼成像改进方法。随机生成的灰度图在被输入空间光调制器前先经高通滤波处理,通过关联运算恢复出未知物体不同方向上的高频分量,然后根据所使用的滤波方法以相应的重构方法恢复出边缘图像,实现在无需预知物体信息的前提下对未知物体的边缘检测。实验以Kirsch滤波和非下采样轮廓波变换(NSCT)为例,表明了相比于传统的鬼成像边缘检测方法,该算法得到的边缘图像在主观上平滑性更好,清晰度更高,在客观上其边缘信噪比和均方误差指标均有所优化。

泊松算法在重建时物体边缘容易产生未封闭的曲面,最终建成的物体存在表面粗糙、孔洞等问题。基于此,提出一种改进的三维点云重建算法。该方法首先用统计滤波器对点云简化去噪,消除重建表面的锯齿状现象;然后建立点云间拓扑结构,对点云法向量进行法向重定向,以减少法向指向的二义性;最后将具有磁盘拓扑结构的点云映射到平面,将二维三角剖分方法应用于平面参数化,给二维点提供三角形连通性,并将其传输回三维点云形成网格曲面。经过实验验证,该方法可以有效地去除噪声点,构建更加规则的三角形网格,并能有效地去除伪封闭曲面,明显改善带孔洞的表面点云重建效果且重建时间降低。

对于大气湍流引起的波前畸变,现有波前重建方法的分辨率低,并受传感器和变形镜的结构限制,基于此,提出一种基于小波分形差值波前校正的方法。该方法是在对大气湍流引起的波前畸变进行自相似分析的基础上,利用小波分形插值方法进行波前重建的一种方法。首先采用快速小波分解法对波前相谱进行多分辨率分析,并在此过程中进行软阈值去噪;然后用分形插值方法提高波前相位的分辨率;最后采用快速小波重构方法恢复波前相位。实验结果表明:与基于最小方差估计(MVE)方法相比,采用快速小波重构法恢复波前相位的光强值与残余波前方均根均显著提高,能有效减少噪声的干扰,得到较高的成像质量,校正后的光斑形态良好,稳定性较高。

针对传统检焦法复杂度高、稳定性差等问题,提出一种基于图像处理的自准直检焦方法。通过自准直法与图像处理相结合的方法来提高检焦系统的适应性与检焦精度;利用系统离焦距离增大引起成像分辨率降低特性,设计空间频率连续变化的辐射状靶标,避免靶标在系统离焦后对比度变化小的问题。仿真实验选用清晰度评价函数算子计算不同靶标离焦序列图的特征值曲线,结果表明辐射状靶标特征值曲线的灵敏度、无偏性、单峰性均优于Lena图和光栅靶标,且本文检焦法比传统自准直检焦法的检焦精度提高了约19.6%,满足光学系统对离焦量允许值的要求。

潜指纹是刑事侦查中重要的证据。为了研究基于紫外偏振成像技术的潜指纹无损检测,利用背照式sCMOS探测器,提出了紫外偏振成像方案。分析了紫外偏振成像的基本工作原理,设计了由双胶合透镜光学系统、异步旋转机械结构和自动调谐电子学系统构成的分时型紫外偏振成像探测系统,并通过实验验证了该系统的功能和性能。结果表明,利用该系统可以实现对潜指纹等弱特征目标的无损检测。相较于传统强度信息检测,该方法获取的偏振信息提高了目标与背景的对比度,凸显了目标的细节特征,为偏振成像探测应用于潜指纹无损检测提供了实验依据。

激光雷达运动补偿是智能车动态背景目标检测中不可避免的过程。提出了一种基于激光雷达的运动补偿算法。首先通过四元数法求解车体在上一个扫描周期与当前扫描周期的位姿变化矩阵。其次,根据静态场景的特点及历史激光雷达数据帧生成的数据包,利用高斯混合模型对时间坐标系下的背景进行建模。考虑到高斯混合模型在动态场景下容易失效,通过运动补偿将动态背景转换为静态背景,再用高斯混合模型对时间列表中所有历史帧进行处理,得到T时刻运动目标的原点特征点,将特征点与当前帧中符合的点相匹配进一步细化点在当前帧中的新位置。经过实验验证,该方法成功地对背景运动进行了估计和补偿,适合应用于三维环境下实时运动目标的检测。

