基于高通滤波和顺序滤波的小目标检测

针对红外图像中弱小目标的检测问题,比较了几种高通模板的效果与性能,提出了一种基于高通和顺序滤波相结合的小目标检测方法。该方法是在采用高通滤波来抑制背景的基础上,利用噪声图像直方图呈高斯分布的特性,用门限判决对图像进行预检测。然后用顺序滤波去虚警点从而得到目标点。实验结果表明,在信噪比SNR>2时该方法能有效地检测出图像中的小目标。     

两类阈值对图像小波边缘提取的影响研究

对Mallat的多尺度小波变换边缘提取算法中阈值的选取[1] 作了改进 ,提出了对整幅图像设置链平均幅度阈值 (Tm)的下限和链长度阈值 (Tn)后 ,再采用矩形自适应法选取链平均幅度阈值 (Tm)来对局部模极大值进行删取 ,在不同尺度上提取图像边缘 ,而后综合形成图像的真正的边缘。实验表明 ,这种对链平均幅度阈值 (Tm)先设定下限再采用矩形自适应法选取阈值的方法 ,是一种更加有效的边缘提取方法。     

基于圆环模板的改进Harris角点检测算法

Harris算子是经典的角点检测算法,但却存在检测性能依赖高斯窗窗长和阈值的不足,本文对此做出改进。先设定较低阈值,检测出图像中的疑似角点。再构造一个新的圆环模板,通过内外两个圆环上的像素点评估中心像素邻域灰度变化,用构建的新模板遍历每一个疑似角点,滤除虚假角点,得到最终检测结果。本文算法计算内外两个圆环上像素的灰度变化,充分考虑了角点在局部区域灰度变化明显的特征,不涉及微分运算,所以具有较好的鲁棒性。通过一系列实验,新算法在实际应用中明显具备良好的检测性能。     

最大模糊能量图像阈值分割法

最小模糊熵阈值法是一个常用的图像分割方法。依据模糊熵的对偶概念：模糊能量,提出了对应的最大模糊能量阈值法。考虑到最大模糊能量阈值法在有些情况下不能有效找到直方图的谷点,通过融入阈值点的概率信息,提出了一种改进的加权最大模糊能量阈值法,改进方法能够使得分割阈值点更接近图像直方图的谷底。实验结果表明,改进的最大模糊能量阈值法对单峰直方图和小目标图像有更好的分割效果。     

一种基于小波树能量的嵌入式图像编码方法

在给出小波树能量概念的基础上,针对EZW算法的特点及缺点,提出了一种新的改进算法,该算法中设计了一种新的小波树编码的扫描次序方法和有效值映射表示方法,该算法克服EZW算法不能充分利用小波变换的特点,存在树间冗余的缺陷。仿真结果表明该算法比原算法在峰值信噪比上有较大提高。     

一种基于高阶统计量的图像识别算法研究

提出了一种基于图像高阶统计量的识别算法。利用Radon变换将图像数据变换到一维空间,通过计算投影数据的双谱构造出具有比例和平移不变性的特征。利用Rapid变换获得特征的旋转不变特性;接着,利用阈值分析的方法进行特征选择,获得了较原始特征更好的识别效果。针对特征向量过长的问题,利用主元分析进行长度压缩。与不同方法的实验比较表明,算法能够有效地用于图像识别。     

随机投影阵下的界约束总变分图像恢复算法

主要研究以交替方向法为基础的总变分图像恢复模型,结合约束优化问题以及快速迭代技术,提出了一种约束总变分图像恢复的快速算法。对总变分模型添加范围约束,利用交替方向法进行求解,把原问题转化为3个子问题,分别用迭代阈值法、快速傅里叶变换法以及投影法进行求解。把快速迭代技术应用于迭代阈值法来提高计算效率,利用非精确计算法来克服系数矩阵为随机投影阵带来的傅里叶变换的计算费时问题。数值试验结果〖JP2〗表明,针对随机投影阵下的约束总变分问题,新方法在提高计算效率的同时还能得到很好的图像恢复效果。     

基于阈值判断的区域指导插值算法

针对传统图像放大算法对边缘区域划分不准确造成图像质量较低,而自适应插值放大方法模型复杂且计算量大的问题,提出一种基于阈值判断的区域指导(area directed threshold judgment, ADT)插值算法。该算法利用阈值判断的方法对插值点周围进行区域划分,结合近邻法和众数法确定插值点所属区域,根据插值点类型不同,利用不同权值大小的线性插值公式实现自适应插值,提高图像质量。仿真测试结果表明,与基于协方差的自适应插值算法相比,ADT算法在图像质量降低不显著的前提下,能显著提高插值速度;与双线性插值算法相比,图像峰值信噪比平均增加2.19 dB。     

基于多元信息的绝缘子红外故障诊断

绝缘子在制作不良、污秽等故障情况下表现为温度升高,红外成像技术是绝缘子温升故障检测的一种新手段。针对绝缘子的温升故障,提出了基于多元信息的图像识别和故障诊断方法。通过对图像预处理,利用边缘检测和数学形态学算法去除红外图像中的复杂背景,将绝缘子准确的识别出来,再结合红外图像的温度信息,判断绝缘子的温度是否超出设定的阈值,实现绝缘子的故障诊断。利用红外摄像仪获取故障绝缘子的红外图像,验证了本方法的可行性。     

