采用圆投影和序贯相似检测的图像匹配技术

针对现有的高精度匹配方法复杂度较大,现有的圆投影匹配方法在实际应用中计算量高、速度慢的缺点,提出了一种新的图像匹配算法.该算法基于序贯相似检测原理,采用由粗到精的匹配策略,应用步长自适应的跳跃式搜索方法,在不影响匹配精度的前提下,跳跃了大量匹配点,减小了在非匹配点处的计算量.实验结果表明,与已有的基于不变矩的匹配算法、圆投影匹配算法相比,该算法具有较高的匹配精度,且匹配速度快.     

基于邻域粒化混合决策系统克隆选择约简算法

针对混合决策系统的属性约简问题,提出了基于邻域粗集模型的小生境克隆选择属性约简算法.采用邻域关系度量不可分辨关系,通过邻域信息粒子逼近论域空间,可以直接处理数值型属性.克隆选择约简算法的提出解决了求解全部约简的NP完全问题.论述了亲和度函数的选择,引入了小生境技术,避免了抗体的早熟收敛及算法中的参数对具体优化目标的敏感性和单一收敛性,给出了算法的具体实现.对经典数据集和UC I中4组数据约简的仿真结果证明了算法的有效性和可行性.     

卷积神经网络与ELM的图像分类算法研究

卷积神经网络的全连接层作为一个经典的分类器,是根据传统的梯度下降法来实现训练的,泛化能力有限.针对这一问题,提出了一种将卷积神经网络和极限学习机相结合的混合模型应用于图像分类领域.卷积神经网络用于从输入图像中提取特征,特征映射最终会被编码成一维向量送入极限学习机中进行分类.给出了混合模型的详细设计,包括参数设计、结构分析以及迭代过程中反向传播算法的推导.实验结果表明,混合模型分类精度和快速性优于传统模型.在MNIST数据集上的分类精度达到了99.32％,GTSRB德国交通标志数据集上的分类精度达到99.35％.批尺寸相同时,混合模型的训练时间仅为卷积神经网络模型的9.9％～10.3％,同时测试速度是卷积神经网络模型的1.50～1.56倍,大幅缩短了时间.     

多信息代价计算融合显著梯度的立体匹配

立体匹配是视觉导航、三维重建的信息基础.为了降低光照失真对匹配代价计算的影响,消除引导滤波平滑图像时产生的光晕,提出了一种多信息代价计算融合显著梯度的立体匹配算法.设计了融合颜色特征、梯度信息及梯度角度的匹配代价计算算法,对左右视图进行匹配代价计算;然后进行显著性处理,计算显著图的梯度信息,得到图像的局部平均梯度;遍历全图得到全局局部平均梯度作为边缘判断条件,自适应调整引导滤波的正则化参数.实验结果表明,算法有效改善了边缘轮廓及平滑区域的视差,降低了误匹配率.     

矿用通风机故障诊断系统设计

针对矿用通风机常见故障展开研究,分析了转子不对中、不平衡、油膜涡动、喘振等故障的产生机理及故障表征,设计了基于粗糙神经网络的故障诊断系统。首先针对通风机故障类型特点进行故障数据采集,包括振动信号和温度信号。然后,预处理后的样本数据采用粗糙集的方法进行属性约简,删除冗余属性。最后,样本数据被分成训练样本和测试样本,分别用来训练和测试神经网络分类机。实验表明,该系统运行可靠、诊断率高,提高了通风机系统的安全性,拓展了粗糙集的应用范围。     

融合有限差分及梯度的Bayer-CFA插值方法

为了实现对边缘像素点的高精度插值,融合有限差分、图像梯度、图像相关性提出了一种先插值再修正的Bayer彩色滤波阵列(color filter array,CFA)插值方法Bayer-CFA。首先,把CFA图像中的已知像素点作为离散的网格节点,利用像素点间的空间相关性构造插值函数。然后,结合色彩相关性设计插值G像素的水平、垂直方向的插值算子,并用梯度信息建立两个方向的权重因子,实现G平面插值;再根据G像素点左右的已知R像素点的对称性及色彩相关性构建插值函数,应用色差公式完成R平面插值,并用与R平面插值相同的方法完成B平面插值。最后,对每个插值结果,在以其为中心的3×3邻域内进行梯度修正,采用梯度信息构造8个方向的权重因子,用像素点的空间位置决定加权系数,以消除不规则边缘及纹理引起的插值误差。仿真结果表明:相较于EET算法,Bayer-CFA的彩色图像峰值信噪比提高了0.57 dB,S-CIELAB空间的色差降低了0.23;Bayer-CFA在使用梯度修正后能减少伪彩色,沿边缘方向的插值有效削弱了锯齿现象,能保留图像的边缘纹理细节。     

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。     

基于双分支特征提取的水下图像复原

水下成像的复杂性,严重影响图像质量.为解决水下图像存在的颜色失真、亮度底等问题,提出一种双分支水下图像复原模型.复原模型利用双分支特征提取架构提取水下图像不同层次,不同尺度的特征,实现提取特征的完整性;利用残差结构做中间特征处理环节,增强网络学习能力,提高训练速度;且在残差模块中引入空洞卷积以增大感知野,融合两个分支提取的特征信息;最后残差的输出通过重建模块进行上采样得到清晰水下图像复原图.通过在损失函数中增加感知损失函数,最大程度保留水下图像的细节信息,增强图像清晰度.实验结果表明,所提算法能有效校正水下图像的颜色失真,图像清晰度提高,图像质量得到提高,整体视觉效果要好.     

结合批归一化的轻量化卷积神经网络分类算法

传统的深度卷积神经网络结构复杂,参数量多.针对现有的轻量化卷积神经网络模型结构,提出一种改进的轻量化卷积神经网络BN-MobileNet.采用模型压缩的方法对原结构进行缩减,减少冗余参数,再对深度可分离卷积的结构进行改进,在relu非线性激活层后加入归一化层来对非线性激活层所输出的数据进行归一化处理.同时,使用全局平均池化层来代替全连接层,减小模型结构的复杂度和参数量.通过在标准的分类数据集cifar10和cfar100上进行实验,实验结果表明,本文提出的改进模型能够降低运行的时间和模型的大小,提高了检测的速度,在标准分类数据集上的分类准确率各有2.68％和3.16％的提升.