针对图像边缘的实时提取问题, 设计了一种基于经典高斯-拉普拉斯算子 (LoG 算子)的量子 LoG 图像边缘检测算法。通过在经典计算机上利用 Matlab 软件对该量子 LoG 算法进行模拟仿真计算, 证明了该量子 LoG 算法可以快速、有效地实现对图像边缘的识别与提取。此外, 还考察了两类退相干效应对此算法的影响。计算结果表明, 相较于目前已有的相关量子图像边缘检测算法, 量子 LoG 算法具有更好的抗噪特性。

传统的光子层析方法难以适用于含有大量重金属遮挡物的对象中。本研究拟从光子层析的视觉特征出发, 通过针对层析投影开展基于无监督学习的像素预测, 构建了基于金属遮挡物周边信息的编码器, 以生成受遮挡区域结构。同时, 在生成对抗网络架构的基础上, 将编码器作为生成网络, 并构建判别器用于编码器的训练。研究表明, 基于像素预测的重构方法能够实现金属结构覆盖区域内光子层析信息的再合成, 并且合成结果能够准确反映真实的物体的内部细节。这表明基于像素预测的重构方法能够有效降低物体内金属结构对层析结果的影响。

关联成像受限于成像机制, 其空间分辨率与时间分辨率相互制约。成像空间分辨率越高, 所需的调制散斑越多, 对应的采集时间越长。针对此瓶颈, 提出采用多个低空间分辨率散斑同时对高空间分辨率物体调制的关联成像方法, 利用单像素探测器接收被调制物体信号, 并基于迭代算法与压缩感知算法重构高空间分辨率成像物体图像。利用数值仿真验证了所提方法的有效性。研究结果表明, 所实现的高空间分辨率关联成像技术大幅降低了调制散斑数量, 减少了在线采样时间, 在生物医学等要求高空间分辨率且对采样时间苛刻的领域具有重要的应用价值。

为了克服卡尔曼滤波在远距离以及遮挡情形下跟踪不准确的问题, 设计了一个多目标实时跟踪框架, 利用神经网络预测目标物体在三维空间里的状态, 使用匈牙利算法逐帧进行数据关联, 设计轨迹管理模块管理相应的轨迹, 实现多目标跟踪。相较于传统的框架, 该框架不需要在图像空间执行卡尔曼滤波, 不仅能在高帧速率准确跟踪遮挡目标, 而且对远距离目标也有优异的表现。以 KITTI 数据集进行测试, 性能指标如下: 多目标跟踪准确度为 79.22，多目标跟踪精确度为 78.33, 多数丢失数为 54.19, 多数跟踪数为 13.21, ID 转变数为 16, 运行速度为 39 帧/秒。相较于传统的卡尔曼框架, 准确率提升了 11%，并且抗遮挡性也有大幅度提升。

为提升两阶段目标检测算法 Faster R-CNN 对无人机小目标的检测识别效果, 提出了一种改进的 Faster R-CNN 目标检测算法。对原始 Faster R-CNN 算法的特征提取网络进行改进, 使用卷积层更少的 ResNet-18 作为骨干网络, 减少算法的参数量; 针对无人机目标特点, 对 Faster R-CNN 算法的特征金字塔网络中的特征融合方法进行改进, 增强了目标特征与背景特征的对比度; 使用双线性插值的方法改善因感兴趣区域池化而造成的预测框偏离的问题。最后, 在构建的低空无人机数据集上对改进的算法进行了实验验证，结果表明提出的改进 Faster R-CNN 目标检测算法检测速度达到了 35.5 帧/秒(FPS), 较原始 Faster R-CNN 算法的 15.8 FPS, 速度提高了约一倍, 且算法的平均精确度均值 mAP 提升了 0.7%, 有效提高了算法对无人机小目标的检测识别性能。

为了解决量子图像处理中的图像增强问题, 提出了一种基于灰度级-彩色变换法的量子图像伪彩色编码方法。基于通用量子图像表示(GQIR) 模型, 对热金属码分段函数进行量子化, 并给出了该算法实现的量子线路图, 该量子线路设计分为量子 R 变换器、量子 G 变换器和量子 B 变换器三部分, 总的量子线路图所用基本量子门数为 2947。相比于经典伪彩色编码, 量子图像伪彩色编码基于量子态的叠加性和相干性, 实现了空间复杂度和时间复杂度的指数级降低。仿真实验结果表明该算法具有可行性。

随着图像处理技术的发展、嵌入式硬件的进步, 无人机 (UAV) 的机器视觉成为一个十分热门的研究领域。UAV 自动降落控制是 UAV 飞行控制系统的关键技术之一, 对 UAV 降落的稳定性、精确性、可靠性、实时性具有重要的作用。针对车载 UAV 自动返航降落误差大的缺点, 通过机载视觉处理单元对 UAV 降落的平台进行图像处理后, 将获取的 UAV 和降落平台的位置信息通过坐标转换算法转换为真实坐标信息, 然后通过模拟遥控器杆量的方式来控制 UAV 实现精准降落。实验表明, 利用所提出方法能够精准识别 UAV 降落平台, 与只有 GPS 定位的实验结果相比, 该方法能够有效地增加 UAV 降落的精度, 具有一定的实际应用价值。

提出了一种基于分层聚类二维视点合成的集成成像系统。在该集成成像系统中, 采用电动平移台结合单个相机的视点采集方式采集稀疏视点图像; 为提高视点采集效率, 使用基于分层聚类二维虚拟视点合成方法实现图像间的虚拟视点合成, 并利用合成的多视点图像通过像素映射得到微单元图像阵列; 利用像素映射得到微单元图像阵列, 实现计算重建过程。实验结果表明该系统不仅可以满足高效率的三维信息采集, 而且在保证合成视点质量的同时还提高了分辨率质量, 增加了集成成像应用的灵活性。

鬼成像相较于传统光学成像有着高分辨力、 抗噪声能力强等优势。而相较于单一波长鬼成像,多波长鬼成像在对待测物体空间信 息进行重构的同时,还可以重构其色彩信息。首先简要介绍了多波长鬼成像的理论基础, 随后以白光照明的多波长鬼成像为实验架构,选用哈达玛照明图样进行了多波长鬼成像的 色彩重构。并通过扩大光谱范围,即采用多个波长进行优化实验,使重构结果中的色彩明亮度得 到了改善。该研究的开展为多波长鬼成像在光谱成像方面实现应用化奠定了基础。

针对量子图像拼接使用传统尺度不变特征变换(SIFT)算法易造成 特征点数量不合理和误匹配率高的问题,提出基于动态阈值和全局信息的SIFT量子图像拼接算法。针对特 征点数量问题,利用特征点数量与量子点或量子环数量呈正比例关系这一特性,通过量子点或环的密度对SIFT算法 的对比度阈值进行设置,以得到合适的特征点数量。针对误匹配率问题,通过构建全局信息描述子,并与SIFT局部描 述子相结合,以降低误匹配率。实验结果表明:改进的算法有效地完成了量子环、量子线和量子点图像的拼接; 将量子图像的特征点有效地控制在一个合理的范围内,并将误匹配率从17.34%～33.02%降低至10.84%～20%, 使量子图像的拼接具有更好的可靠性。