基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于卷积神经网络的图像风格迁移算法研究

针对Gatys的图像风格迁移算法做了两个方面的改进,首先提出了一种更加适用于风格迁移的卷积网络结构,相较于其他的预训练卷积神经网络模型减少了95％的参数数量,降低了22％以上算法运行时间;其次对风格迁移的风格损失函数部分做了改进,可以使一幅内容图像同时迁移多种不同的画作风格.     

多路视频远程传输系统的设计与实现

多路视频远程传输技术是当前多媒体研究领域的热点.讨论了目前开发多路视频远程传输系统模型,并提出了一个新的设计方案.重点研究了一个基于MPEG-4视频监控系统的实现.     

动态滤波反投影图像重建算法研究

图像重建算法是过程层析成像(Process Tomography,PT)中的关键技术之一.本文提出了一种动态滤波反投影算法(Active Filter Linear Back Projection,AFLBP),并进行了实验仿真.结果表明,采用AFLBP对ECT系统中图像进行重建,可使系统在保持快速成像的同时,较好地解决了敏感场的非均匀分布和固定灰度阈值造成的成像精度问题,大大提高了系统的成像精度.     

遥感图像配准中的群智汇聚方法

遥感图像配准是遥感图像处理的一个重要的环节,在智能化遥感信息处理领域具有重要的研究意义和应用价值.本文主要对群智能在遥感图像配准中的应用进行了综述,并对进化算法和深度学习在遥感图像中的应用进行了介绍.首先介绍了遥感图像配准中常用的原理和优点.然后,对群智能算法在遥感图像配准中的应用进行了详细的介绍和总结,紧接着对进化算法在遥感图像配准中的应用进行详细介绍,其次对深度学习在遥感图像配准中的应用进行归纳,并且就遥感图像配准目前存在的难点以及深度学习在解决这些难点时所存在的优势进行了详细的讨论.最后,针对遥感图像配准中存在的关键问题进行了讨论与展望.     

具有可扩展授权恢复机制的新型图像水印系统

建立了一个具有可扩展授权恢复机制的图像水印系统模型,先把图像小块划分后再使用DCT变换与量化编码,将得到的水印信息进行移块重组为二值水印图像,然后利用混沌映射算法使二值图像分散开来,极大地扩展了水印空间.另外,分析了传统水印算法安全问题,使用了改进的共享与授权协议来规范混沌参数的使用规则,提高了系统的安全性.     

Huffman编码的优化

对图像压缩中常用的Huffman编码进行讨论,给出了在多种Huffman编码中寻找平均偏离方差最小的一种编码方法,以提高数据传输的准确率,同时在数据接收中减小数据缓冲器容量.     

基于GoogLeNet和双层GRU的图像描述

针对基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)的方法存在计算复杂度高、收敛速度慢、训练时间长等问题,本文提出基于GoogLeNet和双层GRU的图像描述模型,在训练阶段采用适应性动量估计法(adaptiv...     

体育比赛终点运动图像数字处理技术的研究

在竞技体育比赛中,运动成绩的确认,靠已往的手工计时无法满足要求,根据国际田联的规定,大型体育赛会都要求采用电动终点计时系统.目前,国内的研制水平仍然停留在黑白图像判定水平上,本文将高速彩色线阵CCD技术应用于径赛终点电动计时系统,对彩色图像采集后期处理中影响图像质量的各种因素进行了深入地分析,详尽描述了在数字图像处理中如何运用灰度、彩色平衡、直方图均衡化等数字图像处理技术,得到清晰的、高质量的彩色图像数据.     

基于非对称离散分数傅里叶变换双相位编码技术对二维条码图像加、解密的研究

在现有光学图像加密一种方法(分数傅里叶双随机相位编码技术)的基础上,提出一种改进的基于非对称离散分数傅里叶变换双相位编码光学加密方法,并用计算机模拟两种方法对二维条码图像进行加密、解密的过程,比较两种方法的仿真实验结果中两种方法的加密性能和解密图像的质量优劣.