为了有效提取地面点云并提高运算效率,提出了一种结合统计滤波与密度聚类的矿山地面点云提取算法。首先,基于高效的KD-tree索引算法与统计特征思想进行统计特征的改进,并分析非地面点的空间分布特性;其次,结合二维特征密度空间的分布特性对密度空间进行聚类并分别提取地面点;最后,对各密度空间的提取结果进行求交,即可得到有效地面点。该方法的算法复杂度为o(n2)。实验表明:该算法具有较高的提取精度和效率;经测试,当近邻点为36时效果最好,总误差为0.00770,均方差为0.019633;同时,对510519个点的提取时间少于27 s,约为传统方法耗时的1/7。此外选择了大面积矿山点云对该算法的普适性进行了验证。

现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。

针对增强现实识别注册的精度易受纹理影响且缺少以文字为识别目标的问题,提出了一种基于文字特征的识别注册方法。在模板图像处理中,将降采样与2幂次采样相结合构建多尺度金字塔,实现尺度不变性;采用基于快速视网膜特征改进的算法提取文字特征点,实现基于文字特征的增强现实系统。实验结果表明:所提算法能较准确地提取图像文字特征点,减弱了纹理对精度的影响,适用于对文本图像的识别注册。基于此方法实现的增强现实系统在不同尺度角度和目标被部分遮挡的情况下仍可以较准确地进行识别注册。

针对双目视觉系统中单调法校正阴影区相位噪声时存在校正不足的问题,提出了一种改进型相位校正方法。利用四步相移与多频外差求解工件表面的绝对相位信息,通过单调不减性对相位噪声进行校正。分析多组实验对象校正不足时相位噪声特点,根据相位频率矩阵计算固定区间内非零相位出现的频率来校正离散相位噪声,利用相邻间断点实际相位与预测相位的差值对连续相位噪声进行校正。计算间断点间的斜率与两侧非零相位的拟合斜率并进行判断,利用线性法补齐因随机噪声而被置零的部分相位,保证了工件信息的完整性。实验结果表明:所提方法可以有效校正阴影区的相位噪声,可适用于不同的实验对象,圆柱体木质工件的平均测量误差为0.0859 mm,精度可满足目标抓取的位姿估计要求。

采用单像空间后方交会算法求解相机的外参数是摄影测量及机器视觉等领域的基本问题。在介绍前人研究成果的基础上,提出一种新的单像空间后方交会算法,即利用3个控制点建立临时坐标系,根据这些控制点在临时坐标系下的部分坐标分量为0的特点,将后方交会求解转换为三元二次方程组的求解,3个控制点的图像坐标数据可为非线性方程组的迭代求解提供初始值,使求解过程更加可靠。利用某商用工业摄影测量系统对实验空间中布设的控制场拍摄了120幅图像并计算其外参数,采用后方交会算法和角锥体算法分别对所取特征点计算外参数,结果表明:后方交会算法求解的参数正确,且迭代求解收敛性好,适用于任意旋转角的相机外参数求解。

为解决传统视觉式刀具测量仪采用的分段拟合方法在测量严重磨损刀刃时误差较大的问题,提出一种基于单一函数表达式的刀刃轮廓散点的整体拟合方法。首先采用改进的k-余弦曲率算法提取刀刃轮廓曲线角点,并使用最小二乘法进行分段拟合;然后确定刀刃轮廓曲线拟合目标函数的单一表达式,并在分段拟合结果的基础上,通过Levenberg-Marquardt迭代法进行非线性整体拟合。实验结果表明,整体拟合方法对严重磨损刀具测量时,能在保证目标函数曲线连续性的基础上,提高拟合精度达20%以上,这大幅度提高了刀具的测量精度及算法的稳健性。

数字图像相关(DIC)方法因其光路简单、适应性好在位移和应变测量中得到广泛应用,在大位移测量中提高DIC匹配速度尤为重要。提出一种改进的爬山算法,修正了传统爬山法易陷入局部极值的缺点,提高了搜索速度,使其适用于大位移测量。用模拟散斑图对改进算法进行实验测试和对比分析,结果表明:这种方法的总体搜索速度与精度优于传统爬山法,当步长改变系数选择恰当时,该算法能以较快的搜索速度得到正确结果。

