多光谱成像(MSI)融合了光谱技术与成像技术,可并行获取探测目标的光谱特征和空间信息。由于采用非侵入式的成像方式,该技术在生物医学领域有很多重要的应用。介绍了多光谱成像的基本原理与技术发展,并从病理研究、手术引导、生物识别等三个方面对其应用进行简要综述。

目前数码显微镜中常用的自动对焦方法分为主动式自动对焦和被动式自动对焦。主动式自动对焦依赖特定的传感器或者测距设备,通过主动发出光波并且接收反射回来的光波判断物体与对焦装置的距离,从而达到对焦目的;被动式自动对焦通过分析每个位置图像信息来判断对焦方向以及对焦位置,以达到对焦目的。被动式自动对焦由于其对结构的要求简单、成本较低,是数码显微镜最常用的自动对焦方法。主要介绍了应用于数码显微镜的自动对焦算法,简述了主动式与被动式自动对焦的原理以及发展方向,重点介绍了被动式自动对焦方法中的对焦深度法,分析了对焦深度法的两大关键技术,即清晰度评价函数及其对焦搜索算法。

烟雾检测技术在预防早期火灾蔓延方面具有重要的作用,准确快速的烟雾检测算法具有非常重要的实际应用价值。近年来,随着机器视觉与图像处理技术的快速发展,面向视频图像的烟雾检测算法以其非接触性、强鲁棒性等特点受到广泛的关注。面向视频图像的烟雾检测算法有效克服了传统烟雾探测器靠近火源才能工作的不足,但是由于场景的复杂性和环境因素的不确定性,面向视频图像的烟雾检测算法仍然面临着巨大的挑战。首先简单介绍了烟雾检测技术的基本流程,包括预处理、特征提取以及分类识别等步骤;其次介绍了基于颜色和运动分割的预处理方法,进一步分析了烟雾的视觉特性和运动特性,并介绍了相关烟雾特征提取算法;然后,对当前烟雾检测常用的分类器以及深度学习网络模型进行了探讨和总结;最后,重点介绍了烟雾检测算法存在的不足,并对烟雾检测算法的发展进行了展望。

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要。然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度。受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战。随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的一个热点问题。首先对基于特征融合的高光谱图像分类文献进行系统综述,并对几种分类策略进行分析与比较,然后介绍高光谱图像分类的发展现状及面临的相应问题,最后提出一些可以提高分类性能的策略,从而为课题的技术研究提供指导和帮助。

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一。首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结。然后对检测流程中的各部分对SAR图像舰船目标检测精度和速度的影响进行对比分析。最后根据当前研究现状,深入分析深度学习算法在舰船检测应用中存在的问题,探讨基于深度学习的SAR图像舰船目标检测的进一步研究方向。

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。

卫星激光测距是获取空间目标高精度距离的重要技术。在测量数据应用于科学研究之前,需要对原始数据进行一系列的预处理。常用的信号提取方法主要有Graz自动识别、泊松滤波和人工识别等。近年来,一些学者将深度学习技术应用到天文领域,解决了一些问题并取得了相对理想的结果。提出了一种利用深度学习技术提取目标信号的方法,实测数据的识别结果表明,所提算法具有一定的可靠性、通用性和可行性。研究结果对卫星激光测距系统向智能化方向发展有积极的作用。

为了拟合光谱重叠峰及太赫兹时域曲线,设计了一种动态增加高斯函数的高斯拟合算法。首先,利用去噪光谱数据的一阶导数粗略搜寻各高斯峰的位置,再根据高斯峰位置初始化多高斯函数。然后,将光谱数据与多高斯函数的均方差作为损失函数,用梯度下降法找到损失函数最小时的多高斯函数。最后,针对没有明显峰尖的光谱重叠峰和存在负值的太赫兹时域曲线,用动态多高斯函数模型解析重叠高斯峰或拟合曲线。计算结果表明,本算法可以根据拟合精度的要求,动态增加多个高斯函数,自动搜寻高斯峰的位置,且对光谱重叠峰和太赫兹时域曲线的拟合效果较好。

报道了正交线偏光全息中的正交再现现象。所谓的正交再现,指的是衍射光的偏振态与记录信号光的偏振态是正交的。基于新发展的张量偏光全息理论,分析了正交再现的条件;搭建实验平台,在实验上观察到正交再现现象。通过定量分析与多组实验,可以得出当衍射光实现正交再现时,其功率大小与记录过程中信号光和参考光的干涉夹角有关。实验结果和理论分析结果完全吻合。正交再现现象的发现,有望拓展对偏光全息理论的认知。

