1 中国科学院西安光学精密机械研究所，西安 710119
2 中国科学院大学，北京 100039
针对光路对接准直目标识别算法对双目标粘连状态无法判别的问题，提出了基于二进制大对象（Binary Large Object，BLOB）区域和边缘特征分析的准直图像双光学目标识别方法。首先，对二值化图像进行数字形态学处理，计算全图各BLOB区域的面积、中心、轴长、区域、有效BLOB区域个数等信息。其次，对有效BLOB区域个数大于1的完全分离双目标准直图像，统计各BLOB区域中心分别为位于两个面积最大的BLOB区域内的BLOB数量，数量小的候选BLOB区域为主激光目标，数量大的候选BLOB区域为模拟光目标。然后，对于有效BLOB区域个数等于1的待识别图像，从左、右、上、下4个方向分别提取模板边缘图像的有效坐标序列和待识别边缘图像坐标序列，搜索有效坐标序列和待识别边缘图像坐标序列的最大相关系数对应的有效坐标序列。当4个方向的相关系数全部大于0.95时，待识别图像为模拟光目标；当4个方向的相关系数都小于0.95时，待识别图像为主激光目标；否则待识别图像为粘连图像。实验结果表明：提出的双光学目标识别算法，不仅能够识别完全分离的模拟光目标和主激光目标，误差小于3个像素，处理时间小于1 s，而且能够判别处于粘连状态的光学目标和单个独立的光学目标，满足光路对接准直图像识别算法对于自适应性、精度和效率的要求。
光路对接准直 BLOB区域 边缘特征分析 双光学目标识别 粘连图像识别 Optical path docking collimation BLOB region Edge feature analysis Dual optical target recognition Adhesion image recognition
1 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
2 中国科学院大学，北京 100049
伪装目标分割的任务是使用像素级分割掩码将与背景高度相似的目标进行准确分类和定位，与传统的目标分割任务相比更具挑战性。针对目标与周围环境高度相似、边界模糊、对比度低等问题，构建了一种基于边缘增强和特征融合的伪装目标分割方法。首先，设计了一组边缘提取模块，能够更准确地分割有效的边缘先验。之后，引入了多尺度特征增强模块和跨层级特征聚合模块，分别挖掘层内与层间的多尺度上下文信息。提出了一种简单的层间注意力模块，利用相邻层级间的差异有效滤除融合后存在的干扰信息。最后，通过将各级特征图与边缘先验逐级结合的方式，获得准确的预测结果。实验结果表明，在4个伪装目标基准数据集上，该模型的表现都优于其他算法。其中加权F值提升了2.4%，平均绝对误差减少了7.2%，在RTX 2080Ti硬件环境下分割速度达到了44.2 FPS。与现有方法相比，该算法能够更准确地分割伪装目标。
深度学习 伪装目标 图像分割 边缘特征 特征融合 deep learning camouflaged object image segmentation edge feature feature fusion
针对安防监控摄像机在夜间拍摄时易产生噪声，以及所使用的图像去噪方法易产生图像边缘特征退化的问题，提出了一种基于图像像素值差的监控摄像机低照度去噪方法。通过计算像素值差，再下采样得到图像金字塔，以获得整体和局部像素值差的索引，由此设计了一种适用于低照度的去噪卷积核，以增加噪声对中间像素值的影响，实现低照度环境下图像噪点的消除并保留其边缘特征。实验表明，该方法在低照度场景实际应用中既去除了图像的噪点，又保留了边缘信息。与基于小波变换的算法相比，该方法明显提升了图像的主观评价质量，并在Imatest信噪比测试中提升了图像的亮度信噪比。
低照度 去噪 边缘特征 low illuminance denoising edge feature
1 西安石油大学，陕西 西安 710065
2 青海民族大学物理与电子信息工程学院，青海 西宁 810007
当前的动态目标识别方法在场景复杂的图像中，因为无法采集足够多的特征信息，导致识别结果应用性受限。基于三维激光点云提出一种运动图像动态目标识别方法。利用三维扫描系统获取运动点云图像特征，在不影响有效信息采集的情况下，进行图像预处理；引入地平面方程，将图像背景点云与被识别目标点云通过欧式聚类法分割，提取处理后的被识别目标关键点，并采用Freeman链码检测边缘特征，完成运动图像动态目标识别。试验对比结果表明，所研究基于三维激光点云的运动图像动态目标识别方法，对动态目标有良好的鉴别能力及较好的识别精度，且所需动态目标识别时间较短。
动态目标识别 三维扫描系统 点云图像 图像预处理 关键点提取 边缘特征检测 dynamic target recognition three-dimensional scanning system point cloud image image preprocessing key point extraction edge feature detection
1 四川大学电子信息学院光电系， 四川 成都 610065
2 中国科学院光电技术研究所， 四川 成都 610209
车载抬头系统是未来车载仪表显示发展的必然趋势。针对在抬头显示系统自由曲面反射镜测量过程中不同区域特征相似、不易提取特征点，以及优化时易陷入局部最小值的问题，提出了一种高精度的三维点云与抬头显示反射镜面形模型匹配的方法，实现了高稳定性、高精度配准和误差评价。首先测量数据和模型数据转换成点云文件，经过三维旋转，使点云的法向量平行于Z轴；然后向不会造成重叠与遮挡的XOY平面投影；投影后，在二维平面内提取边缘，并提取边缘轮廓点，通过确定对应轮廓点计算旋转角度，在三维空间对点云数据旋转后，完成粗匹配，最后采用全局点云最小化目标函数完成精确匹配。该算法利用自由曲面反射镜的不规则边缘特征进行匹配，避免提取局部特征点，并且优化过程中不会陷入局部最小值，能够精确计算被测件的面形误差。
