时间序列三角极值点线性分段算法

文章在时间序列逐段线性描述方法基础上提出三角极值点分段算法.通过考察时间序列相邻极值点之间幅度变化大小来确定关键点序列.该算法较好地处理了时间序列局部噪声和数据压缩问题.并通过实验说明了算法的有效性.     

结合图像局部信息的高斯混合型图像分割框架

针对现有的基于判别型或聚类型的图像,用分割方法无法处理被噪声污染的图像的现状,提出一种新的两步式图像分割框架。该框架首先利用图像的局部信息重塑图像的灰度直方图,增强了像素的类间散布性和类内紧凑性,然后将现有的基于判别型或基于聚类型图像分割方法在重塑图像上执行,从而提高了现有图像分割算法的有效性和鲁棒性。文中用典型的聚类型方法高斯混合模型来说明该框架的可行性。由于框架的两个步骤具有独立性．因此可推广到现有的其他基于像素或直方图的方法。在人工和真实图像上的实验结果证明,这种两步图像分割框架可以获得有效且鲁棒的图像分割结果。     

用于彩色图像分割的有效特征分析(英文)

提出了一种基于分析特征分割贡献的彩色图像分割方法。该方法不受某一特定彩色空间的限制 ,有效特征的确定取决于所设计的特征编码器对被测彩色图像中各种彩色特征的分析结果。该技术不同于以往的分割技术 ,自组织特征映射被用来构造特征编码器 ,使得编码器能自组织地分析不同彩色图像的有效特征。当合适的彩色特征和初始参数给定后 ,模糊聚类技术被用于最后的分割处理。该方法已经应用于不同类型的彩色图像分割处理 ,实验结果说明了该技术明显优于传统的聚类技术。研究表明 ,特征编码为彩色图像分割的自动化和最优化提供了保证。     

基于最小总体偏差和区域信息Snake模型的图像分割

提出基于最小总体偏差和区域信息Snake模型的图像分割方法。根据最小总体偏差准则，用包含区域信息的变力替换在气球力Snake模型中的恒定力，并应用于图像分割。实验结果表明，该模型与初始轮廓曲线位置无关，能自动分割模糊边界。对于带椒盐噪声的图像，应用该模型也能取得满意的分割效果。     

基于形态学梯度矢量的图像边缘提取算法

图像的边缘在很大程度上可以用梯度的概念来解释和描述,而现有的形态学梯度边缘检测算子抹煞了梯度的矢量性。文章提出了一种新的图像边缘提取算法:在边缘检测部分提出了具有方向估计的形态学梯度算子,且从理论和实际应用两个方面给予证明。并将模糊处理加入该系列算子,使这些算子在噪声抑制和提高边缘清晰度两方面均有较好的表现。同时在图像分割部分改进了最佳阈值化分割,利用小范围的边缘梯度各方向上的最佳阈值化进行调整,使图像的边缘更加完整、清晰。     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。     

多等级区域侦察弹性星座设计方法

针对传统侦察星座目标单一、弹性低的问题，提出了多等级区域侦察弹性星座的设计方法。该方法将星座设计过程按区域等级信息分为多个子星座逐步设计，直到整体星座对所有的区域性能满足设计要求。以区域被划分为3个等级为例，首先对星座设计需求、设计指标及设计步骤进行了分析。其次推导了地面最低分辨率和轨道高度的关系并确定了不同子星座的轨道高度。最后考虑轨道倾角、一箭多星发射、光照和升交点漂移同步约束，构建基础星座、子星座1和子星座2的优化模型。最终设计星座为3层混合星座，共8个轨道面和70颗卫星，星座对各等级区域的最大重访时间分别为10937s，12241s和17437s，弹性指数为2213%，2420%和6361%。结果表明该方法设计的星座可实现对区域覆盖和弹性分级的设计要求，证明了方法的有效性。对比Walker星座设计方法，在同等设计要求下，Walker星座所需卫星数为156颗，多等级区域侦察弹性星座所需卫星数远低于Walker星座，结果进一步证明了该星座设计方法的优越性。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

Visual inspection of aircraft skin: Automated pixel-level defect detection by instance segmentation

Skin defect inspection is one of the most significant tasks in the conventional process of aircraft inspection. This paper proposes a vision-based method of pixel-level defect detection, which is based on the Mask Scoring R-CNN. First, an attention mechanism and a feature fusion module are introduced, to improve feature representation. Second, a new classifier head—consisting of four convolutional layers and a fully connected layer—is proposed, to reduce the influence of information around the area of the defect. Third, to evaluate the proposed method, a dataset of aircraft skin defects was constructed, containing 276 images with a resolution of 960 × 720 pixels. Experimental results show that the proposed classifier head improves the detection and segmentation accuracy, for aircraft skin defect inspection, more effectively than the attention mechanism and feature fusion module. Compared with the Mask R-CNN and Mask Scoring R-CNN, the proposed method increased the segmentation precision by approximately 21% and 19.59%, respectively. These results demonstrate that the proposed method performs favorably against the other two methods of pixel-level aircraft skin defect detection.     

变背景下斑点状散布目标自动识别算法

从自动目标识别原理出发,通过对变背景下斑点状散布目标特性的分析,发现了该类目标图像中背景、噪声和斑点状散布目标的固有规律。进而,从图像像素灰度这一最基本的要素着手,研究了如何在大量的序列图像中搜索目标帧位置的方法。然后,基于目标轮廓提取和串行边界分割技术,解决了变背景下斑点状散布目标自动识别的难题。实验结果证明:该算法具有高效、快速、稳定、适用等优点,并为相关领域内的应用提供了宝贵的参考价值。