同步卫星轨道平面倾斜效应的图示法

轨道偏离赤道平面的同步卫星,其星下点(或视位置)的口漂移轨迹址对称于静止位置的“8”字形。文献[1]给出的数学表达式对“8”字形轨迹的解释不直观,物理图象欠清晰。本文给出新的数学表达式,能用图示法形象直观地描绘出“8”字形轨迹,并简明地给出“8”字形的高度和宽度。     

CEDS—MD系统的数据 模型及处理

CEDS-MD是为彩色电视机机壳结构设计研制的专用微机CAD系统,本文介绍了系统的数据分类,表示模型的选取,数据处理方法及相应的文件系统.     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

数字图像测量技术及在隧道室内模型试验中的应用

首先按照数字图像技术分析基本原理差异,对数字图像相关（DIC）、粒子图像测速（PIV）等二维数字图像测量方法在隧道模型试验中的应用现状、技术发展以及基本原理进行梳理。进一步,对三维测量方法的原理及在隧道模型试验中的应用潜力进行分析。最后,通过黄土地层盾构隧道的掘进模拟试验,对数字图像测量技术在隧道模型试验中的应用进行示范。结果表明：DIC、数字照相变形量测（DPDM）等非接触测量方法以照片上点的相关性判断各点的位移,使用场景更偏向于室内试验道路、桥梁、隧道、基础、河坝、钢结构、钢混结构等土建结构的变形监测中;而PIV分析可测量流体中流动的大小和方向,被广泛运用于浆液、泥石流、喷泉等流体运动的研究中。此外,基于黄土地层盾构隧道室内模型试验方案发现,低含水率黄土地层盾构掘进8环管片距离时,围岩的扰动范围为盾构掘进中轴线两侧1 D（管片外径）左右和盾构上方1 D范围内。     

基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.     

满旗流形Sp(3)/T的不变爱因斯坦度量

研究了迷向表示分为9个不可约子空间的满旗流形Sp(3)/T上的不变爱因斯坦度量,计算Sp(3)/T非零结构常数的值,根据其爱因斯坦方程,利用Maple软件得到64个不变爱因斯坦度量(差常数倍的情况下),在等距的意义下,其中有1个凯莱爱因斯坦度量和3个非凯莱爱因斯坦度量.     

潜在表示学习框架下的低冗余多视图聚类算法

基于潜在空间学习的多视图聚类研究得到了较大发展,但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题,提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法,直接从各视图数据学习其低维表示,由于该低维表示的各个特征相互正交,学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设,各视图的低维表示可由同一个潜在表示投影得到。将两者结合,就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题,在多个公开数据集上的实验表明了该算法的有效性。     

改进的SIFT特征匹配算法

针对SIFT特征匹配算法在特征空间中进行历遍搜索,匹配速度慢的问题,提出一种金字塔层间匹配算法。首先,根据特征点所处金字塔层不同将特征点划分为不同的集合,其次,选择待配准图像金字塔中某一层集合,在基准图像金字塔中寻找相似层,并确定待配准图像金字塔与基准图像金字塔层之间的相似关系,最后,在相似层之间寻找匹配点。待配准图像中的选择层集合由金字塔底层到顶层,寻找相似层所用时间依次缩短。与原算法相比,该算法具有相同的旋转稳定性。将该算法与原算法分别应用实际图像配准中,结果表明:可见光图像配准中,匹配速度提高了3.2倍,正确匹配率提高了10.3％,红外图像配准中,匹配速度提高1.4倍,正确匹配率达到100％。     

多方向线性特征提取的模板构造及处理方法

常用的空域定向滤波模板方法具有较好的方向针对性,但是对于某些研究方向,如提取遥感图象线性特征等,常用的定向滤波模板不太适合,原因是它所提供的多个方向中,有重复多余的方向,因而模板方向就少得不足以全面反映被处理遥感图象的特点,不利于图象中线性特征的提取及模式识别。文章在常用的空域定向滤波模板基础上,对构造新的多方向和多尺寸的滤波模板,进行了有效的研究及详细的阐述。