基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

机器视觉的背景颜色对水稻种子图像分割的影响

在机器视觉识别水稻种子的发展过程中,背景颜色对水稻种子的图像分割直接影响着识别分析的准确性.采用4种不同的背景颜色进行图像采集,即将黑色、蓝色、绿色和红色涂在种子上,分析其图像识别效果,研究背景颜色对水稻种子图像分割的影响.利用LabVIEW软件实现图像处理,对水稻种子的长度、宽度等简单参数进行测量,根据水稻种子的实际长度和宽度计算不同背景色下的图像识别误差.研究发现,蓝色背景下种子长度和宽度的识别对比度更好,识别准确度更高.     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络，分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合，充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

求解线性双层规划的割平面算法

利用线性双层规划的全局最优解可在其约束域的极点上达到这一性质,通过对问题可行解集合的结构进行探讨,引进一种割平面技术,提出了一个求解线性双层规划的全局收敛算法,并通过一个算例说明了算法的求解过程.     

基于级联混沌映射的图像加密算法

提出了一种应用级联混沌映射对数字图像进行加密的算法.由于混沌映射对初始值和参数的高度敏感性及混沌序列的遍历性和良好的相关性,该算法简单易于实现,且便于同步.实验结果表明,这种加密算法具有高度的安全性和有效性.     

改进色差法的绝缘子图像分割方法

绝缘子是输电线路中的一种重要金具,对绝缘子的精确定位是监测其运行状态的前提。针对已有的红蓝色差灰度化及聚类分割方法无法从输电线图像中有效分割褐色绝缘子这一问题,提出红绿色差灰度化方法,并结合Otsu、红蓝色差灰度化、K-means和投影特征实现绝缘子分割。首先,利用Otsu算法将绝缘子与大部分背景进行分割预处理,把预处理后的二值图分别以白色像素、黑色像素映射回原图;然后,对映射图像分别对应进行红蓝、红绿色差灰度化,接着采用K-means聚类算法对灰度图分割。最后,根据投影特征从两幅候选图像中识别出绝缘子图像。实验结果表明,该方法不仅能对输电线图像中的蓝色、褐色绝缘子进行有效分割,还能减少背景分割。     

校园航拍图像超分辨率重建的粒计算方法

提出了校园航拍图像超分辨率重建的粒计算方法,包括:(1)提出了图像粒化方法,实现图像空间向粒度空间的转化;(2)设计粒之间合并运算和分解运算,构造粒之间的模糊包含关系μ和σ,实现不同粒度空间之间的转化,获取图像的先验知识,指导校园航拍图像超分辨率重建算法的设计;(3)根据自顶向下、自底向上两种模式和图像先验知识,设计校园航拍图像超分辨率重建粒计算算法,实现粒度空间向图像空间的转化.实验验证了提出方法的可行性.     

一种基于像素标记的二值图像区域围线追踪方法

在研究了多种二值图像连通区域围线追踪算法的基础上,提出了一种改进型的二值图像连通区域围线追踪算法。该算法在已有围线追踪算法的基础上,通过定义特定追踪方向,使得追踪过程始终按照逆时针或顺时针方向沿着连通区域边缘进行。在追踪过程中对像素点进行多次标记,通过在按照追踪方向确定的像素点基础上判断像素标记值来确定下一次待追踪像素点的选取。由于对像素点进行多次标记,有效区分了一次追踪像素点和二次追踪像素点,解决了追踪过程中出现的追踪间断现象,使得追踪结果呈现一条完整围线。实验结果表明,此方法可以快速有效地完成二值图像连通区域的围线追踪和提取。     

基于并行残差卷积网络的图像超分辨重建

针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点：①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。     

汽油机进气道参数化优化设计

针对汽油机进气道性能对缸内空气流动影响较大、传统经验优化主观性强且效率较低的问题,提出了一种基于气道局部变形及旋转的参数化优化方法。采用控制点对进气道局部变形及整体旋转进行控制从而实现进气道变形的参数化,并采用粒子图像测速对该模型进行了验证。对各控制变量及优化目标进行实验设计及贡献度分析,识别出对流量系数及滚流比贡献度较大的控制变量。以提高流量系数及滚流比为目标,采用第二代非劣排序遗传算法对识别的控制变量进行多目标优化,根据寻优结果得到性能最优的进气道几何模型。结果表明:优化后的进气道在滚流比基本不变的情况下,流量系数由0.490变为0.526,提升了7.35%,优化效果较好。所提方法能够一次性得到接近理论帕累托前沿的最优解集,并根据需求选择最优的进气道几何模型,实用性较强且效率较高。