一种基于边缘处理的图像合成方法

论文提出了一种基于边缘处理的图像合成原理与实现方法。首先介绍了图像合成的原理以及合成过程中需要重点处理的部分,然后针对当前图像合成过程中存在的潜在问题,提出了一种基于边缘处理的图像合成方法,详细介绍了该方法的实现原理及具体的实现步骤,最后对该算法从性能、速度等方法进行测试,给出了测试结果。     

基于血管内超声图像序列的自动三维边缘检测

血管内超声成像可以显示血管内腔、管壁清楚的实时截面图像,从而使定量测量血管参数成为可能。传统手动追踪内腔和管壁边界的方法既费时又存在较大的主观误差,本文将二维主动轮廓算法模型向三维扩展,提出一种适合血管内超声图像的自动三维边缘检测方法,通过对初始给定三维模型实施三维主动界面变形,从而使其逐步逼近目标轮廓。实验结果发现自动检测的内腔、血管壁面积与手动追踪非常吻合,具有较高的相关系数和较小的系统误差,并且纠正二维检测中带来的局部偏差,可作为医生可靠而准确的诊断工具。     

抗旋转和尺度变化的导航系统图像匹配算法

在惯性导航系统中,定量分析了景象匹配过程中惯性导航系统漂移和无线电气压高度表测量误差对实测图的旋转和尺度所造成的影响,引入了对数极坐标变换.基于图像边缘特征提取,提出了一种结合中心点的4-邻域点共同参与计算的抗旋转和小尺度变化的图像匹配算法,并给出了相应的算法流程.仿真分析表明,在导航系统误差漂移所引起的图像旋转和气压高度表所引起的尺度变化范围内,该算法能满足匹配准确性的要求,并能有效给出系统的定位误差修正信息.     

从图像工程角度看CBERS—1卫星图像

文章从图像工程角度从灰度、纹理和边缘3个方面对CBERS－1卫星的图像进行了量化评价，并与同一地区的TM图像进行了比较，客观地反映了CBERS－1卫星的图像质量，提出了CBERS－1卫星图像的优势和需改进的方面。     

区块链与 5G MEC在军事领域的融合应用

第 5代移动通信技术(5G)与移动边缘计算(Mobile Edge Computing,MEC)的深度融合,实现了省带宽、降时延、均负载和高隔离的目标。为进一步增强军事场景中信息安全保障能力,首先,开展了基础理论研究,梳理了技术发展现状、能力指标和网络架构,为设计区块链与 5G MEC融合架构提供了理论支撑;其次,采用映射方法对民用技术的军事转化与融合改进开展了可行性分析,指出了技术融合的涌现性;此外,基于多视图方法论开展了需求分析,提出了 1种 5G网络架构下 MEC与区块链的融合架构;最后,基于所提系统设计了 3种军事应用场景,并给出了系统参考架构和优化方法。通过分析,3项技术在军事领域的融合应用具有一定的可行性,在综合保障、演训行动和卫勤医疗场景中能够提供安全可信条件下数据的高效处理和灵活流转。     

二值图像的自适应窗口边缘检测技术

英国Aleksander等人用RAM网络实现的自适应模式识别系统可以认为是一种逻辑神经网络,本文详细描述了利用这种模型实现的自适应窗口边缘2检测技术,包括模型的理论分析,边缘检测种种的各种实现方法和实验结果。基于这种模型的边缘检测技术的基本思想是:首先对窗口边缘检测技术,包括模型的理论分析,边缘检测的各种实现方法和实验结果。训练一个或多个对目标物体边缘敏感的模式,然后对图像逐点扫描和测试,根据窗口对特定扫描区域的响应实现对边缘的检测。其过程和模式识别中的训练—识别过程相似。文中讨论了“中心块”和“边缘训练”窗口的响应行为以及窗口大小的选择、响应阀值的确定和N元的选用等具体方法。并给出了相应的实验结果。研究表明,这种方法对边缘检测和噪音滤除都具有较好的效果,且硬件容易并行实现。     

一种基于多尺度边缘提取的陨石坑检测算法

针对星体表面的陨石坑可用于探测器的自主导航、障碍识别等任务,提出一种基于多尺度边缘提取的陨石坑检测算法。该算法首先利用高斯金字塔得到不同尺度的陨石坑图像;其次,针对不同尺度的陨石坑图像,利用EDPF边缘提取算法对陨石坑进行边缘提取,并连接关键边缘像素点为直线段来近似表示图像边缘;然后将具有相同偏转方向的边缘直线段连接成圆弧,并将有相似半径和中心的圆弧拟合成候选圆和椭圆;最后对候选圆、椭圆进行验证。该算法的优点在于,能够准确地检测出陨石坑,有较高的检测率,且对存在较多陨石坑的图像有较好的检测结果。     

基于改进型Retinex算法的雾天图像增强技术

为增强雾天图像的对比度及颜色和亮度恒常性,提出了一种改进型Retinex算法雾天图像增强算法。使用改进的双边滤波器作为滤波函数,在保持边缘信息的同时去除噪声的干扰;并使用S型函数曲线对Retinex算法中对数域相减去除入射光分量的图像进行颜色恢复处理,增强整幅图像的对比度和感知特性,还原图像的色彩信息。实验结果表明,所提的改进算法能有效提高雾天图像的清晰度和对比度,相较原雾天图像清晰度提升约200%,标准差提升约110%,信息熵提升约10%。同时,可保持更加真实鲜艳的图像颜色,计算复杂度较低,满足实时性要求。      

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.     

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。