基于时域廓线的云杂波背景下红外弱小目标检测

根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型.并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法.检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点.理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标.     

基于空间分形特征差异的目标检测

为有效检测海杂波中的弱小目标,针对海杂波的分形特征随大时空变化的特点,提出使用短时间内空间分形特征差异来检测海面弱小目标的方法.该法充分利用短时间和局部海域上海杂波的分形维具有稳定性,目标区域和海杂波间存在较大空间Hurst参数差异的特点,克服传统分形维检测法使用固定门限检测效果不佳的缺陷.经理论分析和IPIX雷达实际数据检测,目标和海杂波的特征量均值差异约为3,优于原方法分形维的均值差异小于0.8的检测效果.     

粗集目标识别方法研究

为提取传感器获得的较粗糙的原始信息,运用粗集理论进行目标识别信息的处理,提出了一种采用关系表存储原始信息,通过简化关系表删去冗余信息,从而达到提取有用信息的处理方法。通过实例探讨了粗集目标识别方法,并对结果进行了分析。     

强光束干扰下的弱目标图像检测

由于强光束的方向性和弱目标的各向同性,采用具有方向选择特征的多尺度,多频道Gabor滤波器组来抑制强光束,并在此基础上采用纹理驱动的相关分析算法来检测弱目标图像,实验证明这是一种有效的检测手 段。     

基于粗集理论的数据挖掘应用

论述了粗集的基本理论和特点，并对其在旋转机械故障诊断中的应用进行了探索，提出了粗集理论在旋转机械故障诊断中的数据挖掘方法，运用这一方法对故障诊断决策表进行属性约简，去除其中不必要的属性，揭示出旋转机械故障诊断条件属性中的冗余性，最后得出了属性约简的结果以及决策规则。     

基于粗集神经网络的目标识别

研究了粗集和神经网络方法在信息融合目标识别中的应用,提出将神经网络学习机制引入到粗集系统,同时通过粗集的条件和决策属性构造神经网络结构,并针对三种不同谱段下的三种不同目标图像进行了实验,试验表明,粗集神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率,训练时间也大大缩短。     

基于粗集理论的神经网络

在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后,首先探讨粗集学习与神经网络学习的结合方法,然后提出一种基于粗集预处理的神经网络系统,最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子,来说明基于粗集的神经网络系统的优越性     

粗集理论及其应用（四）粗集理论和模糊集合

首先将粗集与模糊集合进行简单对比，并介绍利用粗集的概念考虑模糊集合的粗近似，定义粗模糊集合，利用模糊划分的相似性关系研究集合的近似问题，定义模糊粗集，并介绍粗模糊集合和模糊粗集的基本特性等，最后讨论知识近似模型的统一。     

基于云理论的图像分割新方法

针对区域生长算法的种子点初始化和生长准则问题,提出了一种基于云模型和区域生长的图像分割方法.该方法首先利用云变换对图像进行变换生成云模型,然后利用云模型的Ex作为区域生长的种子点,以云的极大判定法则作为区域生长准则进行区域生长,获得最终的分割结果.这种分割方法不但克服了区域生长法种子点和生长准则选取不当而产生过分割和欠分割的不足,而且很大地提高了云模型分割图片的速度,实验结果证明,该方法可以准确地分割出目标,是一种有效的图像分割方法.     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于分形和动态规划的复杂背景红外目标边缘检测

针对复杂背景下红外图像目标准确分割的难题,提出一种基于动态规划理论的边缘检测方法.首先根据分形理论,利用红外图像的灰度特征及纹理特征建立优化控制函数;利用局部自适应门限技术寻找潜在目标点,计算最小累计代价阵;在动态规划理论的最优控制下,完成复杂背景下红外图像中目标的边缘检测.实验结果表明,该方法能够有效地提取目标,减少虚警率.     

