高速实时图像压缩系统去条带效应的方法研究

在实时压缩高分辨率CCD相机产生的高数据率图像时,为保证实时性,必须采用分块图像数据,并且流水处理的工作方式。但在分块处理过程中,由于小波变换的边界扩展及系数量化等原因会产生较严重的边缘赝像效应。针对此问题,分析了其产生的原因并采用重叠处理部分图像数据的方法,很好地解决了此问题。实验显示此方法消耗的额外时间不多,满足实时处理的要求,并且极大地提高了重建图像的质量。     

复杂背景下的红外运动弱小目标的实时检测

对红外弱小目标的检关键是将目标从由地物、云团造成的复杂背景中有效地分割出来.采用在高通滤波前先进行一次背景抑制的预处理方法,以校正由温度非线性引起的噪声.再对高通滤波后的信号进行自适应门限分割的方法,更好地将低信噪比的红外点目标从周围的背景中分割出来,最后利用点目标检测的方法,进行点聚合,对同时存在的斑点、面目标也进行了检测.该算法可有效地减小运算量,对快速、实时和点、斑点、面目标同时存在的复杂情况具有一定的实用价值.膊     

基于知识的红外图像背景抑制

在背景抑制时,先对可能的地物或地面的像素点进行标识,然后用像素灰度减本行（相邻行）灰度均值的方法却除大云图,大片地物和消除大气温度分布不均的影响,用模式识别方法识别图像下部存在的大地物或地面,将地面或与地面连通的地物去除,提出的基于知识的背景抑制方法具有运算量小,便于实时处理并能去除大部分的背景等特点,实验表明,该方法能有效地抑制复杂红外图像背景。     

基于梯度分组的NL-means改进型SAR图像降噪算法

非局部平均降噪（non-local means, NL-means）算法是近期提出的针对高斯噪声的降噪算法,能够有效地保持图像纹理,但是其计算量庞大,而且要求噪声符合高斯分布,这限制了其在合成孔径雷达（synthetic aperture radar, SAR）图像上的应用。利用梯度分组的相似点匹配算法对NL-means算法进行改进,在降低计算量的同时进一步提高降噪质量。针对SAR乘性噪声特点,引入同态变换处理使改进后的算法能够适用于SAR图像降噪。通过仿真实验对本算法进行验证,降噪处理的峰值信噪比比同类算法平均提高3 dB,执行速度比NL-means约提高了3倍。     

对低信噪比下的红外点目标高检测率的研究

低信噪比(≤2)条件下的低虚警率、高发现率点目标检测是对常规检测方法的挑战,必须采取边检测边跟踪边确认的方法才能达到所要求的性能指标。利用二项分布的理论,解决了该方法中的相关帧数和门限的确定问题。为确保低虚警率、高发现率检测识别问题提供了理论保证。仿真结果验证了理论分析的正确性。     

激光雷达回波信号的混沌特性研究

应用混沌动力学方法分析和计算了激光雷达回波信号的混沌特征参数,包括关联维,Lyapunov指教及局部可预测性.证明激光雷达回波信号具有有限的关联维,正的Lyapunov指数及短期可预测和长期不可预测的特点.运用实测数据验证了激光雷达回波信号具有混沌特性,这一结论为激光雷迭的目标检测开辟了新思路.     

环形向量非局部SAR图像降噪算法

提出一种基于环形向量的非局部SAR图像降噪算法.根据像素点的主方向提取环形向量,计算环形向量各自的特征向量.基于特征向量计算相似度权重,该方法的时间复杂度明显优于NL-Means的矩形模板匹配算法,且相似点匹配具有旋转不变性.通过仿真实验验证了该算法的计算速度和旋转不变性能,匹配效果明显优于NL-Means,降噪结果的峰值信噪比和结构相似度优于BM3D、BLS-GSM等主流降噪算法.     

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.     

可重配置通用图像识别跟踪处理机研究

为满足战场适应性和通用性的需要,根据各种精密武器系统中图像跟踪信号处理机的共性,设计了通用图像跟踪信号处理机.由可重配置的大容量FPGA实现低层信号处理,由可编程的TMS320C6201 DSP完成高层数据处理,实现各种复杂的目标检测和跟踪算法;采用对FPGA和DSP的在线可重配置电路,实现系统的战场配置,使系统具有广泛的通用性和良好的战场适应性.最后给出了在弱小目标红外成像跟踪系统中的应用实例.     

基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法

针对尺度不变特征变换（scale invariant feature transform, SIFT）算法在特征点匹配时容易出现误匹配现象,提出了一种基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法。该算法首先通过对SIFT描述子区域内的重叠4邻域计算Hu矩,生成能够描述纹理特征与轮廓特征的种子点描述子;其次,根据描述子的区域特点利用核函数对种子点描述子进行加权,生成63维区域重叠核加权Hu矩描述子;最后用巴氏（Bhattacharyya）系数计算归一化后描述子的相似度,并剔除相似度较小的匹配点。将该算法与其他3种算法进行对比,实验结果表明,该算法的鲁棒性最强,实时性较高,综合性能最优。