为了解决在低照度条件下,可见光成像设备采集的图像亮度低、细节不清晰等问题,提出一种基于亮度通道细节增强的低照度图像处理算法。首先,将图像从RGB转换到Lab颜色模型,将Lab模型中的亮度通道通过指数派生函数校正构造为光照分量,再经过Retinex增强得到初步增强图像。然后,采用结构张量和多尺度引导滤波分别对初步增强图像进行细节提取,并将两种方法提取的细节信息进行了融合。最后,将细节图像和初步增强图像融合得到了目标图像。实验结果主观上得到了亮度合适、细节清晰的增强图像,客观上在亮度失真、信息熵和能量梯度上均有良好且稳定的表现,表明该算法能够有效提高图像的亮度和细节信息,并保持自然的色彩和光照效果。

针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。该算法利用三级离散小波变换将图像分解为高频部分和低频部分。通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自适应分配采样率。采用平滑投影Landweber算法重构图像,消除分块引起的块效应。对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37 dB,比现有非均匀分块算法提高了2.51 dB。不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05 dB。对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。

业务流程中事件日志的分析与预测可以为流程监控和管理提供决策信息,现有研究方法多针对特定单个任务预测,不同任务间预测方法的可迁移性不高。多任务预测可以共享多个任务间的信息,提升单个任务预测的精度,但现有研究对重复活动的多任务预测效果有待提高。针对以上问题,提出一种注意力机制与双向长短时记忆结合的深度神经网络模型,实现对业务流程中重复活动和时间的多任务预测。预测模型可以共享不同任务已经学到的特征表示,实现多任务并行训练。在多个数据集中对不同方法进行对比,结果表明,所提方法提高了预测效率和预测精度,尤其对重复活动的预测精度有较好提升。

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。

针对传统光线投射算法在三维场景中绘制大量烟雾数据时存在计算资源消耗大、绘制速度缓慢等一系列问题,提出一种基于改进光线投射算法的室内烟雾可视化方法。将三维数据场按照统一大小划分成均匀的数据块,求出光线穿越数据块时入射点和出射点的中点位置,利用视点和中点之间的距离比例来调整采样频率,从而获得重采样点的位置。再通过对光线上的重采样点进行分级分组操作,对处于不同级别的采样点采取不同的插值策略,最后使用图像合成算法完成光线上重采样点数据值的映射,得到室内烟雾的渲染效果。实验结果表明,该方法是可行且有效的,与现有的光线投射算法相比,在保证绘制图像真实性和稳定性的前提下,改进过后的光线投射算法极大地减少了渲染过程中重采样和线性插值时的计算量,同时帧率能够稳定保持在75 frame·s -1左右,可满足不同室内场景下烟雾的实时绘制要求。

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。

针对乳腺钼靶图像中良恶性肿块难以诊断的问题,提出一种基于注意力机制与迁移学习的乳腺钼靶肿块分类方法,并用于医学影像中乳腺钼靶肿块的良恶性分类。首先,构建一种新的网络模型,该模型将注意力机制CBAM(Convolutional Block Attention Module)与残差网络ResNet50相结合,用于提高网络对肿块病变特征的提取能力,增强特定语义的特征表示。其次,提出一种新的迁移学习方法,用切片数据集代替传统方法中作为迁移学习源域的ImageNet,完成局部肿块切片到全局乳腺图片的领域自适应学习,可用于提升网络对细节病理特征的感知能力。实验结果表明,所提方法在局部乳腺肿块切片数据集和全局乳腺钼靶数据集上的AUC(Area Under Receiver Operating Characteristics Curve)分别达到0.8607和0.8081。结果证实本文分类方法的有效性。

针对周期性纹理背景影响织物缺陷检测效果的问题,提出了一种基于粗糙度测量和颜色距离的织物缺陷检测方法。该方法先将待检测图像由RGB颜色空间转换到HSV颜色空间,并分别对三通道进行同态滤波处理,以提升缺陷与背景之间的对比度;利用粗糙度测量对织物图像进行分类,并将同一类别的织物图像分成大小相同且互不重叠的图像分块,分别估计各个图像分块与其八邻域图像分块的颜色距离,从而实现对缺陷的粗定位;最后对粗定位图像分块进行显著性和二值化处理,有效减少了周期性纹理背景对检测结果的影响。实验结果表明:与近期4种方法相比,本文方法对周期性纹理织物图像表现出了较好的检测效果,检测准确率更高。