应用分形理论和光线投射算法的卫星云图模拟技术

卫星云图模拟是气象卫星成像仿真所研究的核心问题,针对快速生成效果逼真的卫星云图的要求,以分形理论为基础,设计了一种基于随机中点位移算法的云体数据生成模型,并采用光线投射算法将产生的三维云体数据绘制于二维平面图像上,实现了卫星云图的模拟,得到了比较满意的结果.     

基于弱监督的VGG深度学习网络遥感影像云检测

大多遥感影像云检测方法中,训练数据需要对影像的每个像素进行标记,标记成本非常昂贵,为了减轻深度学习遥感影像云检测中人工劳动标记数据的成本,图像块标签代替像素标签进行深度学习训练。首先,将多种下垫面的遥感影像裁剪成图像块并标记,带有标签的图像块作为数据集;其次,块状的数据集训练改进VGG深度学习网络,训练好的网络对大型遥感影像进行云检测;最后,选取多种中分辨率卫星图像分别用改进VGG与VGG网络进行了云检测对比实验。结果表明：改进VGG遥感影像云检测方法能很好地检测出碎云和厚云,整个云区的精度都在90%以上。使用带标签的图像块,不仅减少了人工劳动,而且有效地进行遥感影像云检测,可为弱监督深度学习的遥感影像相关研究提供参考。     

一种基于粗集理论对雾天图像增强的研究

由于雾天有光亮条件的干扰,雾天拍摄的图片经常都有很严重的图像降质;针对雾天图片的退化情况,文章提出了一种基于粗集理论在空域采用3×3滑动窗口的图像增强方法,通过对实物照片的处理表明该方法在图像增强效果和时间复杂性方面均优于传统图像增强方法,在重现原图的基础上能有效地改善雾天图像的退化现象和提高图像清晰度。     

粗糙集理论在图像增强处理中的应用

对粗糙集理论在图像主要特征提取、图像自动识别与边界检测等方面的应用方法进行研究.采用地学实地野外调查中获取的彩色图像作为实验对象,选用表征颜色、纹理的17个特征属性作为条件属性构建决策表,通过属性约简、分类和规则提取指导图像处理,最终实现了对目标地物的分类分区增强处理及区域边界划分.实验结果表明:该方法可以较好地对图像进行分区处理和边界划分,结果较令人满意;并且得出影响实验图像分区的主要条件属性为蓝色标准偏差、红色方差、红色与蓝色相关性、彩色特征、对比度及熵.     

红外图像运动目标检测与识别

提出了一种利用相邻帧红我图像实时相减提取运动目标序列的方法，把复杂背景下运动目标识别问题转化为较简单背景下目标识别问题，介绍了一种基于差分图像序列的实时处理算法，可对多个运动目标进行识别与定位。     

粗糙集理论中粗糙函数定义的改进及粗糙导数性质的证明

对二元、n元粗糙函数、k阶粗糙导数的定义进行了改进,给出了一元、二元粗糙导数的性质,并对一元、二元、n元粗糙导数的性质给出了较详细的证明.     

基于分维特征的目标分割与检测

提出了一种改进的盒维数算法 .基于这种盒维数定义 ,对高通滤波后的图像逐点计算 ,所得的盒维数为该点的分形特征 .根据这种算法 ,背景中多种不同纹理的特征值非常接近 ,而目标所在位置的特征值高于背景所在位置的值 .并提出一种迭代的分割 聚类法检测各目标 .     

基于粗集与PCNN的图像预处理

研究了如何将粗集(Rough Set)与脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)相结合，对被噪声污染的图像进行对比度增强处理，使图像清晰，从而便于后续的处理。同时，提出了基于粗集与PCNN的图像增强算法。计算机仿真结果表明，使用基于粗集与PCNN的图像增强算法，可有效地对被噪声污染的图像进行图像增强，减少图像噪声，增加图像对比度，使图像更加清晰，且图像增强的结果优于常规的方法。     

粗集理论及基于集合论的学习方法

运用了粗集理论的基本原理，对不精确、不完整、不确定的数据进行上近似和下近似的计算和分类，对数据进行简约，寻找其隐含的关系和模式，产生规则，确定规则的可信度，并通过举例加以说明。