一种干涉SAR复图像数据的快速仿真方法

为了给干涉测高算法提供具有先验知识的干涉数据,进行算法的定量可控误差分析,以完成算法性能的定量评估,针对干涉SAR(合成孔径雷达)数据仿真进行了深入的研究.考虑多种因素,推导出用于干涉SAR仿真的一种仿真模型,能快速完成干涉SAR面目标复图像的仿真;并提出迭代插值算法反推雷达斜距,既很好地去除了干涉SAR仿真中的奇异点效应,又提高了仿真速度.能够为图像配准、相位解缠产生数据源,也可进行基线估计.计算机仿真结果表明,新仿真模型具有快捷、灵活、多功能性,迭代插值算法也具有快速准确性.     

一种高精度视频目标检测与分割新方法

根据动态视频场景与多目标检测的应用需求,提出了一种变分光流场与mean shift图像分割相结合的高精度运动目标检测与分割新方法.依据动态场景多运动目标检测的约束条件提出变分光流场优化计算模型,并给出其数值解法.在此基础上提出结合meanshift的高精度运动目标检测与分割算法,此方法对摄像机运动和静止情况都适合,能够进行同一场景中多个运动目标的高精度检测,并且不需要事先的学习和人工干预,具有通用性.     

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于累积差分图像和高斯背景统计模型的烟尘目标检测

根据烟尘目标灰度与天空背景灰度很接近,目标内部灰度分布不均匀,且形状和面积会随着时间不停变化等特点,提出了一种由粗到精的目标检测算法。首先,通过累积差分图像序列得到烟尘目标出现的大致区域,再通过构造高斯背景统计模型得到每一个可能目标点的精确分割阈值,用该阈值在上一步操作得到的目标区域内部进行逐帧精细分割,得到烟尘目标出现的位置信息和时间信息。实验结果表明,该方法抗干扰能力强,能够可靠、快速地检测出烟尘目标。     

基于谱分割的视频镜头聚类方法

针对现有镜头聚类算法中选择最优化分类个数复杂度较高、分类结果准确性较低的问题,提出了一种基于谱分割理论的镜头聚类算法.通过对每个镜头集构造球状高斯模型SGM(Spherical Gaussian Model),最优化地拟合镜头数据集,提高镜头分割的准确性;在镜头迭代分类过程中采用谱分割算法以提高最终分类结果的准确性;在迭代分类过程中,采用贝叶斯信息准则BIC(Bayesian Information Criterion)作为分类停止的评判标准;最后根据BIC准则计算每两类融合前后的匹配值,判断比较后对分类结果进行融合,矫正在分类过程中同一类被割裂的错误.通过3类体育视频样本对算法的有效性进行了验证、比较和分析.     

遥感图像语义分割的空间增强注意力U型网络

针对基于深度学习的语义分割模型在解析遥感图像时，小尺寸目标和目标边界存在分割不准确的问题，提出一种U型网络模型SGE-Unet。该模型通过优化网络结构加强模型的特征提取能力；融合空间组增强注意力，提升模型对上下文语义信息的解析能力；采用中值频率平衡交叉熵损失函数抑制类别分布不均衡的影响。在2个数据集上进行实验，SGE-Unet的整体准确率、平均交并比、■分数和Kappa系数均高于主流模型，Vaihingen数据集中小尺寸目标车的交并比和F₁分数分别为0.719和0.901，比次优模型提升了16%和11%，实验结果表明所提模型能更精准地分割小尺寸目标及目标边界。     

基于运动增强和颜色分布比对的运动目标检测

为检测无人机视频中的地面运动目标,提出了一种运动和颜色信息相结合的算法.采用前向运动历史图像来增强独立运动信息和抑制背景噪声,确保完整分割出候选运动区域; 提出一种迭代的、基于局部颜色分布比对的方法,去除候选区域中的背景像素,以更准确地提取单个运动目标.算法不仅节约了计算量,还有效降低了误检和漏检的可能性.多组无人机视频的实验结果表明了所提算法的高效性和鲁棒性.     

