基于彩色三要素的无参考对比度失真图像质量评价方法

图像质量评价是图像处理领域中基本且具有挑战性的问题。对比度失真对图像质量的感知影响较大，目前针对对比度失真图像的无参考图像质量评价研究相对较少。基于此，提出了基于彩色三要素的无参考对比度失真图像质量评价方法，利用彩色三要素的亮度、色调和饱和度3个参数实现了对比度失真图像的质量评价方法。在亮度方面，提取矩特征及图像直方图与均匀分布之间的Kullback-Leibler散度特征。在色调和饱和度方面，分别在HSV空间的H和S通道中提取颜色加权局部二值模式(LBP)直方图特征。利用AdaBoosting BP神经网络训练预测模型。在5个标准图像数据库中进行广泛的实验分析和交叉验证，结果表明，所提方法与现有的对比度失真图像质量评价方法相比，性能有明显的提升。      

基于NN与SVM的图像质量评价模型

为了有效地评价图像质量,利用峰值信噪比(PSNR,Pear Signal to Noise Ratio)和结构相似度(SSIM,Structure Similarity)作为图像质量的描述参数,给出"野点"的定义,提出"野点预测"并基于神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立新的质量评价模型:神经网络用来获取质量评价映射函数,支持向量机实现样本分类.采用UTexas图像库数据进行仿真试验,质量评价模型预测图像质量的单调性比PSNR提高7.42% ,质量评价模型预测结果的均方误差平方根比PSNR提高36.06％,模型性能测试中"野点"的数目相对减少,模型性能得以提高.试验结果表明该模型的输出能有效地反映图像的主观质量.      

基于单帧图像质量加权的视频质量评价模型

利用人眼视觉特性与视频序列时空相关特性,提出了基于视频序列内单帧图像质量加权的视频质量评价模型.其中,单帧图像质量利用峰值信噪比和结构相似性度量作为图像质量的描述参数,采用神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立图像质量评价模型;视频序列质量由序列内单帧图像质量加权衡量,加权因子描述了视频序列内运动及场景变化的剧烈程度.仿真实验结果表明,该模型的输出能有效地反映图像的主观质量.模型预测出的单帧图像质量和视频序列质量的单调性相比PSNR分别提高7.42%和10.47%,均方根误差相比则提高了36.06％和10.48%.      

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.     

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

基于Tophat变换和文字纹理的车牌定位算法

针对车牌自动识别系统的应用场景越来越广泛,提出一种新的基于Tophat滤波和文字纹理特征的车牌定位算法.首先,利用形态学Tophat滤波抑制背景、消除不均匀光照,然后对图像进行二值化操作和连通域分析;其次,扫描图像得到区域的垂直投影图(VPM, Vertical Projection Map),对VPM进行离散余弦变换(DCT, Discrete Cosine Transformation),利用中低频描绘子重构VPM,重构后的VPM更为平滑,不受噪声影响,其波峰波谷数量、统计量更能描绘区域纹理的本质属性;最后,结合部分中低频描绘子和统计量组成描述区域纹理的模式向量,输入支持向量机归类.实验表明,算法适用于自然场景中的车牌定位问题,具有较强的适应性.      

基于流的遥感图像超分辨率重建

为了提高遥感图像超分辨率重建的质量，提出了一种基于流的遥感图像重建算法。首先，在Glow模型的基础上引入改进后的RRDB架构用于低分辨率图像特征提取，通过构建更多层和连接以提升训练的稳定性。然后，以一种纯数据驱动的流模型来训练分布的参数，通过最大化负的对数似然的方法进行优化，得到该算法的损失函数。实验证明该模型在网络训练过程中能够快速达到稳定收敛的状态，且具有很强的泛化能力。用重建出的图像质量对比SRCNN、SRGAN、ESRGAN，经过测试后发现，提出的算法远远优于SRCNN算法，与其他算法相比也有明显优势。重建出的图像不仅在指标上有所提升，例如与SRCNN相比，PSRN和SSIM分别提升了15%和40%，且人眼观察时有更高的清晰度，高频细节更为丰富。     

