视觉检测中高速图像采集技术的研究

利用视频输入处理器(SAA7111)和现场可编程门阵列(FPGA),采用全硬件方式和两帧轮换存储方式设计实现了图像采集系统、计算机以及前端硬件处理系统之间的相互接口,使得视觉检测中视觉传感器能够同时进行图像采集和低级图像处理.     

通用航空业务的分类组合及其潜在市场需求分析

通用航空业务种类繁多，通航企业可以根据市场需要选择多种通航业务。本通过对通航业务进行分类，分析了通航业务及其组合的特点，提出了通用航空业的潜在市场细分标准和市场需求的评估技术。     

航天飞行器舱体截面大尺寸弧长在线测量系统的研究

本文基于CCD图像测量技术，提出了一种新的不规则轮廓大尺寸弧长非接触图像测量系统，解决了航天飞行器舱体加工中的大尺寸测量的难题。文中给出了系统的结构及原理。并在现场进行了比对实验。最后对系统进行了精度分析，结果表明，本文所提出的系统的测量精度优于±0.5mm/8m。     

雷达PRI调制样式识别新方法

针对雷达PRI调制样式识别难题,在分析雷达PRI类型的基础上,提出了能够有效描述雷达PRI调制特征的五种分类特征参数,分析了对存在丢失和虚假脉冲的处理方法,并据此提出了PRI调制样式的识别算法与实现流程,实现了五种典型PRI调制样式的有效识别。理论分析与计算机仿真结果表明,该方法在PRI测量精度较低和丢失虚假脉冲比例较高的情况下具有稳健的识别性能。     

基于卷积神经网络的终端空域交通复杂度辨识

辨识终端空域交通复杂度对空中交通管理的安全和效率起着关键作用。利用交通态势的瞬时图像,基于深度学习研究终端空域交通复杂度的辨识方法。构建交通态势图像,并通过对复杂性指标进行聚类实现数据标记。提出了基于卷积神经网络分类的交通复杂度辨识方法。以广州终端空域的进离场运行为研究案例实施验证。结果表明,一方面,包括飞机经度、纬度、高度和速度信息在内的图像可以充分代表空中交通的复杂性;另一方面,所提出的模型可以有效识别终端空域空中交通复杂性。     

改进模糊马尔可夫随机场的SAR图像分割

模糊马尔可夫随机场利用模糊隶属度函数解决了马尔可夫随机场过于依赖灰度值的弊 端,然而在模糊马尔可夫随机场的分割中采用的是硬性基团和边缘判断准则,模糊分类使得 这些判断条件更加难以满足,从而图像分割中容易产生边缘分割错误的现象。改进模糊马尔 可夫随机场是在分段模糊马尔可夫随机场中引入模糊意义的后验概率公式及基团和边缘类型 “模糊相似性”概念,通过对不同基团和边缘类型的模糊相似性描述与判断,使得图像分割 对于边缘的判断和噪声的抑制具有更好的效果。仿真实验表明改进模糊马尔可夫随机场对于 边缘特别模糊的合成孔径雷达图像（SAR）具有较好的分割效果。     

基于无监督学习的多模态可变形配准

针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较。此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间。      

融合背景图像信息和多特征压缩的相关滤波跟踪算法

针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题,提出了一种融合背景图像信息的多特征压缩跟踪算法。首先,在上下文感知滤波器的基础上,将背景图像信息加入位置滤波器。其次,提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征,使用最大响应因子及平均峰相关能量(Average Peak-to-Correlation Energy, APCE)评估跟踪结果的可信度,实现两种特征的自适应融合。最后,利用特征降维简化模型的复杂度,实现算法运行速度的提升。实验结果表明,改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性,其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法,并且仍保持了实时性。     

基于图像化变差函数的性能数据异常明别

为提升发动机性能监控的智能化水平,实现性能数据的高效利用,提出了基于图像化变差函数的发动机性能数据异常 判别方法。 通过研究发动机性能数据的标准化修正方法和图像转化方法,将数值型表示的发动机性能数据转化为发动机性能图像。 通过引入变差函数理论,采用 4 方向的变差函数值表示性能特征值,融合不同时刻不同参数的性能数据。 在提取发动机性能图像关 键特征点的基础上,定义性能图像间的差异距离,实现基于变差函数的发动机性能图像异常判别方法,从而实现对发动机性能状态 的判别。 选用若干组实际发动机性能数据对方法进行验证O 验证结果表明:该方法运算高效,实现了高维性能数据的降维和对性能 图像运行状态的分类,从而判别发动机性能数据的运行状态。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。