无需先验信息的水平集SAR图像分割方法

给出了一种基于水平集演化、无需任何先验信息的SAR图像分割方法.该方法是一种基于区域信息的统计活动轮廓模型方法,通过利用分段阶跃函数估计图像概率密度函数,克服了利用特定概率分布模型估计概率密度函数时,需要利用先验信息预先假定图像概率分布模型的问题;通过引入惩罚项,避免了费时且难于操作的水平集函数重新初始化过程.还给出了具体的数值实现方案和相关参数取值,改进了数值实现中的迭代终止条件.实验结果表明,固定使用列出的参数,无需任何人为干预,对于大多数图像都可获得令人满意的分割结果;对于少数图像,通过简单的参数调整也可得到良好结果.     

Moving object detection using color distribution motion enhancement and comparison

为检测无人机视频中的地面运动目标,提出了一种运动和颜色信息相结合的算法,采用前向运动历史图像来增强独立运动信息和抑制背景噪声,确保完整分割出候选运动区域;提出一种迭代的、基于局部颜色分布比对的方法,去除候选区域中的背景像素,以更准确地提取单个运动目标,算法不仅节约了计算量,还有效降低了误检和漏检的可能性．多组无人机视频的实验结果表明了所提算法的高效性和鲁棒性。     

基于ICP算法的手术导航三维配准技术

针对计算机辅助手术三维导航技术中术前CT图像与术中实际空间的配准问题,提出一种基于最近点迭代(ICP,Iterative Closest Point)算法的特征点云配准技术.利用医学图像空间和实际空间特征区域的两片点云坐标进行三维配准.对CT图像进行重建、分割及交互式操作得到医学图像特征点云;利用光学定位仪实时采集实际空间中对应区域的点云;通过主元分析(PCA,Principal Component Analysis)获取两组点云数据的特征向量进行初配准;进行最近点迭代使配准矩阵收敛到一个最优解,其中采用k-d tree寻找邻近点加速迭代过程.以塑料脊柱模型骨为对象进行了脊柱手术导航配准精度实验,进一步对实验中的点云数据加入高斯噪声以进行误差分析.结果表明这种配准方法简单可靠,在模型骨情况下配准精度在1mm以内.     

基于卫星云图的大区域云层预测方法

云层覆盖是影响对地观测卫星成像的一个重要问题,如果遥感图像中云层比例太高,或者特定目标不可见,则遥感图像就会失效。对地观测卫星能够根据云层预测信息,在多个观测目标之间进行选择。面向对地观测卫星任务规划的应用,设计了大区域范围的短期云层预测方法,首先通过光流法获取云运动矢量,然后依据云运动矢量外推获得预测的云层图像,同时引入拉普拉斯算子刻画云层运动过程中的扩散现象,利用风云二号卫星的真实云图序列数据,通过神经网络的反向传播算法优化扩散因子,以提升云层预测的效果。通过对结果进行分析,引入的拉普拉斯算子方法能够提高云层预测的精度,80%分位数的云层覆盖率误差约为11.7%,该精度的云层预测可以用于指导对地观测卫星任务规划。     

一种低成本的机器人室内可通行区域建模方法

基于单目视觉的同步定位与建图（SLAM）是机器人领域中的一项热门技术。然而,在场景建图方面,由于其计算量较大,各主流方法还无法在低运算能力的平台上实现实时的场景建模。针对室内环境与小型机器人的特定情况,提出了一种新的可通行区域建模方法。该方法建立在单目特征点SLAM的基础上,通过HSV色彩空间内的图像自适应阈值分割获取地面分割图像,并与SLAM生成的稀疏点云进行交叉比对,进而获取地平面与准确的地面分割区域,再将地面分割区域反投影到地平面上,获取地面的稠密建模。在室内场景的实验中,所提方法的平均运算速度能达到21帧/s,速度约为ORB-SLAM的70%,能够满足移动平台的实时性要求。对于地平面位置的还原平均误差为5.8%,地面上道路宽度的建模误差在3.5%~12.8%。      