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法。首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模块与检测模块的独立性,将跟踪模块结果输入检测模块中,采用平均峰值相关能量(APCE)对模板更新进行置信度判别。在检测模块中先引入GMS网格运动统计作为检测器,使具有快速旋转不变性特征的ORB(Oriented FAST and Rotated BRIEF)算法对上一帧目标进行特征匹配,再利用网格运动统计对匹配结果进行过滤,实现目标位置的粗定位,依据预测位置对目标检测区域进行适当的动态缩减,最后使用级联分类器对目标进行精准定位。结果表明,本文提出的跟踪方法在有效防止模型漂移的情况下,大大提高了算法的跟踪速度,同时对目标遮挡、尺度变化及旋转等挑战环境也具有较好的准确性和鲁棒性。

尺度不变特征变换(SIFT)算法在图像匹配领域得到广泛应用,为降低其计算复杂度,提出了一种基于掩模(Mask)搜索的SIFT快速图像匹配算法。首先,分析图像的纹理信息,使用Harris算法的角点响应函数(CRF)对图像进行分区,将纹理复杂度较高的区域作为Mask并生成Mask金字塔,以减小特征点的搜索空间;其次,在极坐标系下建立7区域的圆形描述子,并降低其维度;最后,根据特征点极值类别进行同类匹配,以降低匹配复杂度。实验结果表明,采用Mask的特征搜索方法以损失较小匹配质量为代价,能够有效提升算法的整体速度,结合改进的描述子和极值分类算法可以进一步提升算法速度。采用Mask的特征搜索方法在对匹配效率有较高要求的领域具有潜在的应用价值。

为解决传统摄影测量编码点定位依赖多种关系准则、判定复杂且识别不稳定的问题,提出一种采用基于改进YOLO v3的目标检测网络分割编码点、利用距离排序识别中心标记点的定位方法。首先针对编码标记点特点改进特征提取网络,从复杂背景中快速识别编码点,然后在预测框内进行图像处理,计算轮廓质心到中心的距离,通过距离排序定位中心圆形标记点,最后构建标尺编码点数据集用于网络训练和测试。实验结果表明,目标检测网络识别编码点的精度达到94.91%,受环境和噪声等的影响小,距离准则准确率高,该定位方法具有适应性好、鲁棒性高的优点。

研究基于场景描述文本生成对应图像的方法,针对生成图像常常出现的对象重叠和缺失问题,提出了一种结合场景描述的生成对抗网络模型。首先,利用掩模生成网络对数据集进行预处理,为数据集中的对象提供分割掩模向量。然后,将生成的对象分割掩模向量作为约束,通过描述文本训练布局预测网络,得到各个对象在场景布局中的具体位置和大小,并将结果送入到级联细化网络模型,完成图像的生成。最后,将场景布局与图像共同引入到布局鉴别器中,弥合场景布局与图像之间的差距,得到更加真实的场景布局。实验结果表明,所提模型能够生成与文本描述更匹配的图像,图像更加自然,同时有效地提高了生成图像的真实性和多样性。

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C-均值(FCM)聚类的纱线疵点检测算法。首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形态学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。

数据集是基于深度学习语义分割技术的重要组成部分。为了将语义分割技术应用于野外战场环境,构建一个符合实战场景的数据集至关重要。针对迷彩伪装目标侦察识别的作战保障需求,分析了野外战场环境及战场侦察图像的特点,设计了特定场景数据集的构建流程与方法,构建了具有精细化语义标注的语义分割数据集CSS,并通过实验验证了该数据集在语义分割任务上的有效性。

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。

为了解决低照度图像的细节信息缺少和清晰度低的问题,在HSV(Hue, Saturation, Value)色彩空间中,采用非下采样剪切波变换(NSST)与Retinex理论的融合算法对低照度图像进行处理。首先对HSV空间的V分量进行分解,得到多个高通子带与一个低通子带,对高通子带采用改进的基于贝叶斯萎缩的自适应阈值算法完成去噪,对低通子带采用改进的自适应局部色调映射算法提高对比度,然后对两个子带进行NSST逆变换以得到新的V分量并对其进行白平衡处理,最后将处理后的图像反转到RGB(Red,Green,Blue)空间中得到结果图像。实验结果表明,所提算法能够改善低照度图像的质量,提高清晰度与对比度。