机器视觉 点云配准 自由曲面反射镜 边缘特征 误差分布 machine vision point cloud registration free-form surface mirror edge characteristic error distribution
长沙师范学院信息科学与工程学院, 湖南 长沙 410100
针对视频图像中多目标运动、边缘特征模糊、目标跟踪难度大的问题,提出了一种基于多目标视频图像边缘特征的核相关滤波跟踪算法。首先,将视频图像中目标运动轨迹的3帧图像时间作为线性段。然后,利用线性判断方法捕获目标,利用动态边缘演化技术准确提取捕获目标的边缘特征;并结合视频图像梯度角度直方图与颜色信息,获取梯度角度-色度饱和度直方图颜色特征,得到跟踪目标的特征权重。最后,利用核相关滤波跟踪算法,通过循环移位和循环矩阵、岭回归模型学习分类器实现视频图像的多目标跟踪。实验结果表明,本算法的多目标跟踪成功率高达99%以上,且在尺寸变化、颜色变化、存在遮挡物等复杂环境下每秒能跟踪的图像数量大于65 frame,具有优越的跟踪性能。
图像处理 多目标 线性判断 边缘特征 核相关滤波 激光与光电子学进展
2021, 58(6): 0610003
1 广州大学松田学院 计算机科学与技术系，广东 广州 510000
2 华中科技大学 软件学院，湖北 武汉 430000
当前图像融合主要通过图像特征取大的方法来融合图像系数，忽略了图像边缘特征的相关性，使融合结果中存在块现象和不连续现象等不足。为此，引入二代曲波(SGC)变换，设计边缘特征加权的图像融合算法。将输入图像通过SGC变换，分解出其低频和高频系数；采用区域能量模型，计算出图像所包含的能量特征，通过均值模型，计算出图像所包含的亮度特征。利用图像的能量和亮度特征，构造双特征低频系数融合函数，获取能量特征和亮度特征都较为理想的融合低频系数。利用Sobel算子对图像的边缘特征进行检测，利用检测结果构造边缘特征加权的高频系数融合准则，获取高频系数融合结果。最后，借助二代曲波逆变换处理融合系数，获取融合图像。实验测试结果显示，相对于当前融合技术，所提算法具有更好的融合效果，其融合图像具备更好的边缘连续性以及清晰度。
图像融合 二代曲波变换 区域能量 双特征 低频系数 Sobel算子 边缘特征加权 image fusion Second Generation Curvelet transform regional energy double features low frequency coefficients Sobel operator edge feature weighting 太赫兹科学与电子信息学报
2020, 18(5): 870
大连民族大学机电工程学院, 辽宁大连 116600
针对全景分割中实例目标边缘特征提取不足导致目标边界分割失效的问题, 提出一种创新的实例特征深度链式学习全景分割网络。该网络由基本的链式单元组合而成, 根据单元结构对特征信息处理方法的不同, 链式单元分为特征保持链和特征增强链两种。特征保持链是链式网络特征提取过程的输入级, 保证输入信息的完整性, 而后将特征传递到特征增强链结构;特征增强链通过自身的拓展来加深网络深度, 提升特征提取能力。链式学习网络由于具有良好的深度堆叠特性, 可以获取丰富的边缘特征信息, 提高分割精度。在 MS COCO和 Cityscapes数据集上的实验结果表明, 本文提出的实例特征深度链式学习全景分割网络在分割精度上优于现存同类方法, 与全景分割网络常用的 Mask RCNN实例分割结构相比, 分割准确率最高提升了 0. 94%。
全景分割 实例特征 边缘特征 链式网络 捷径连接 panoptic segmentation instance feature edge feature chain network shortcut connection 光学 精密工程
2020, 28(12): 2665
1 沈阳建筑大学信息与控制工程学院, 辽宁 沈阳 110168
2 沈阳理工大学自动化与电气工程学院, 辽宁 沈阳 110168
3 东北大学机械工程与自动化学院, 辽宁 沈阳 110168
针对计算机视觉中目标跟踪的问题,提出基于卷积神经网络(CNN)提取深度特征并与边缘特征进行自适应融合的策略来实现视频目标的跟踪算法。卷积神经网络的低层网络可以获取目标的一部分空间结构、形状等特征;高层网络可以获得相对比较抽象的部分语义信息。将VGG16神经网络中第2个卷积层Conv1-2、第4个卷积层Conv2-2和最后一个卷积层Conv5-3提取的深度特征与边缘特征进行特征的自适应融合来实现视频目标跟踪。在OTB100数据集中对本文算法进行实验验证与分析,结果表明,本文算法能够对目标实现更加准确的定位。
机器视觉 目标跟踪 边缘特征 卷积神经网络 特征融合 激光与光电子学进展
2020, 57(4): 041502
西安工程大学电子信息学院, 陕西 西安 710048
对区域的边界和物体边缘像素使用聚焦操作来计算区域显著特征,采用全局颜色显著性计算全局显著特征,基于卷积神经网络(CNN)融合区域显著特征和全局显著特征,获得最终的显著图,同时采用循环结构网络,多次参考周围环境信息,剔除噪声特点。在MSRA图像库和ECSSD图像库中测试所提算法,其平均精度和平均召回的调和平均值、平均误差均优于当前流行算法。
机器视觉 显著性检测 卷积神经网络 区域边缘特征 全局颜色特征 激光与光电子学进展
2019, 56(9): 091007
