基于多视点多尺度的轮廓畸变图像仿真方法

针对目标成像中出现的尺度变化和轮廓畸变等问题,提出了飞机目标的多视点多尺度轮廓畸变图像仿真方法.采用MultiGen建立目标的精确三维模型,先通过高斯球仿真其不同视点图像,然后由多视点原始级别图像轮廓通过高斯金字塔进行模糊降分辨率处理,最后对不同尺度图像轮廓叠加不同强度的高斯噪声.仿真试验结果表明,该方法生成的图像能逼真地模拟实际图像,可作为ATR系统性能测试所需实验数据.     

舰船目标雷达视景仿真研究

针对舰船目标雷达视景仿真中舰船目标实体建模和雷达视景仿真两个主要模块,在分析各个模块实现方法及原理的基础上,提出基于积木式模型结构细化分割的建模方法,探讨了三维动态海洋场景开发的方法和基于Vega的舰船目标雷达视景仿真流程.仿真结果表明建模和仿真方法具有可行性,仿真产生的雷达图像与实际图像较为接近,并符合实际成像条件下的成像规律.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于新的加权局部熵的小目标红外图像处理

为了有效地处理低信噪比复杂背景下的小目标红外图像,提出一种基于新的加权局部图像熵的小目标红外图像处理方法.该方法利用小目标红外图像的内在特点,提出多尺度灰度差异算子和局部图像熵算子,然后通过点积运算获得加权局部图像熵,从而有效地抑制红外图像背景和噪声、增强目标,最终大幅度地提高图像的信噪比.仿真实验结果表明:所提方法能高效地处理复杂背景下小目标红外图像,具有一定的理论和应用价值.     

基于多旋涡湍流模型的红外退化图像仿真

大气湍流效应会导致红外成像降质，为了有效模拟复杂湍流场引起的红外图像模糊现象，本文综合考虑湍流场中旋涡尺度、强度、数量和旋涡随机偏移等因素，提出一种基于改进类高斯点扩展函数的多旋涡湍流模型，对红外图像进行退化仿真；为了定量评估仿真图像的模糊程度，利用模糊图像中心像素向周围扩散的特点，提出基于相邻像素-锐度的图像降质模糊度评估方法。实验结果表明：所提出的退化模型具有图像质量变化平稳、模型参数细致、仿真可控性强等特点，并且所提出的评估方法能准确地反映图像的降质模糊度。     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．     

海天背景下的红外序列图像仿真

对于红外成像制导仿真而言,无论是半实物仿真还是数学仿真,关键在于红外序列图像的生成．该文介绍通过OpenGL模拟海天背景下舰船目标的红外序列图像．首先对舰船目标进行三维建模,分析目标背景的温度场和红外辐射特性,同时通过Lowtran7软件来计算大气传输中的辐射衰减,对得到的辐射量进行量化,最后利用双缓存技术实现红外图像的动态生成．     

逐层迭代的多尺度水平集红外图像分割算法

针对应用传统水平集方法进行红外图像分割易产生误分割且运算量大,提出了一种多尺度水平集分割算法,该算法利用小波变换将图像分解成多尺度子图像,在子图像上进行图像分割,采用插值法将粗尺度上曲线演化结果投影到细尺度上作为初始轮廓线,逐层分割,并根据图像噪声的大小,确定演化模型中的正则项参数,使噪声得到有效抑制,获得准确的分割结果.仿真实验表明,该方法不仅分割效果好,而且具有抗噪性强和运算速度快的特点.     

基于小面核滤波的快速红外舰船检测方法

针对复杂海天背景下红外舰船目标的实时检测需求,提出了一种基于小面核滤波的快速红外舰船检测方法.在频域视觉显著性计算原理的启发下,结合小面拟合模型,设计了一种高效的时域小面卷积核,以抑制背景并增强具有高亮灰度对比边缘的红外舰船目标,进而确定候选目标区域.然后采用一种L0梯度最小化滤波方法,实现候选区域中目标区域的灰度均衡,以完整并准确提取目标形状.最后根据舰船的尺度和形状特性,完成目标判别.实验中对3组公开实拍红外图像数据集进行了测试,实验结果表明:本方法具有较好的鲁棒性,其对3组数据的检测准确率均高于90%,在PC平台上的处理速度维持在10ms量级,优于现有的典型方法,能够满足多数工程应用需求.     

基于特征金字塔模型的高分辨率遥感图像船舶目标检测

以舰船为研究对象,研究高分辨遥感图像的多尺度多目标检测中的关键技术,主要解决多尺度多目标识别和细粒度分类准确率低等问题.在目标定位方面,利用特征金字塔深度网络定位多目标区域,创建一个在所有尺度上均具有语义信息的特征金字塔,有效解决多尺度多目标数据定位准确率低这一关键问题;在目标识别方面,利用共享CNN网络重建输入图像、优化多任务损失函数提取细粒度分类目标结构特征,提高细分目标识别准确率.与GoogLeNet、Faster R-CNN和Yolo三种目标检测算法对比实验表明,利用特征金字塔和重建输入图像可有效检测多目标多尺度的细粒度船舶对象,漏检率为1.5%,细粒度分类识别平均准确率为92.67%.     

云背景红外天空图像的统计模型与仿真

以实测红外云背景天空图像为研究对像,重点对其傅里叶功率谱、灰度分布等统计特性进行了分析,并通过对功率谱函数和灰度分布函数的拟合构造了目标图像的参数模型.与传统的基于背景红外成像特性三要素的模型相比,本模型参数大大减少且没有冗余信息,更有利于控制和使用.为实际应用的需要和验证模型的有效性,以所构造的模型为基础,设计适当的仿真算法生成了云背景红外天空仿真图像,并对仿真图像质量进行了检验.实验结果表明,使用文中的仿真算法得到的仿真图像与具有相同模型参数的真实图像的相似度大于80%,且具有较强的视觉相似性,证明了模型的有效性.     

海面目标与海天背景合成的红外图像数值模拟方法

在对海面目标红外图像理论模拟的研究中,已经能分别计算出目标和海面大气背景的红外图像,作者研究了在此基础上用数值方法模拟海面目标和海天背景合成的红外图像的计算原理和方法,编制了生成合成红外图像的计算软件并计算了某舰的模拟热像。     

海面目标热像理论模拟中的几何构型问题

建立舰船几何模型是海面目标红外图像理论建模的基础,作者研究了建立舰船几何模型时的简化和近似原则,并探讨了其几何模型参数的数据结构和存储方式。文中还以某舰为对象,采用简化和近似的方法,建立了它的几何模型和相应的数据库,最后得取某舰的几何模型。     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于xPC Target的TIG焊PID控制实时仿真

为尝试在焊接过程控制研究中应用实时仿真方法,采用基于Matlab/Simulink的xPC Target模块搭建实时仿真平台,对TIG焊过程进行电流闭环PID控制实时仿真实验,实验中采用凑试法选择最优PID参数,对1.0、0.1 Hz的方波及0.33 Hz的复杂波形进行在线控制仿真.由实验结果可知,基于Matlab/Simulink的xPC Target模块搭建的实时机系统可以在线仿真得到最优控制参数.     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。