采用数字图像相关(DIC)法对物体表面形变进行测量,并通过散斑场的形变对被测物的真实变化进行研究。对散斑质量评价方法进行研究,以求在测量前即可判定所采用的散斑对测量精度的影响。根据DIC法对散斑图像的具体要求,提出基于灰度共生矩阵(GLCM)的散斑质量评价方法。对实际散斑图像进行亚像素刚体平移仿真模拟,采用GLCM中的能量、熵、对比度和相关性指标与DIC法的测量结果进行对比分析,并与平均灰度二阶导数和香农熵进行对比实验。通过改变散斑图像的整体亮度等级与亮度分布情况,探究不同光照情况对实验结果准确度的影响。实验结果表明,GLCM在散斑图像质量评价中具有一定的有效性。

针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。

提出一种基于Fourier变换对称性和随机多分辨率奇异值分解(R-MRSVD)的彩色图像加密算法。首先计算归一化明文图像的平均值作为logistic-exponent-sine映射的初值,并生成随机矩阵和位置索引;然后对每个颜色通道分别进行二维离散Fourier变换,根据共轭对称性仅保留一半的频谱系数,并提取实部分量和虚部分量构建实数矩阵;最后对实数矩阵进行R-MRSVD和Josephus置乱操作,得到密文图像。将明文图像的像素特征作为混沌序列的初值,保证算法具有高敏感性和高安全性,同时实值的密文便于存储和传输。对算法的解密图像质量、统计特性、密钥敏感性、抗选择明文攻击、鲁棒性等性能进行测试,仿真结果表明,所提加密算法具有可行性和安全性。

针对医学图像分割中网络深度过深和上下文信息欠缺导致的分割精度降低等问题,提出了一种基于改进U-Net的磁共振成像(MRI)脑肿瘤图像分割算法。该算法通过嵌套残差模块和密集跳跃连接组成一种深度监督网络模型。为了减小编码路径和解码路径特征图之间的语义差距,将U-Net中的跳跃连接改为多类型的密集跳跃连接;为了解决网络过深导致的退化问题,加入残差模块,以防止网络梯度消失。实验结果表明,本算法分割肿瘤整体、肿瘤核心、增强肿瘤的Dice系数分别为0.88、0.84、0.80,满足临床应用的需求。

烟雾图像检测是及早发现火灾的一种重要手段。针对传统LBP(Local Binary Patterns) 特征与Gabor特征的融合算法存在鲁棒性和检测率低的问题,提出一种TDFF(Triple Multi Feature Local Binary Patterns and Derivative Gabor Feature Fusion)的烟雾检测算法。采用T-MFLBP(Triple Multi Feature Local Binary Patterns)算法分别对像素间不同灰度差值以及非均匀模式中特殊位置的像素进行编码计算,可以捕捉更清晰的纹理特征;然后利用高斯核函数的一阶偏导数提取Gabor特征,从而优化提取图像边缘灰度信息的性能;最后对融合后的特征进行训练,可以提高最终分类的准确性。实验结果表明,TDFF算法具有较强的鲁棒性,烟雾图像的检测率也显著优于未改进的传统算法。

针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层的残差来训练网络,缩小映射范围。采用3条带有不同扩张因子的扩张卷积对细节层进行多尺度特征提取,获得更多上下文信息,提取复杂多向的雨线特征;同时,将扩张残差密集块作为网络的参数层,加强特征传播,扩大接受域。在合成图片和真实图片上的实验结果表明,所提算法能有效去除不同密度的雨条纹,并较好地恢复图像细节信息。通过对比其他算法,证明了所提算法在主观效果和客观指标上都有提升。

为了提高行人属性识别的准确率,提出了一种基于多尺度注意力网络的行人属性识别算法。为了提高算法的特征表达能力和属性判别能力,首先,在残差网络ResNet50的基础上,增加了自顶向下的特征金字塔和注意力模块,自顶向下的特征金字塔由自底向上提取的视觉特征构建;然后,融合特征金字塔中不同尺度的特征,为每层特征的通道注意力赋予不同的权重。最后,改进了模型损失函数以减弱数据不平衡对属性识别率的影响。在RAP和PA-100K数据集上的实验结果表明,与现有算法相比,本算法对行人属性识别的平均精度、准确度、F1性能更好。

在风力机叶片表面排列编码目标,基于双目立体成像原理和图像特征匹配与跟踪方法,可以动态、实时地获得编码目标的空间运动信息。针对噪声污染影响模态辨识的问题,通过奇异值分解(SVD)和Cadzow算法构造了无噪声污染的Hankel矩阵,有效减少由噪声引起的虚假模态。针对模态定阶过程容易出现虚假模态的问题,提出一种改进的特征系统实现算法(ERA)。相比于传统的ERA模态辨识方法,该方法在固有频率的识别上提高了3.6%的精度,获取了更清晰的稳定图。