低信噪比图象边缘提取的非线性方法

本文介绍了被强噪声干扰的图象的边缘提取问题。作者提出把大窗口去噪性能强,小窗口提取边缘性能好的优势相结合的思想,采取大窗口滤波,小窗口中用非线性的方法求二阶导数过零点的步骤。文中还提出一种噪声引导的阈值确定准则,以此阈值分割图象。在大窗口滤波中,本文提出用“二维卷积等于一维级联”的技术压缩滤波器的贮存空间,使得贮存空间大为减小。本文最后对这种方法进行了性能评价。     

基于互易点学习的LPI信号开集识别

针对现有采用时频图结合深度学习模型对低截获概率(low probability of intercept, LPI)雷达信号识别的方法在开集场景下会失效的问题, 提出一种基于互易点学习(reciprocal point learning, RPL)和阈值判断的雷达信号开集识别方法。通过RPL对特征空间进行优化, 使已知类和未知类信号样本在特征空间中分布不同, 最后确定合适的阈值进行开集识别。根据时频图的特点, 在特征提取网络中加入注意力机制使网络更关注图像能量聚集的有效部分。实验结果表明, 该方法在开放的电磁环境条件下具有良好的适应性。     

基于局部方差的多分辨率图像分割方法

针对复杂图像分割问题,提出了一种基于图像局部方差的多分辨率图像分割方法。该方法首先引入了一种像素映射的多分辨率模型,此模型通过计算父子关系距离来确定父结点与子结点的链接,实现映射;在此基础上,从图像局部方差对图像分辨率的依赖性入手,分别研究图像中目标区域与背景在不同分辨率下局部方差的变化规律,利用此规律通过计算不同分辨率下图像区域的局部方差的差值,来放大目标与背景之间的差异,在将其平滑之后选用最大类间方差法(Ostu法)进行图像分割,最后利用图像多分辨率模型下像素之间的精确映射关系来得到对应于原始图像大小的分割结果。实验结果显示此方法具有良好的分割效果。     

基于超模糊集的多属性图像阈值分割算法

传统的分割方法往往是根据图像单一的属性标准对图像进行分割,很难满足图像的多方面分割要求。由于许多外界干扰因素的存在,使得基于经典模糊集方法进行的分割,结果也常常不令人满意。针对这些问题,介绍了一种基于超模糊集合理论的多属性图像阈值分割方法（F2ES）,在超模糊集的基础上,结合模糊熵和模糊相似性两种截然不同的属性刻画待分割图像,构造综合评价函数,得到最佳阈值。针对多幅不同类型图片进行分割仿真实验,得到较好的结果,证明该算法是切实可行的。     

基于密度峰值搜索的全极化SAR图像分类

提出一种基于密度峰值搜索(find of density peaks,FDP)的全极化SAR图像(polarimetric synthetic aperture radar,POLSAR)无监督分类方法。由于在边缘地带以及奇异点的散射类型复杂,在无监督分类过程中干扰巨大,本文通过构建基于信息熵的显著性图来剔除这一类点的影响,并对剩余部分的参数进行了加权处理。随后在H//A/SPAN空间基于FDP方法进行无监督分类。最后通过ESAR的数据进行了实验验证,结果证明了方法的有效性。     

基于最小一乘和遗传算法的红外弱小目标检测

在随机误差不服从正态分布的问题中,最小一乘估计的统计性能优于最小二乘估计;另外,最小一乘估计的稳健性更强。因此提出了基于最小一乘估计和遗传算法进行背景预测的红外弱小目标检测方法。首先,建立最小一乘准则背景预测模型,应用遗传算法求解最小一乘估计的最优值并进行背景预测;然后,由实际图像和预测图像相减得到残差图像,并采用二维指数熵图像阈值选取方法对残差图像进行分割。针对实际红外图像序列的实验结果表明:所提出的方法对弱小目标具有更高的检测概率和更好的检测结果,优于基于最小二乘背景预测的检测方法。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

聚类分析在彩色图像量化中的应用

提出了一种基于模式识别技术的彩色图像量化的新算法—基于最小距离最大的快速统计聚类算法(FSCAMMD)。本算法克服了SCA算法对聚类中心初始值选取的不足,给出了最大频度与类内最小距离最大相结合的方法—初始值优选法。实验结果表明,本算法可较大幅度地减少图像量化后的总方差以及颜色失真度,量化效果优于SCA和其它一些聚类量化算法。     

基于混合优化方法的立体匹配算法

为了改善线性生长算法获得视差图可靠性差的问题,提出了一种基于混合优化方法的立体匹配算法。该算法综合考虑了计算效率和图像可靠性,将视差匹配转换为多目标优化问题,通过提出的基于模拟退火的鸽群优化算法求解此优化问题,从而实现视差阈值的自适应调节,并获取相应的根点的最优视差值。所提出的混合优化方法较好地克服了局部寻优和全局寻优方法易受初值影响且收敛速度慢的缺点。此外,为了进一步提高视差图可靠性,利用滤波法去除不可靠的视差。仿真结果表明,该算法可以获得更多深度信息,提高了线性生长算法计算视差图的可靠性和鲁棒性。     

基于混合优化方法的立体匹配算法

为了改善线性生长算法获得视差图可靠性差的问题,提出了一种基于混合优化方法的立体匹配算法。该算法综合考虑了计算效率和图像可靠性,将视差匹配转换为多目标优化问题,通过提出的基于模拟退火的鸽群优化算法求解此优化问题,从而实现视差阈值的自适应调节,并获取相应的根点的最优视差值。所提出的混合优化方法较好地克服了局部寻优和全局寻优方法易受初值影响且收敛速度慢的缺点。此外,为了进一步提高视差图可靠性,利用滤波法去除不可靠的视差。仿真结果表明,该算法可以获得更多深度信息,提高了线性生长算法计算视差图的可靠性和鲁棒性。