1 山东理工大学, 山东 淄博 255000
2 北京航天发射技术研究所, 北京 100000
针对在INS/GNSS组合导航系统中, 由GNSS自身故障或外部环境遮挡造成的信号缺失问题, 提出了一种利用随机森林回归辅助因子图的组合导航算法。首先, 采用因子图算法对惯性导航系统、全球导航卫星系统进行建模, 搭建了INS/GNSS组合导航的因子图模型。其次, 引入随机森林理论搭建随机森林, 并在GNSS信号有效时进行训练, 模拟卫星导航失效时的GNSS信号输出值。最后设计了仿真实验, 结果表明: 改进的因子图算法相比联邦卡尔曼滤波算法在导航精度上有了10%~15%不等的提升, 同时, 所提出的随机森林回归辅助因子图算法在GNSS信号丢失的情况下仍能保持较高精度。
组合导航 因子图 随机森林回归 数据融合 integrated navigation factor graph random forest regression data fusion
1 中国矿业大学 信息与控制工程学院,江苏 徐州 226
2 中国矿业大学 计算机与科学技术学院,江苏 徐州 1116
针对目前自监督单目深度估计网络在充斥着大量低纹理、低光照区域的室内复杂场景中存在预测深度信息不精确、物体边缘模糊以及细节丢失严重等问题,本文提出一种基于层级特征融合的室内自监督单目深度估计网络模型。首先,通过映射一致性图像增强模块来处理室内图像,提升低光照区域可见性并且保持亮度一致性,丰富纹理细节,一定程度上解决了训练网络时出现模糊假平面恶化模型的问题。然后,设计结合基于注意力机制的跨层级特征调整模块的深度估计网络,充分融合编码器以及编-解码器多层级特征信息,提升网络的特征利用能力,缩小预测深度与真实深度的语义差距。最后,设计基于图像风格特征的格拉姆矩阵相似性损失函数作为额外的自监督信号约束网络模型,提升网络预测深度的能力,进一步提高了预测深度的精度。在NYU Depth V2 和ScanNet室内数据集上进行训练与测试,正确预测深度像素的比例能够分别达到81.9%和76.0%。实验结果表明,相比现有主要的室内自监督单目深度估计网络,本文网络模型很好地保持了物体边缘和细节信息,有效地提高了预测深度的精度。
自监督 单目深度估计 图像增强 层级特征融合 格拉姆矩阵 self-supervision monocular depth estimation image enhancement feature fusion gram matrix 光学 精密工程
2023, 31(20): 2993
针对图像处理中存在椒盐噪声和高斯噪声的问题, 提出了一种新的小波阈值函数与改进中值滤波融合的噪声抑制算法。依据椒盐噪声与其周围邻域像素灰度值存在的明显差异, 估计椒盐噪声, 采取3×3模板进行反复迭代滤除椒盐噪声。对高斯噪声, 利用极限思想提出了一种新的小波阈值函数, 并引入三个控制变量, 通过调节控制变量使所构成的小波系数在一定阈值范围内无限接近原小波系数。实验结果表明, 提高了峰值信噪比, 减小了均方误差, 较好的保留了图像细节。
混合噪声 改进中值滤波 小波阈值 峰值信噪比 mixed noise improved median filter wavelet threshold peak signal to noise ratio (PSNR)
1 山东理工大学 机械工程学院, 山东 淄博 255049
2 山东理工大学 电气与电子工程学院, 山东 淄博 255049
针对传统的多方向灰度形态学边缘检测算法存在计算量大、效率低的缺点, 提出了一种基于自适应噪声抑制的多方向灰度形态学图像边缘检测算法。根据图像所含噪声的种类, 采用不同尺度的结构元素对图像进行分类滤波, 再根据像素点间灰度值的变化确定边缘方向, 由相应方向的结构元素进行边缘检测。实验结果表明, 与传统的多方向灰度形态学边缘检测算法相比, 检测到的边缘重构相似度和边缘置信度更高, 边缘连续性更强, 且计算量低, 运行效率高。
噪声抑制 边缘检测 灰度形态学 结构元素 noise suppressing edge detection gray scale morphology structural elements