基于MSST及HOG特征提取的雷达辐射源信号识别

针对传统雷达信号识别算法在低信噪比下识别准确率低的问题,提出了基于多重同步压缩（MSST）时频变换及方向梯度直方图（HOG）特征提取的雷达辐射源信号识别算法。所提算法在雷达时域信号短时傅里叶变换（STFT）基础上进行多重同步压缩处理获得信号时频分布图,通过HOG算子对信号时频分布图进行HOG特征提取,将提取的HOG特征通过主成分分析法（PCA）进行降维,将降维后的特征参数送入支持向量机（SVM）对雷达信号进行分类与识别。实验结果表明：所提算法具有较低的复杂度,当信噪比为-8 dB时,仿真实验与半实物仿真实验针对9种典型雷达信号的识别准确率达到90%以上。     

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

Single crater-aided inertial navigation for autonomous asteroid landing

In this paper, a novel crater-aided inertial navigation approach for autonomous asteroid landing mission is developed. It overcomes the major deficiencies of existing approaches in the literature, which mainly focuses on the case where craters are abundant in the camera field of view. As a result, traditional crater based methods require at least three craters to achieve crater matching, which limits their application in final landing phase where craters are scarce in the camera’s field of view. In contrast, the proposed algorithm enables single crater based crater matching based on a novel 2D-3D crater re-projection model. The re-projection model adopts inertial measurements as a reference, and re-projects the 3D crater model onto descent images to achieve the matching to its counterpart. An asteroid landing simulation toolbox is developed to validate the performance of the proposed approach. Through comparison with the state-of-the-art local image feature and crater based navigation algorithms, the proposed approach is validated to achieve a competitive performance in terms of feature matching and pose estimation accuracy with a much lighter computational cost.     

改进U-Net网络及在遥感影像道路提取中的应用

高分辨率遥感图像分割在军事、民用等领域具有良好的应用前景,但由于复杂的背景条件以及干扰物的遮挡,导致现有算法无法较好地从遥感影像中提取道路细节信息。研究基于改进U Net网络模型,提出了MDAU-Net（multi dimension attention U-Net）网络结构模型,通过对U-Net网络结构加深至七层结构来提升精细分割道路的能力;并提出了一种多维注意力模块MD-MECA（multi dimension modified efficient channel attention）,将其添加至编码部分的特征传递步骤中,以达到对编码部分的特征传递进行优化的目的;其中利用DropBlock与Batch Normalization解决网络训练过程中出现的过拟合。试验结果表明:改进后算法可以有效提升道路的提取效果,在测试集上的准确率达到了97.04%。     

基于多子块协同单尺度Retinex的浓雾图像增强

针对现有算法增强雾气分布不均匀的浓雾图像效果不理想的问题,提出了一种基于多子块协同单尺度Retinex的浓雾图像增强算法。该算法不同于传统的利用全局统计量获取动态截断值的Retinex算法,首先将图像划分为多个子块,计算出适合不同浓度雾气的动态截断值;然后,利用动态截断值对高频细节信息进行动态范围调整,得到多幅局部最优的图像;最后,融合多幅局部最优图像生成高质量的结果,从而实现浓雾图像每个区域细节的增强。实验结果表明,所提算法能够有效去除不均匀浓雾,并保证去雾后图像的亮度保持在适合人眼观察的范围。      

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。     

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。     

基于可变阶变分模型的医用低剂量CT图像去噪

为了降低患者的辐射风险,低剂量CT（LDCT）广泛用于临床诊断,但辐射剂量的减少在重建的LDCT图像中引入了斑点噪声和条纹伪影。为了提高LDCT图像的质量,提出了一种基于可变阶变分模型的后处理技术。所提出的变分模型使用边缘指示器控制变分阶数,根据图像的特征在一阶全变分（TV）正则项和二阶有界Hessian（BH）正则项之间交替变换。采用基于快速傅里叶变换（FFT）的分裂Bregman算法求解所提出的变分模型。该模型在保留高剂量CT（HDCT）图像相应结构的同时,有效抑制了斑点噪声和条纹伪影。重建的图像和实验数据表明,所提出的变分模型比现有的先进模型具有更好的质量。