基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

红外序列图像中缓动点目标的流水线检测算法

主要讨论了红外序列图像中缓动点目标的流水线检测算法。把序列图像看成一个三维空间 ,设计了两个流水线 ,即分割流水线和检测流水线。前者通过求差值图像的门限分割 ,获得侯选目标点 ;后者对剩下的目标点进行窗口幅值累加和门限处理 ,获得目标点。实验显示 ,可以用 15帧图像较高效地检测出目标。最后对算法的性能和实验结果作了分析。     

基于小波变换和神经网络的舰船目标识别和分类

根据舰船轴频电场信号的特点,提出了基于小波变换和神经网络的目标识别和分类方法.利用小波变换计算轴频电场信号的功率谱,提取特征量,根据轴频电场平均累积功率谱对舰船目标和海洋环境进行识别.根据轴频电场信号的功率谱分析,对不同类型舰船目标进行识别.运用BP神经网络,对不同类型舰船目标和海洋环境进行分类.通过对海上试验采集轴频电场数据的仿真计算,证实了该识别和分类方法的有效性.     

基于BP神经网络的运动目标红外图像仿真

针对国内外红外图像仿真中采用热力学方法对物体温度场建模的不足,将基于BP神经网络的机器学习算法应用到物体的红外图像仿真中。根据车辆的红外特性将其表面划分为若干区域,并对所划区域的表面温度进行多次测量,得到训练样本集合,然后运用神经网络建立车辆的温度场模型,并对车辆在设定气候条件下的静止和运动状态进行仿真。根据仿真结果分析,此模型能够根据所设定的气候条件较准确地实时仿真运动目标的红外图像。     

基于分形和背景知识挖掘的红外图像水上桥梁目标识别

针对复杂背景下远距离航拍红外图像中水上桥梁识别的难题,提出一种新的基于分形理论和背景知识挖掘的目标识别方法。根据红外图像水上桥梁上下文描述,利用红外图像的直方图动态阈值法和分形特征检测出图像中的感兴趣区水域,同时基于先假设后检验的桥梁潜在目标被分割出来;然后利用形态学滤波完成目标图像的进一步分割;最后,利用目标特征匹配完成桥梁目标识别。基于TMS320C6416图像跟踪器的实验结果证明:该方法有较高的自动目标识别率和计算实时性。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

红外运动小目标检测算法研究

红外探测器受到各种外因、内因的干扰,导致成像模糊,噪声干扰大,使红外运动小目标检测技术成为一直难以实现突破的尖端技术难题,本文提出综合运用基于小波变换的高频信息提取算法、基于灰度形态学梯度的边缘检测算法和以圆形性特征量作为判决准则的边界提取算法的红外运动小目标检测算法。     

基于离散余弦变换的红外目标识别算法

提出了一种基于离散余弦变换的红外目标特征描述方法，通过离散余弦变换描述子提取平移、旋转、尺度放缩等变换下不变性的目标形状特征，利用前向传播神经网络学习及识别这些特征向量，对3类不同姿态下的目标图像进行了分类识别，并将所提出的特征提取方法与傅立叶描述子进行比较。仿真结果表明，和傅立叶描述子相比，在保证识别率不变的情况下，采用余弦变换描述法可以减少数据运算量和运算时间。     

基于BP神经网络的红外小目标检测

针对红外小目标检测问题,提出一种基于BP(back propagation)神经网络的小目标检测算法。该算法利用BP神经网络的函数逼近特性对红外图像进行背景估计,然后根据背景对消原理消去背景噪声,从而检测到潜在的红外小目标。通过仿真实验证明该算法的有效性。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

用于图像目标识别的神经网络方法

本文提出了一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉｍｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络不一定收敛到期望样本点上。本文的模型采用了先设计稳定点、再构造吸引域的方法，提高了网络的识别正确率及速度。针对图像识别中矢量维数大的实际，提出了一种不变性方法，使得样本维数下降而分类距离保持不变。同时又证明了网络的收敛性、收敛速度及映射保距等。计算机模拟结果表明，网络对噪声或缺损图均能正确识别。     

基于小波分解与神经网络的图像分割方法

采用小波变换进行图像分解，得到不同分辨率下的图像表示，进而构造多分辨率图像金字塔。然后讨论了利用小波变换进行消除噪声的方法，较好的去除了图像的噪声。最后，采用Kohonen神经网络进行图像聚类分割，该方法加快了聚类速度，提高了图像的聚类分割准确性。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

融合小波分析与矩特征的图像识别算法及应用

生物特征识别方法正逐渐成为近年来的研究热点,而人耳图像的识别更是其中一个新兴的研究方向.研究了小波变换模极大值、小波不变矩的原理及特点,提出了基于小波模极大值与改进小波矩不变量的特征提取方法,并将其应用于人耳图像的自动识别.识别过程中先对采集到的人耳图像进行小波模极大值去噪处理与边缘提取,再对处理后的图像求小波矩不变量,将其作为人耳识别特征量.通过这种方法提取的特征量不仅可以解决光照不均、光照变化、噪声干扰的问题,而且还有平移、旋转缩放不变性.将本文得到的特征量使用误差处理方法进行加权并利用BP神经网络方法进行分类,实验结果表明,这些特征量适合于人耳图像的分类,其识别率达到了97%以上.     

基于改进的自适应小波神经网络的心电信号分类

心电信号（ECG）识别是重病特别护理中一个非常重要的课题,自动检测和分类心电节律信号是诊断心脏异常的一项重要任务。基于小波变换理论,小波神经网络已经被广泛的应用于信号的表达和分类。文中介绍了一种具有一层感知机的小波神经网络,对小波神经网络收敛性影响较大的网络初始化值提出了一种改进的初始化算法,并研究得出了隐含层的选取与网络收敛性的关系。应用该网络分类心电信号的正常心跳和室前收缩,取得了很好的效果。文中使用到的心电数据是从MIT-BIH心电失常数据库中下载的。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度     

用多层前馈神经元网络实现运动点目标图像识别

本文主要讨论了远距离目标(即点目标)的识别问题,提出了一种用二阶神经元网络来识别含噪运动点目标图像的方法,给出了点目标运动轨迹参数与速度参数提取方法和二阶神经网络的改时B—P学习算法。在PC—286微机上对本文提出的方法进行了仿真实验,结果表明这种识别方法具有很好的识别效果。