自适应立方卷积图像插值算法

图像插值是图像处理的一项重要技术,可适用于多个领域,近年来多使用该技术进行图像缩放.针对传统图像缩放算法边缘处理效果较差、边缘检测插值算法复杂度高的问题,提出一种有效增强边缘轮廓的自适应立方卷积插值算法.该算法结合边缘梯度变化和立方卷积插值的特点,使得图像在平坦和纹理区域均能取得理想效果.实验结果表明,与基于边缘检测的插值算法相比,该算法具有较低的复杂度,平均运算时间降低了3.19 s;与立方卷积算法相比,图像峰值信噪比有较大的提高,峰值信噪比增加了0.89 dB.     

基于分形协方差函数的自然纹理描述与分类

研究了自然纹理图像的描述与分类的方法,提出了基于分数布朗运动模型及其协方差函数的方法.分数布朗运动的协方差函数被用来估计自然纹理特征的Hurst系数和常数k.2个子图像的5个特征组成10个特征的特征集.与直接从原始纹理图像获得特征矢量不同,该方法的10个特征矢量是分别基于大于图像灰度平均值的图像和小于图像灰度平均值的图像得到的.以纹理图像的平均值为阈值,可以得到2幅子纹理图像.从每个子纹理图像提取出5个特征,它们分别是横向、纵向和45°方向的常数,横向和纵向距离为2的Hurst系数.2个子纹理的5个特征组成10个特征的特征集.从Brodatz纹理集选出的16种纹理图像被用来检验描述和分类效果,分类结果显示该方法具有很好的自然纹理的描述和分类能力.     

基于邻接表的分水岭变换快速区域合并算法

针对图像分水岭变换存在的过分割问题,提出了一种快速区域合并算法.该算法先对梯度图像进行Lee滤波以降低分水岭变换的过分割程度,在传统分水岭变换初步分割的基础上,利用区域邻接图(RAG, Region Adjacency Graph)的邻接表数据结构描述过分割区域之间的关系,采用分级阈值合并的方式完成区域合并,以降低合并计算的复杂度.合并过程中,将基于区域相对边界强度和边界长度的相似度度量准则与传统的区域灰度均值差异度准则相结合,构成新的区域可合并度综合评价函数,以保证区域合并准确可靠.实验结果表明,与传统的分水岭变换区域合并算法相比,该算法有效地提高了区域合并的准确性,并大幅提升了运算速度.      

作为通用逼近子的模糊系统及其逼近性质

针对模糊控制系统提出通用逼近子与通用控制器概念。探讨模糊系统作为通用逼近子所具备的一些性质,较全面地综述了这一领域的最新研究成果。归纳由各种常用模糊推理方法生成的模糊推理系统,其中模糊推理的Ｔ－模运算主要包括乘积、取小、有界积与强制积运算。提出ｎ元Ｔ－模概念并讨论其基本性质,在此基础上导出各种模糊推理系统的统一数学描述。利用模糊基本函数形式化描述模糊系统的方法,比较了它们的结构特征,以及由此导出的     

基于FPGA的低复杂度快速SIFT特征提取

尺度不变特征变换（SIFT）算法具有优良的鲁棒性,在计算机视觉领域得到广泛应用。针对SIFT算法高计算复杂度而导致其在CPU上运行实时性低的问题,基于现场可编程门阵列（FPGA）设计了一种低复杂度的快速SIFT硬件架构,主要对算法的特征描述符提取部分进行优化。通过降低梯度信息（包括梯度幅值和梯度方向）的位宽、优化高斯权重系数的产生、简化三线性插值系数的计算和简化梯度幅值直方图索引的求解等方法,避免了指数、三角函数和乘法等复杂计算,降低了硬件设计复杂度和硬件资源消耗。实验结果显示,提出的低复杂度快速SIFT硬件架构,与软件相比,可以获得约200倍的加速;与相关研究相比,速度提高了3倍,特征描述符稳定性提高了18%以上。      

