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.      

基于肤色分割、模板匹配与几何规则确认的人脸检测

提出一种以动态视频流彩色图像为研究对象,基于肤色分割、模板匹配与几何规则确认的人脸检测方法。实验结果表明,提出的算法具有较高的检测正确率和自适应能力,同时具有快速的检测速度。     

基于分水岭与图割的自动分割方法

为快速、准确的提取CT序列图像中目标物体,把分水岭和图割相结合.首先选择目标物体的内外轮廓,对内外轮廓之间的区域用分水岭算法预分割为若干小区域,把每一个小区域作为一个节点,建立图结构.把多源点和多汇点简化成单源点和单汇点,建立新的图结构.然后利用最大流/最小割定理进行切割,提取目标物体.最后把上一张CT目标物体的轮廓映射到下一张CT上,分别扩大和缩小该轮廓作为该CT的内外轮廓.根据上述方法提取轮廓,对整个CT序列依次循环操作.通过实验证明该算法在分割效果和分割时间上优于其它传统算法,同时,实现了三维空间上序列轮廓的自动提取.     

具有自动回溯的机动目标航迹精细化分段识别

机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。     

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。      

汉字字元构成分析

本文以汉字演变的轨迹为依据,对汉字的字元构成进行了一些分析,讨论了古汉字与现代汉字中字元的关系以及字元的产生、字元的变异、字元的信息量度量,从而对现代汉字字元的切取、归并等提出了自己的看法。基于这些看法,作者选取了近400个字元对《新华字典)(1981年版)上的近一万个汉字的字元组字频率及字元组成的结构类型作了统计,为汉字识别等技术的研究提供了有益的依据。     

基于自适应二阶终端滑模的SRM直接转矩控制

传统的直接转矩控制（DTC）可以在一定程度上减小开关磁阻电机（SRM）的转矩脉动,但是在换相区的转矩脉动抑制效果较差,并且传统的PI控制存在超调量大、鲁棒性差、抗负载扰动能力有限的缺点。因此,设计了基于负载转矩变化率自适应估计的二阶终端滑模转速控制器,在有限时间内使得系统状态迅速收敛到平衡点,实现无需已知扰动上界快速输出给定转矩。此外,对传统的扇区规则进行改进以优化电压矢量的选取,减少由于换相产生的转矩脉动。仿真和实验结果表明:改进后的DTC系统拥有良好的调速控制性能,抗干扰能力强,鲁棒性好,能进一步减少转矩脉动。      

融合明度特征的V-SAD立体匹配算法

针对SAD算法难以对图像中纯色与弱纹理部分进行准确匹配的问题,提出了将HSV空间明度特征与SAD算法相融合的立体匹配算法,称为V-SAD算法.首先将图像从RGB空间转化至HSV空间,并根据H、S、V值将像素点按照颜色分为10类,同时得到明度特征图.然后结合SAD算法需要的灰度特征图计算匹配代价,得到初步的视差图.接着,根据HSV空间的颜色信息对图像进行分割,结合数学形态法求解分割区块中的独立连通域.再利用边缘生长法对每一个连通域的视差进行恢复.最后,使用左右一致性检测方法对视差图进行优化.实验结果表明,利用图像的明度信息衡量纯色与弱纹理区域的匹配点的相似度是有效的,该V-SAD算法有效改善了SAD算法在弱纹理和纯色区域的匹配效果,平均误匹配率下降了13.02％.     

空间站梦天实验舱整器动力学分析和试验研究

空间站研制过程中，获取准确的航天器主要动力学特性有重要意义，整器动力学特性测试是研制过程中一项必不可少的大型试验项目。针对空间站梦天实验舱整器动力学问题，通过建立螺栓—法兰局部连接结构的有限元模型，分析接触状态下刚度随外力的变化关系，分别计算拉压特性下的刚度量级，并采用子结构综合方法，依据部件级模态测试结果得到梦天实验舱整器的动力学特性。结果表明:将螺栓法兰连接刚度等效为双线性弹簧，结合子结构综合预示方法，梦天整器动力学特性的预示具有较高精度。通过连接结构的精细化建模和子结构综合预示，只需进行舱段级模态试验，节省了研制经费、缩短了研制周期，可为空间站及其他大型航天器的研制提供指导。     

Comparison of residual and dense neural network approaches for building extraction from high-resolution aerial images

Applications including change detection, disaster management, and urban planning require precise building information, and therefore automatic building extraction has become a significant research topic. With the improvements in sensor and satellite technologies, more data has become available, and with the increased computational power, deep learning methods have emerged as successful tools. In this study, U-Net and FPN architectures using four different backbones (ResNet-50, ResNeXt-50, SE-ResNext-50, and DenseNet-121), and an Attention Residual U-Net approach were used for building extraction from high-resolution aerial images. Two publicly available datasets, Inria Aerial Image Labeling Dataset and Massachusetts Buildings Dataset were used to train and test the models. According to the results, Attention Residual U-Net model has the highest F1 score with 0.8154, IoU score with 0.7102, and test accuracy with 94.51% on the Inria dataset. On the Massachusetts dataset, FPN Dense-Net-121 model has the highest F1 score with 0.7565 and IoU score with 0.6188, and Attention Residual U-Net model has the highest test accuracy with 92.43%. It has been observed that, FPN with DenseNet backbone can be a better choice when working with small size datasets. On the other hand, Attention Residual U-Net approach achieved higher success when a sufficiently large dataset is provided.