为了突破传统方法对材料表面缺陷深度检测的局限性,提出了一种基于透射式激光热成像的无损检测技术。选用激光源作为激励源,对被测材料的缺陷表面进行加热,加热点选在材料表面缺陷正下方处,激光输出功率为50 W,加热时间为1 s。在加热过程中,材料背面的温度场由于热流在材料缺陷传导过程中的影响而产生温度差异,故使用红外热像仪对加热过程中材料背面的温度场变化进行记录,并使用无缺陷处A点作为参考点,有缺陷处B点作为考察点,通过分析A、B两点的温度变化情况来对表面缺陷的深度进行特征提取。经过实验验证可知,该方法可以在一定条件下对材料表面的缺陷深度进行检测,当A点温度一定时,B点温度与缺陷深度的最优拟合呈指数关系,随着缺陷深度的增长,背面B点温度也随之降低。研究结果为后续的缺陷深度精准量化奠定了基础。

机器人在大尺度场景下开展同时定位与建图(SLAM)任务时,其闭环检测环节会出现较严重的错匹配或者漏匹配问题,因此,采用残差网络(ResNet)对图像序列进行特征提取,并提出一种新的闭环检测算法。通过预训练的ResNet提取输入图像的全局特征,并对该帧图像及之前具有一定长度的图像序列的特征按照下采样的方式进行拼接,将结果作为当前帧图像的特征,保证图像特征的丰富性与准确性。同时,设计一种双层查询的方法以获得最相似的图像帧,并对最相似图像进行一致性检验,确保闭环的准确性。在闭环检测主流公开数据集New College和City Centre上,所提算法在100%准确率下的召回率为83%,在99%准确率下的召回率为85%。与传统的词袋方法和VGG16方法相比,所提算法具有显著的提升。

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。

提出一种点云数据隐式曲面高效重建算法。该算法首先基于传统径向基函数隐式曲面重建算法对点云数据进行低解析度、低精度快速插值,然后采用三线性插值对点云数据进行高解析度、低精度插值,最后根据欧氏距离确定点云零水平集附近需要处理的区域,处理过程中只对区域内点云数据进行滤波降噪。与传统方法相比,本文算法既可以保证曲面重建精度,又可以缩短计算时间。在头部点云数据的曲面重建过程中,本文算法能够实现与传统算法相近的精度,同时使插值运算时间减少63.21%。

为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。

针对复杂海面地貌、云雾背景下的光学遥感图像舰船目标检测问题,提出一种结合空域和频域视觉显著性特征的无监督舰船目标检测算法。基于图像的RGB颜色空间和ITTI模型,利用图像亮度特征图、颜色特征图、亮度特征的一阶梯度组合构建图像特征,并基于图像区域与整幅图像的协方差矩阵计算图像区域的差异性。然后由协方差矩阵之间的广义特征值构建空域显著特征图,并加入PQFT(phase spectrum of quaternion Fourier transform)模型的频域显著特征图。最后利用元胞自动机融合空域显著特征和频域显著特征。实验结果表明,所提算法检测舰船目标时的性能要优于其他常用的视觉显著算法。

针对可见光和近红外双波段场景分类存在图像标注样本少和特征融合质量低的问题,提出了一种基于卷积神经网络(CNN)特征提取和朴素贝叶斯决策融合的双波段场景分类方法。首先,将基于预训练的CNN模型作为双波段图像的特征提取器,避免标注样本少导致的过拟合问题;然后,通过主成分分析降维和特征归一化方法,提高支持向量机的计算速度和每个波段的分类性能;最后,以双波段后验概率为朴素贝叶斯先验概率,构建了决策融合模型,实现场景融合分类。在公开数据集上的实验结果表明,相比单一波段分类和双波段特征级联融合分类方法,本方法的识别率有明显提升,可达到94.3%;比基于传统特征的最优方法高6.4个百分点,与基于CNN的方法识别率相近,且执行简单高效。

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。

为了提高模型在道口环境下的车辆图像的特征提取和识别能力,提出了一种基于改进残差网络的车辆分类方法。首先以残差网络为基础模型,改进了残差块中激活函数的位置,并将残差块中的一般卷积用分组卷积代替,引入注意力机制,用焦点损失函数替换交叉熵损失函数。实验部分先用公开数据集Stanford Cars进行预训练,再用自建的道口车辆数据集进行迁移学习。结果表明,改进模型在两个数据集中的准确率均优于几种经典的深度学习模型。

