基于CUDA的椒盐噪声自适应中值滤波算法

针对传统中值滤波算法的优缺点,结合椒盐噪声的特征,提出了一种有效的自适应中值滤波算法。首先依据椒盐噪声的特征,将图像像素分为噪声和信号,然后根据窗口内噪声点的个数自适应地确定滤波窗口的尺寸,仅对噪声像素进行中值滤波。但随着噪声密度和图像规模的增大,在CPU上执行的时间显著增加。分析并利用图形处理器(GPU)的并行处理特征,并在CUDA平台中实现了算法。实验结果表明,所提出的算法能够有效地去除椒盐噪声、保留边缘和细节,并且能显著缩短计算时间,随着噪声密度和图像规模的增大,最大加速比达到6 000倍。     

一种基于边缘特征的改进ORB算法

ORB算法运算速度快,抗旋转变换能力好,但对可见光和红外图像匹配效果较差,为解决该问题,提出了一种基于边缘特征的改进ORB算法。该算法首先针对传统canny算子需要人工设定阈值的缺点,采用基于改进最大类间方差（Otsu）的自适应canny算子对图像进行边缘检测,然后对边缘图像进行ORB特征检测与描述,最后在最近次临近粗匹配的基础上进行RANSAC算法精匹配,提高了算法正确率。实验结果表明,该算法对可见光与红外图像匹配具有较好的鲁棒性,正确匹配点数和正确匹配率均比ORB算法高,能推广使用到可见光和红外图像融合等领域。     

基于改进的二维Otsu法的图像分割法

针对Otsu阈值法仅适合图像目标和背景分布呈正态分布且各像素量和方差基本相当的不足,提出了一种基于二维Otsu的改进算法,实验结果表明,该算法比传统Otsu阈值法能够获得较好的分割效果.     

基于改进Canny的激光主动成像图像边缘检测算法研究

针对传统Canny边缘检测算法存在的不足,结合激光主动成像末制导的实际特点,提出了一种改进的Canny边缘检测算法.该算法在Canny边缘检测算法的基础上,采用同态滤波和提升小波变换级联的方法代替传统的高斯滤波器;采用3×3邻域的权值梯度计算方法代替原有的2×2邻域差分运算;采用Otsu自适应阈值计算方法,使算法可根据图像自身特点选择最合适的阈值.实验证明:该算法提升了传统Canny算子的抗干扰能力和鲁棒性,能够较好地保存边缘信息,准确检测出激光主动成像图像的边缘,具有较强的自适应性.     

适用于爆炸物CT检测重建图像去噪新算法

场旅客行李爆炸物CT检测成像过程中不可避免地受到噪声影响,对重建图像的去噪处理是爆炸物CT检测技术中的一个重要环节。针对机场旅客行李隐藏爆炸物快速检测、重建图像质量要求和引入的噪声特点,提出了一种有效的图像去噪算法将小波包分析与快速中值滤波相结合,并且对小波包系数运用一种新的阈值去噪方法。实验结果表明,该算法能更有效地去除重建图像的噪声并保持图像的边缘细节。     

基于稀疏表示的图像混合噪声抑制算法

中值滤波能有效地抑制脉冲椒盐噪声,但它对于图像中的高斯噪声的去除效果不佳;而简单地使用针对高斯噪声的方法,对混合噪声也不能起到较好的抑制效果。稀疏是图像的重要特性,是进行图像处理的重要先验。本文提出了基于稀疏表示的混合噪声抑制算法。实验表明,本文算法可以有效地滤除混合噪声,且较好地保护了图像细节特征。     

面向叶片裂纹检测的自适应图像处理算法研究

提出了一种采用基于边缘检测的小波滤波和自适应阈值分割算法,实现叶片裂纹的自适应快速检测;仿真结果验证了这种检测算法的有效性,能满足外场对发动机叶片裂纹检测的要求。     

基于中值滤波和小波变换的混合滤波方法在推进剂监测中的应用

目前,监测传感器传出信号中混有很多噪声,为提高信号可信度,需要一种有效的信号处理方法。文章基于Matlab仿真环境,完成了信号仿真和滤波算法的设计,重点对单传感器仿真信号的去噪和多传感器信息融合进行了研究,提出了基于中值滤波和小波阈值滤波的混合滤波方案和基于Kalman滤波的信号融合方案。研究工作有:基于高斯白噪声和脉冲噪声的数学特性,合理假设出5种基本信号形式;依据实际数据,完成单传感器和多传感器信号仿真,确定信噪比和均方根误差作为去噪评定指标;综合分析现有的滤波算法的滤波特性,利用不同长度滑动窗口的中值滤波处理实验信号,选取合适长度的滑动窗口。设置对比实验确定小波阈值滤波中的小波基函数选取、阈值计算和分解尺度等参数;融合中值滤波和小波阈值滤波优势,设计混合滤波方案,去除单传感器仿真信号中的噪声;研究信息融合理论在泄漏监测系统中的应用,设置不同融合方式下的对比实验,确立最佳融合方式下的Kalman滤波方案,实现多传感器信息融合。     

基于Kalman滤波的高频CW电报信号自动识别

针对强噪声背景下高频CW电报信号检测算法性能严重下降、误码率较高的问题,文章提出一种基于卡尔曼滤波的高频CW电报信号同步检测识别算法。利用自同步法对CW电报信号实现位同步,进而利用卡尔曼滤波针对时变干扰噪声设置自适应阈值,对信号能量进行软判决,实现CW电报信号的自适应跟踪检测,提取有效信号进行识别。通过短波信道仿真软件和实际短波通信测试表明,该算法能够在强噪声背景下有效检测识别CW电报信号,且算法可由迭代实现。     