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

一种高效的油液磨粒图像自适应分割方法

为了提高油液磨粒图像的分割效果,优化磨粒自动识别工作的重要环节,提出了一种结合分水岭算法及区域相似度合并的油液磨粒图像自适应分割方法。对于待分割图像,首先通过形态学重构和基于形态学的自适应H-minima技术对梯度图像进行修正,利用分水岭算法完成磨粒图像的一次分割;其次提取分水岭分割后同质区域的Lab颜色特征、局部二值模式（LBP）纹理特征作为区域的量化指标,基于Bhattacharyya系数分别计算区域间的颜色、纹理相似度,设计可以实现权重自适应调整的颜色、纹理特征融合规则,以此来获取同质区域的综合相似度矩阵,实现过分割区域的合并;最后基于统一的后处理算法完成磨粒图像的完整分割。选择60幅磨粒图像对所提方法的分割效果进行测试,结果表明,单幅图像的平均分割速度在12 s左右,分割正确率稳定在90%以上,所提方法避免了用户在分割过程中对图像的交互式处理,较好地平衡了分割效率和分割精度,自适应程度明显提高。      

复杂交通场景中多运动目标分割算法

针对室外复杂交通场景中多运动目标分割问题,提出了一种由变化检测和运动分割组成的算法,利用水平集算法对帧差图像进行变化检测得到运动窗口,在运动窗口范围内进行改进的k-均值聚类分割,利用运动相似性进行分割区域融合.算法避免了整个图像的分割,减少了运算量,完整的分割出运动目标.试验结果表明,算法不仅能从复杂交通场景图像序列中有效的检测和提取出运动目标并有很强的鲁棒性,而且能够解决运动目标的遮挡问题.      

基于快速退火MRF的改进SAR图像分割方法

基于Markov随机场(MRF,Markov Random Field)的SAR图像分割方法利用了SAR图像的灰度和结构信息,能在分割过程中有效抑制斑点噪声,获得较高的分割精度.但这类方法的缺点是模拟退火的计算量很大.针对该问题,提出了一种基于快速退火MRF的SAR图像分割处理方法.该方法根据SAR图像Gibbs分布的特性,在求取全局最优解时,首先寻找邻域系统中占有支配地位的某种标记,若存在占支配地位的标记,用此标记更新状态;反之,则沿用传统模拟退火的方法随机更新状态.由于该方法引入基于Gibbs分布的先验判决进行系统状态更新,因此能够快速求得全局最优解.最后对真实SAR图像进行处理,处理结果验证了算法的有效性.     

基于超像素与多尺度残差U-Net相结合的遥感图像飞机检测方法

遥感图像中存在飞机很小、角度和位置不确定且背景复杂等问题,从遥感图像中检测飞机是一项重要且具有挑战性的任务,因此,提出一种基于超像素与多尺度残差U-Net(Multi-scale Residual U-Net,MSRU-Net)相结合的遥感图像飞机检测方法。首先对遥感图像进行超像素预分割,将位置相邻且像素特征相似的像素点组成若干个超像素,保持图像进一步分割的有效特征;然后构建多尺度残差U-Net,学习其多尺度判别特征。与传统的飞机检测方法相比,该方法用少量的超像素代替大量像素表达图像特征,降低了图像分割的复杂度,再利用MSRU-Net分割遥感超像素图像,有效检测不同尺度的飞机图像。在公共飞机遥感图像数据集上实验,结果表明,该方法能够有效的检测遥感图像不同尺度的飞机图像,检测精确率达到91.2 %。     

彩色图象光斑的识别及分割

由于存在光斑及ＣＣＤ摄像机固有特性的限制，使得彩色图象的分割更为困难，通过研究二分光反射模型及光斑的成因，分析了ＣＣＤ摄象机特性对图象的影响，提出了一种光斑检测和彩色图象的分割算法，较好地解决了光斑识别和彩色图象分割的问题。