引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。

设计由两个红外相机和一个紧凑散斑结构光投射器构成的三维人脸采集系统,可根据采集精度和运算效率的折衷配置采集散斑图像。散斑模板固定在垂直于投射器光轴的齿轮上,使用齿轮机构驱动散斑模板作旋转运动,使用波长为735 nm的LED照亮散斑,在测量空间中形成时间和空间上互不相关的散斑编码结构光图案,采用时空相关立体匹配算法实现人脸三维重建。通过理论分析和实验验证散斑模板的旋转角度对测量精度的影响,进而确定最佳的旋转角度。采用德国ATOS高精度工业3D扫描仪获取人脸面具三维数据并将其作为真值,同时测试真实人脸的三维采集效果。实验结果表明,当投射散斑数量为5时,三维重建的平均误差为0.063 mm,误差标准差为0.111 mm。

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。

针对三维激光雷达在地面分割过程中存在分割不足和过分割的问题,提出一种基于点云簇组合特征的激光雷达地面分割方法。首先将三维点云投影到扇形栅格中进行连通域聚类,将梯度相差较小的栅格聚为一类。然后根据路面点云符合平面和直线几何特征的特点,对每一簇进行特征值计算以挑选路面栅格簇的候选簇,接着对其进行径向方向上的梯度检查以剔除误判栅格。最后使用三次B样条曲线进行平滑拟合,实现地面点与非地面点的分割。在不同路面状况的场景中对所提方法进行验证。实验结果表明,所提方法在含有多障碍物路面的准确率为97.50%,计算时间为27ms,说明所提方法的地面提取准确率更高,路面适应性更强。

动中成像模式可实现卫星在大角度快速机动过程中成像,满足遥感观测多样化、定制化、精细化需求。分析了动中成像地面实验系统的基本原理,并在实验室搭建了一套面向动中成像模式的地面实验验证系统。该系统采用高精度、高稳定的动态气浮靶标和基于外触发信号的相机积分时间调整方法。研究了成像质量和光强的关系以及成像质量和相机探测器积分级数、卫星机动角速度的关系,开展了自定义运动曲线的动中成像实验。结果表明,在相机探测器线性区内,不同机动角速度与探测器积分级数获取的图像动态调制传递函数(MTF)值的范围为0.0918~0.1054,满足工程应用(0.1附近)的要求,且MTF值与机动角速度、探测器级数无关。动中成像实验中系统运行稳定,动态MTF值在0.1015±0.0098之间。

针对基于可见光红波段和基于可见光绿波段的建成区指数方法提取的建成区易与水体和裸土区域混淆的问题,提出一种新建城区提取指数(NBAEI)方法,该方法考虑黄色波段在构建建成区提取指数的作用,利用建成区在黄色波段与红色波段的反射率差值所具有的正负特性可以完全区分建成区与水体区域,同时放大与裸地之间的差异以便提取建成区。以宝鸡市、日照市和保定市作为实验区域,分析总体精度、错分精度和漏分精度三类指标。实验结果表明,NBAEI方法总体分类精度高于其他两种方法,错分精度和漏分精度低于其他两种方法,说明所提方法的提取精度更高,效果更好,更适用于高分六号卫星提取建成区。

具有几十余种化学成分的丹参粉是典型的多组分物质,应用传统二维荧光光谱难以对其作定量分析。为了研究多组分共存的丹参粉水溶液的荧光特征,利用三维同步荧光光谱法结合平行因子分析法(PARAFAC)、分半信度法(split half method)、残差平方和(sum of squared error),解析光谱重叠严重的丹参粉水溶液荧光光谱。经上述方法分析确定丹参粉水溶液的平行因子模型组分数为4,其相应组分荧光特征为:第1组分荧光特征λEx=470~480 nm,λEm=520~530 nm;第2组分荧光特征λEx=400~410 nm,λEm=490~500 nm;第3组分荧光特征λEx=370~380 nm,λEm=460~470 nm;第4组分荧光特征λEx=560~570 nm,λEm=620~630 nm。其中第2组分的荧光特征可能是丹酚酸B的荧光特征。实验结果表明,在多组分共存且有较多干扰物质时,三维同步荧光结合平行因子算法可以简化光谱分析,较好地表征丹参的整体荧光特性。本研究为多组分共存的中药材分析提供了建议与帮助。