小波神经网络用于CCD视频序列图像去噪

CCD摄像机获取目标影像时不可避免地受到噪声影响,因此噪声去除是CCD图像处理的一项重要研究课题。本文将小波神经网络引入CCD图像去噪领域中,提出一种基于小波神经网络的图像去噪方法。实验结果表明,该方法在去除噪声上优于传统的均值滤波等方法,在有效去除噪声的同时,又能很好地保护图像的细节信息,具有很好的保真度。     

超跨声速喷流流场的PIV测量

对示踪粒子发生装置和几种粒子的特性进行了实验研究 ,发现压缩空气流中自然存在的润滑油粒子在跟随性、分布的均匀性和稳定性、以及浓度方面对于PIV测量都非常有利。实验成功地应用PIV技术对超跨声速喷流流场进行了测量 ,初步分析了测量结果与理论的差异 ,并分析了实验的可靠性和精度。     

面向新世纪的粒子图像测速

一种综述粒子图像测速(Particle Image Velocimetry)的非接触、瞬时、动态、全流场的和本质上是直接的速度场测量技术,成为当今最实用和非常有潜力的流体力学全流场观测(Full Flow Field Observation & Measurement)技术.回顾和展望PIV(包括DPIV,SPIV,HPIV等)及其应用的进展和前景.面临新世纪,PIV技术有望最终攻克一个容积的三维速度场时间历程(3Dt-3C)的观测和推动流体力学进入十分活跃的新时期.     

位相物体的三维非对称温度场的重建

采用卷积背抽影公式实现了位相物体的三维非对称温度场的重建，为光线偏／折测量三维非对称温度场提供了高精度分析和处理实验数据的方法。     

粒子像斑三维定位的透视成像原理和方法

在三维粒子成像测速 (PIV)方面 ,可运用体积光照明同时从不同光轴用多个照相机获得PIV图像 ,如何根据这些不同光轴获得的PIV图像确定出粒子物点的空间位置是实现三维粒子成像测速的前提。基于此 ,提出了根据多幅不同光轴的PIV图像的粒子像斑实现粒子物点三维定位的透视成像定位原理和方法。精确确定透视平面与透视中心在空间的位置是实现粒子物点三维定位的关键 ,直接测定透视中心 (照相机的光学中心 )和透视平面在空间的精确位置用常规的测量手段和方法难以奏效 ,因而针对透视图像成像特征及规律进行了较为深入地研究探讨 ,这对于寻求精确计测透视中心和透视平面空间位置的方法有着重要意义。作为实例 ,还给出了两光轴夹角为 90°情况下实现粒子物点三维定位的一系列具体方法和有关算法及定量关系。     

滚摆非定常流场的定量流动显示

对 8 0°三角翼滚摆的非定常流场进行常规流动显示和定量流动显示即PIV测量 ,获得了对于引起和维持滚摆的气动机理的新认识 ,即引起和维持滚摆的气动机理不仅在于前缘分离涡相对翼面位置的动态迟滞特性 ,而且还在于前缘涡强度的动态迟滞特性     

可形变人脸模型研究进展综述

正确理解和跟踪人脸是构建能够在复杂人类环境中自主工作的智能机器系统的首要和关键步骤，可形变模型通过统计学习方法给出对象形状的紧凑数学表示，是达成这一目标的重要手段。从机器学习和计算机视觉领域角度，对人脸图像的可形变模型构建这一研究课题的最新研究进展进行了综述。特别地，对其中涉及的关键问题进行了归纳，并建立了一个抽象的统一贝叶斯可形变模型；在此框架下，对标准的点分布模型PDM模型及其最新研究进展进行了回顾、对一些主要的方法进行了介绍、对这些方法优缺点进行了对比分析。     

基于非下采样轮廓波变换的红外和SAR图像融合算法

针对现有红外和合成孔径雷达(Synthetic Aperture Radar,SAR)图像的融合算法融合质量差、边缘轮廓不清晰、效率低下、可视性差,目标检测效率低等问题,提出一种基于非下采样轮廓波变换的融合算法。首先采用非下采样轮廓波变换对预处理的红外和SAR图像进行分解,获得各自低频和带通方向图像,接着根据红外和SAR图像的特征选取其含重要目标信息的频带进行低频图像和带通方向图像融合。为了检验本文所提出算法性能的优越性,采用两组红外和SAR图像进行融合实验,与其他图像融合算法进行对比,并对融合图像进行目标检测,证明了该融合算法能有效提高多源图像目标检测率。     

太阳活动区EUV图像的生成式模型耀斑分级与预报

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。     

基于混合深度特征的红外目标抗干扰识别算法

复杂干扰条件下的红外空中目标识别技术是空战对抗领域的热点研究课题,复杂人工干扰严重遮蔽目标,导致目标特征的连续性与显著性遭到破坏,无法全面描述识别对象的特性,造成空中目标识别准确率下降。针对此问题,提出一种基于图像混合深度特征的空中目标抗干扰识别算法。首先,基于卷积神经网络进行图像深度特征的提取,将深度特征与梯度直方图(Histogram of Gradient, HOG)特征进行有效融合,构建混合深度特征。针对作战场景中的目标与干扰的对抗态势多样性,将支持向量机的二分类模型改进为三分类模型,对目标、干扰以及目标干扰粘连三种状态进行精确分类。实验结果表明：在复杂干扰环境下,基于混合深度特征的空中目标抗干扰识别算法正确率为92.29%,该算法可以有效地解决目标被干扰遮蔽、形成目标干扰粘连状态时的抗干扰识别问题。