基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)

为避免传统SAR图像特征分类算法中所需的目标方位角精确估计,提出了一种新的基于稀疏表示与空域金字塔环形描述相结合的SAR目标分类方法.该方法引入bag of features思想,利用密集采样SIFT描述特征训练过完备字典,对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述,得到旋转不变特征,最后输入线性SVM分类器进行分类.MSTAR实测数据的对比实验表明,在无需目标方位角估计的前提下,所提出的算法识别率达到96%以上,取得了很好的目标分类效果.     

基于视觉特性的多尺度对比度塔图像融合及性能评价

针对同一场景可见光与红外图像的融合问题，提出了一种新的多尺度对比度塔图像融合方法．该方法利用对比度金字塔数据结构得到图像的多分辨序列，采用基于视觉特性的融合算子在图像的相应各级上融合源图像的细节，再通过金字塔逆变换重构出最终融合图像．这种图像处理方法具自适应性，不随各自输入图像的灰度特性而改变，同时增强了融合图像的对比度，产生了较好的视觉处理效果．对熵、交叉熵和互信息3种量化评价标准的进一步分析表明，该方法比传统的Laplacian金字塔、比率低通金字塔和小波变换融合方法的性能更加优化，其中熵提高了0．5％～3％，交叉熵降低了13％～78％，互信息提高了1．8％～8．4％，评价结果与目视效果吻合良好．     

基于代码图像增强的恶意代码检测方法

网络空间面临的恶意代码威胁日益严峻,传统恶意代码检测方法在恶意代码攻防对抗中逐渐暴露弊端。针对此现状,该文提出了基于代码灰度化图像增强的恶意代码检测方法,使用恶意代码ASCII字符信息和PE结构信息对传统恶意代码灰度化图像方法进行改进,构建RGB三维图像作为原始数据输入到检测算法,并使用一种带有空间金字塔池化结构的VGG16神经网络模型对恶意代码图像进行训练和预测。该文还提出了一种基于多标注归一化表示的方法来提高样本标签的可靠性,实验结果表明:该方案可以有效应对加壳、混淆等对抗手段,对新型恶意代码具有良好的检测效果。     

一种基于多尺度分解的多传感器图像融合方法

给出了一种基于多尺度分解(易操纵金字塔分解)的多传感器图像融合算法．该算法把来自不同传感器的图像分解成不同尺度、不同方向(不止3个)的子带系列；使用基于相似性量测的规则融合各相应子带图像；再进行反变换，获得融合后的图像．实验结果表明该方法有较好的融合效果．     

金字塔股权结构对审计质量的影响

采用规范与实证相结合的方法,选取中小企业板488个样本进行研究,发现金字塔股权结构造成的控制权与现金流权的分离度以及最终控制者性质显著影响审计质量.提出公司为了提高审计质量应优化公司治理结构,缩短控股股东的控制链条,构建对最终控制人有效的股权制衡结构.     

采用主成分分析与梯度金字塔的高动态范围图像生成方法

针对由多曝光低动态范围(LDR)图像融合生成高动态范围(HDR)图像对采集设备要求高且不适用于动态场景的问题,提出一种采用主成分分析(PCA)与梯度金字塔的HDR图像生成(HDR-PGG)方法。首先用改进的S曲线全局映射和Retinex局部色调映射对PCA变换后的亮度图像进行处理,以避免光晕和泛灰,并结合PCA逆变换获取多曝光LDR图像;其次利用多曝光LDR图像的对比度、饱和度、曝光度和亮度信息构造标量权重图,确保生成的HDR图像亮暗区域分明且细节清晰;最后,利用梯度金字塔生成HDR图像。实验结果表明,当视觉差异大于75%时,由HDR-PGG方法生成的HDR图像的平均像素分布概率比拉普拉斯金字塔和梯度金字塔算法降低了10.84%和30.75%,其平均相对熵与噪声程度比值分别提高了0.542 1和0.508 9。     

基于自适应感知金字塔网络的图像去雨

基于深度学习的单幅图像去雨已经取得了较大进展，但现有方法去雨后的图像仍然存在细节丢失、密集雨纹去除不彻底等问题.为此，本文提出一种基于自适应感知金字塔网络的单幅图像去雨方法，能够在有效去除密集雨纹的同时对细节进行修正，显著改善去雨图像的视觉质量.首先，基于小波变换构建多尺度金字塔网络，在各尺度子网络之间进行递进式连接，实现雨纹迭代提取和去除;各尺度子网络内部以自适应雨纹感知模块为核心，设计对称跳跃连接将提取到的浅层特征反馈至深层，实现浅层特征的有效复用.其中，所设计的自适应雨纹感知模块通过非局部感知运算和共享扩张卷积扩大感受野，可有效感知雨纹特征，并融入注意力机制实现雨纹的自适应去除.为了更好地约束网络训练和去除不同尺度的雨纹，设计了一种多尺度损失函数，由粗及细逐步完成雨纹去除，可有效防止伪影现象.在合成和真实数据集上的大量实验表明，本文方法优于现有的主流方法，能够在去雨的同时较好地保持图像细节，视觉效果理想.     

基于感知注意力和轻量金字塔融合网络模型的室内场景语义分割方法

针对实验室场景理解时存在背景复杂、光照多变等问题，利用RGB信息与深度信息在场景理解中具有互补性的特点，提出了一种感知注意力和轻量空间金字塔融合的网络模型（Perception Attention and Lightweight Spatial Fusion Network,PLFNet）。在该模型的感知注意力模块中，利用RGB图像与深度图像在网络中的权重不同，以加权的方式实现深度信息对RGB信息的多级辅助；在轻量空间金字塔池化模块中，通过增加级联的空洞空间卷积，不但有效地聚集了多尺度特征，而且比传统空间金字塔池化模块的参数量减少了约92%，使RGB信息和深度信息的融合更充分。在两个室内场景公开数据集上的实验结果表明，该模型的表现均优于经典算法。消融实验结果表明，本文模型添加感知注意力模块和轻量空间金字塔池化模块后，平均交并比分别提高了4.3%和3.5%。最后，利用场景较复杂的生物实验室数据集进行测试，结果表明本文模型可以有效地实现对生物实验室的场景理解。     

图像金字塔模型应用研究综述

对近年来图像金字塔相关算法和应用的研究进展进行了详细调研，对比分析了常见的图像金字塔模型的典型算法和应用，包括图像融合和分割、图像增强、遥感图像物体检测和识别。重点总结了高斯金字塔和拉普拉斯金字塔的典型应用，包括无人机图像捕获、车辆及车牌识别等方面。最后对图像金字塔未来的研究方向进行展望。     

基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。