基于蒙特卡罗频率法的葡萄籽总酚含量高光谱测量变量选择

在利用高光谱建立葡萄籽总酚含量的预测模型中,为解决变量过多、模型复杂度高等问题,需依据光谱特点进行有效地数据降维。提出了一种蒙特卡罗频率法（MCF）对高光谱数据进行波长选择,并建立了葡萄籽总酚的支持向量回归（SVR）预测模型。该方法首先采用蒙特卡罗采样（MCS）选择波长子集;然后建立大量SVR子模型,并选出均方根误差（RMSE）较小的子模型,统计每个波长出现的频次;最后根据指数递减函数确定波长个数,选取频次最高的波长子集作为特征波长。结果表明,采用MCF可以在降维的同时提高模型的预测性能,波长数目由原始的196个减少到9个,波长范围均在950~1 400 nm,RMSE值从0.42减少到0.37,预测精度优于SPA等其他波长选择方法。因此,提出的基于MCF在高光谱数据处理中能有效选择特征波长,为准确建立预测模型提供了一种有效的方法。      

空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值;其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理;最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

基于视觉模型和图像特征的遥感图像压缩

遥感图像具有纹理复杂、边缘丰富的特点,通常难以实现高压缩比.统计了图像经过小波变换后在不同方向、不同级别子频带的能量分布.然后基于人类视觉系统(HVS)模型中的对比敏感度函数(CSF)和遥感图像的能量分布特征,提出一种不同频带小波系数的变步长量化方法,并把该方法应用于嵌入式小波图像编码器.实验结果表明,与不采用心理视觉量化的压缩方法相比,在相同压缩比下,峰值信噪比略为降低,但恢复图像的主观质量有一定程度的改善.     

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.      

3种转角下旋转U形方通道的局部换热

在旋转数为0~0.26内用实验方法研究了转角对旋转U形方截面通道换热特性的影响.3种通道转角分别为0°,22.5°,45°.通道转角的变化引起了通道内哥氏力二次流的变化,继而导致通道各表面换热的变化.结果表明:随通道转角的增大,前缘与后缘之间努塞尔数的差异减小,而内侧面与外侧面之间的努塞尔数差异增大;在低旋转数下,转角的变化对U形通道换热的影响较小,但高旋转数下,转角的变化对U形通道换热的影响变得明显.      

基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同，提出了基于高置信局部特征的车辆重识别优化算法。首先，利用车辆关键点检测获得对应的多个关键点坐标信息，分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性，提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理，根据局部区域分割信息，对卷积得到的特征张量进行空间维度上的切割，获得代表全局信息和关键局部信息的特征张量。然后，通过全连接层特征张量转化为表示车辆个体的一维向量，计算损失函数。最后，在测试阶段使用全局特征，并利用训练好的车标扩散区域提取分支获得高置信局部特征，缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试，验证了所提算法的有效性。      

Evaluating the statistical performance of less applied algorithms in classification of worldview-3 imagery data in an urbanized landscape

In recent decade, analyzing the remotely sensed imagery is considered as one of the most common and widely used procedures in the environmental studies. In this case, supervised image classification techniques play a central role. Hence, taking a high resolution Worldview-3 over a mixed urbanized landscape in Iran, three less applied image classification methods including Bagged CART, Stochastic gradient boosting model and Neural network with feature extraction were tested and compared with two prevalent methods: random forest and support vector machine with linear kernel. To do so, each method was run ten time and three validation techniques was used to estimate the accuracy statistics consist of cross validation, independent validation and validation with total of train data. Moreover, using ANOVA and Tukey test, statistical difference significance between the classification methods was significantly surveyed. In general, the results showed that random forest with marginal difference compared to Bagged CART and stochastic gradient boosting model is the best performing method whilst based on independent validation there was no significant difference between the performances of classification methods. It should be finally noted that neural network with feature extraction and linear support vector machine had better processing speed than other.     

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。      

前馈神经网络的一种简单共轭梯度学习算法

针对前馈神经网络学习误差函数维数高、计算复杂度大的特点,对梯度下降BP算法加以改进从而构造出一种简单共轭梯度下降算法(MPARTAN算法).该算法计算复杂度不高于动量BP算法, 与FR共轭梯度法相比,该算法的稳定性好,又具有共轭梯度法的优点,收敛速度快.文中给出了该算法的收敛定理,并用2个实验例子比较了动量BP算法、FR共轭梯度法和MPARTAN算法的计算结果.     

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。