噪声检测自适应窗口滤波算法

脉冲噪声的存在,从视觉上影响图像的质量。为了去除图像中的脉冲噪声,提出了利用相似邻居数对图像中的噪声像素进行标记并建立相应矩阵,接着根据噪声的污染程度自适应的选择滤波窗口,最后对噪声像素进行自适应均值滤波去除图像中的脉冲噪声。实验结果表明,算法能有效降低图像中的脉冲噪声,对图像的边缘与细节保持较好。     

一种新的UPF算法在导航定位中的研究

为解决导航解算中粒子滤波的粒子退化现象和UPF(Unscented Particle Filter)算法存在计算量偏大的缺点,利用最小偏度单形采样结合比例修正算法,优化UPF算法中的重要性密度函数,并应用于PVA模型的导航定位解算。最终通过仿真实验结果表明,改进后的算法尤其能在平面方向得到较好的导航解,并且减少了计算量,提升了导航效率。     

一种改进的DTR算法

在机队相继萌生疲劳裂纹的间隔比q小于1的假设下，建立了一种修正的DTR计算模型，并用算例进行了验证。验证结果表明：修正DTR计算模型与原DTR计算模型的DTR计算值相对差随疲劳裂纹萌生条数的增加而增大；随相继裂纹萌生间隔比的增加，两种计算模型的DTR计算值相对差减小。     

一个均衡调整算法

本文对任务分配问题提出一个新算法－均衡调整算法，该算法具有变异性，均稀性以及均衡持久性，并以均衡定理的形式加以论述和证明，从而证明了均衡调整算法的正确性。     

基于Mahony算法的游泳运动姿态测量快速对准算法

在游泳运动姿态测量中,由于水对各种信号的吸收以及折射问题,依赖外部信息的传感器不能准确提供信息,而惯性技术由于不依赖外部信息,适合应用于游泳运动姿态测量领域.惯性姿态测量需要初始对准技术提供初值,从而计算得到游泳运动过程中的姿态.而游泳运动员起跳时间不确定,传统的初始对准算法需要较长时间才能得到一个较高精度的结果.针对这一问题,提出了采用Mahony算法进行快速对准的方法,使用MEMS九轴惯性测量单元进行信息采集,通过角速度信息计算姿态角,加速度信息修正水平姿态角,磁场强度信息修正偏航角,使用互补滤波方法对多源信息进行融合,从而快速得到惯性姿态测量的初值.实验室实验验证了姿态角水平精度可以在3s内达到角分级别,满足了游泳运动的需求,在实际运动场景下的测试也验证了算法的可行性.     

基于修正Rife算法的脉冲回波相参积累算法

针对目标径向运动导致回波在波门内出现距离走动的情况,提出了一种针对径向匀速运动目标回波信号长时间相参积累的方法。该方法根据傅里叶变换的时移性质——不同时刻回波频谱相关序列的频率包含了各回波到达的时间延迟,通过修正Rife算法估计此时间延迟,最终确定并补偿各个回波的距离走动分量。仿真结果表明:提出的方法可以有效补偿各回波间的距离走动;信噪比低至-6dB时,算法的性能即可达到最优;补偿后积累信号的信噪比可以达到理想积累情况下的93%。     

无人机航迹规划算法

无人机是现代战场实施侦察、打击的有力武器,它的发展备受关注。无人机航迹规划源于机器人运动规划,它是无人机应用研究的核心内容,对提高无人机系统在复杂战场的作战能力起着关键作用。无人机战场环境日益复杂,在强拒止、强电磁环境下,航迹规划对自主性和智能化有更高的要求,传统单一约束的算法已不能满足现今的战场需求。文章系统梳理了 5类无人机航迹规划算法中的几种常用算法及其改进算法,归纳了这些算法的原理、优缺点及适用条件,指出现阶段存在的问题与无人机航迹规划算法面临的挑战。综述表明,航迹规划算法必然向着智能化发展,自主识别和智能决策是改进、优化算法的关键。     

激光图像融合算法

为了有效提高激光强度图像的质量,使其能够更好地与其他多源图像匹配,提出了一种激光强度图像与距离图像融合的方法.该方法首先分析了激光强度图像与距离图像不同类型像素点之间局部统计信息的差异,然后利用Ostu算法和模糊最小误差阈值算法求出强度像和距离像的局部统计信息的全局阈值和最佳阈值,最后将这些阈值作为融合参数,按照一定的融合规则,将强度像与距离像进行融合.仿真实验表明:与单纯的滤波算法相比,该融合算法在控制激光散斑噪声的同时,通过融合不同源图像的互补信息,达到提高激光强度图像的各方面性能的目的.     

一种改进的SVM算法

当训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,寻优速度非常缓慢,这给实际应用带来了很大的麻烦。文献[4]提出了一种针对大规模样本集的学习策略,该方法虽大幅降低了学习的代价,但存在着一个致命的弱点:如果初始样本集选择不当,SVM的分类精度将得不到保障。基于此,本文引入了“最远邻”,对文献[4]中算法进行了改进。实验表明,采用这种改进的算法不仅保留了文献[4]方法的优点,而且这样获得的分类器的分类精度完全可以与直接通过大规模样本集训练得到的分类器的分类精度相媲美,甚至更优。