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。     

铂铑-铂热电偶热电势换算成温度值的快速查表法

提出了一种占用内存较少的铂铑－铂热电偶热电势快速转换成温度值的查表法，该方法根据热电偶热电势高字节直接查得相应的基础温度，再根据低字节可获得温度增量，两者之和即为对应的温度值     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.      

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。     

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。     

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。     

基于非递归迭代投影的实时深空目标检测算法

针对深空目标信噪比低、干扰多、传统方法无法检测准确性低的问题,提出一种基于非递归迭代投影的快速实时深空目标检测算法.该算法采用由粗到细的检测流程,首先根据图像特征自适应确定迭代投影次数提取所有疑似目标,然后通过邻域判决对目标进行轨迹关联剔除虚假目标,从而实现目标的准确检测.此外,为了提高算法的实时性,针对FPGA并行流水的特点,利用非递归编程架构对算法进行优化,提高了算法的并行度和运行效率.在SOPC硬件平台上的实验表明,该算法能够准确实时检测深空目标,对悬浮实验的圆满成功起到了决定的作用.      

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.     

融合角点特征与颜色特征的Mean-Shift目标跟踪算法

针对Mean-Shift算法稳定性差、无法适应目标遮挡的特点,提出了一种融合角点特征与颜色特征的目标跟踪算法。该算法利用Harris角点的特征不变性克服了Mean-Shift算法鲁棒性差的缺点,同时利用Mean-Shift算法中核概率密度估计特性克服了目标与背景角点难以区分的缺点。通过视频序列对该算法的跟踪稳定性与抗遮挡性能进行测试,结果表明,新算法的跟踪稳定性与抗遮挡能力优于基于单一角点或颜色特征的Mean-Shift算法。     

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。