针对红外图像检测与分割任务中颜色信息缺失,特征细节模糊并带有噪声,当目标数量较多时传统方法提取过程速度较慢等问题,提出一种用于远红外图像的优化YOLO检测与分割网络模型。提出的两个优化点分别为:综合分析实验使用的两种远红外数据集后使用K-means++聚类算法寻找多尺度预测标记锚点框尺寸;使用局部检测位置自适应阈值分割方法对检测目标进行像素级实例分割。本文优化算法在FLIR公开数据集与本文数据集中的检测速度分别为29 frame/s与28 frame/s,保证了实时输出的要求;行人检测准确率分别达到75.3%与77.6%,分割结果平均交并比达到70%~90%。实验结果表明,本文算法具有良好的稳健性和普适性,在远红外图像中可快速有效地检测行人并生成实例掩模。

为自动识别油菜田间的杂草,提出基于Faster R-CNN深度网络的油菜田间杂草识别方法,利用COCO数据集的深度网络模型进行迁移训练。首先,以自然环境条件下的油菜与杂草图像为样本,利用Faster R-CNN深度网络模型共享卷积特征,对比VGG-16、ResNet-50和ResNet-101这3种特征提取网络的结果;该方法还与采用3种相同特征提取网络的SSD深度网络模型进行对比。结果表明,基于VGG-16的Faster R-CNN深度网络模型在油菜与杂草目标识别中具有明显的优势,其油菜与杂草的目标识别精确度可达83.90%,召回率达到78.86%,F1值为81.30%。该深度学习方法能够有效实现油菜与杂草目标的准确、高效识别,为多类型杂草目标识别的研究提供了参考。

在双目结构光系统下,提出一种基于二值空间的条纹边界编解码方法。提出二值空间的定义;按投影顺序将投影图案分层,并为第一层条纹图像构造初始二值空间;根据初始二值空间内黑白条纹的顺序,分别在两个子空间内提取第二层条纹图像的边界线;重复上述操作,每一层条纹图像的边界线都从上一层构造的二值子空间内提取,在此过程中,同时考虑左、右视角下二值空间状态的一致性,并按边界线提取顺序对条纹边界解码,对于断开边界,则根据二值空间的方向在空间内连接边界线;最后,分别拟合正、反条纹边界点的灰度直线,通过求直线交点得到亚像素边缘点。实验结果表明,该方法能完整准确地提取条纹边界线,解码正确率为100%,对平面重建的误差为0.0993 mm,对复杂场景的条纹图像具有较强的抗干扰性。

针对全卷积孪生(SiamFC)网络算法在相似目标共存和目标外观发生显著变化时跟踪失败的问题,提出一种基于注意力机制的在线自适应孪生网络跟踪算法(AAM-Siam)来增强网络模型的判别能力,实现在线学习目标外观变化并抑制背景。首先,分别在模板分支和搜索分支中加入前一帧跟踪所得到的结果,弥补网络在应对目标外观变化的不足;然后通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变并抑制背景,进一步提升模型的特征表达能力;最后,在OTB和VOT2016跟踪基准库上进行实验。实验结果表明,本文算法在OTB50数据集上的精确度和平均成功率比基础算法SiamFC分别高出了4.3个百分点和3.6个百分点。

分类法提取建筑物因易受到错误检测的影响而存在边缘锯齿、形状不规则等问题。提出了一种利用符合建筑物轮廓及轴向的最佳外接矩形和Hausdorff距离综合优化建筑物轮廓的方法。首先利用偏移阴影分割分类方法提取建筑物,对建筑物边界进行多边形拟合;然后用获取拟合结果的最小外接矩形判断建筑物轴向,以选择最佳的外接矩形,并将最佳外接矩形和建筑物轮廓进行逐段等分,计算线段之间的Hausdorff距离,并根据替换规则选择性地用外接矩形边线段进行边界替代,以进一步进行规整优化,最终提高了边缘表达的准确度和提取精度。对多幅遥感影像进行实验,并与其他提取方法进行对比,结果表明:所提方法的总体精度均不同程度地优于参照方法,建筑物边缘的准确性、规整程度及最终精度均得到了有效改善,更真实、准确地反映了建筑物的真实形状。