机器人视觉系统模糊识别抓取物算法

针对机器人视觉系统对抓取物的模糊识别问题,参照人眼-脑识别对象的过程,建立了包括区域分割与模糊识别两个环节的识别算法.以视觉图像的灰度与色度特征作为区域分割与模糊识别的依据,从灰度、色度及形体特征上提取特征集的指标,并根据经walsh变换后图像灰度迅速向低频聚集的特点,提出基于walsh变换的基元模式识别特征的定义方法.在构建识别目标矩阵与关系矩阵的基础上,应用模糊关系合成与最大隶属度原则建立识别算法.该算法可从少量的采样点中识别出对象,具有较好的实时性.     

定量胶体金试剂条浓度检测方法

胶体金免疫层析浓度检测方法主要利用比色原理,当被检测液体中抗原与试剂条上抗体反应后,试剂条上检测区域颜色发生变化,与标准比色卡进行比较,即可定性分析浓度.目前胶体金试剂条大多为半定量测量,使其应用范围受到限制.采用一种基于DSP(Digital Signal Processor)的嵌入式图像处理系统,利用CMOS(Complementary Metal Oxide Semiconductor)图像传感器获取定量胶体金试剂条图像信息,根据图像特点进行Bayer变换、白平衡处理,提取出图像特征量条纹强度,建立图像特征条纹强度与样本浓度值的函数关系,实现被检测液体浓度的精确测量.与其它方法相比,具有精度高、检测速度快等优点.实验结果表明:基于DSP硬件平台的定量胶体金试剂条浓度检测精度可达到±5%,重复性误差达到±1%,具有一定的应用价值.     

景象匹配中的几何透视校正和归一化互相关模板匹配

几何失真是使景象匹配性能下降的一个很重要的因素,基于参考图与失真实时图中四对对应点,本文采用透视变换方法,对失真实时图进行校正。对校正后的实时图,本文采用归一化互相关方法,进行模板匹配。仿真实验表明,这两种方法简单易行,校正与匹配结果精确。     

射手模型优化与辨识及其对图像制导的影响

基于数据链通信的人在回路制导模式额外引入了射手动力学而且存在图像信号延时,含有射手动力学的控制回路会对目标在视场（LOS）中的误差角进行跟踪补偿,从而提升图像制导弹药的制导控制性能。为探究射手动力学和图像信号延时对人在回路制导性能的影响,基于真实的图像导引头模型及参数,设计校正网络以满足导引头稳定回路的性能需求;引入两类射手模型,针对射手模型2,优化模型结构并通过贴近真实环境的辨识实验得到动力学参数,弥补了现有建模的不足。基于射手对不同图像信号延时的适应性,对比研究了两类射手模型与不同图像信号延时对导引头控制系统稳定性、快速性和人在回路比例导引制导精度的影响。仿真结果表明：图像信号延时越长,导引头跟踪速度越低、误差角越大,制导系统的收敛时间越长;优化后的射手模型2及其参数辨识更准确地描述了射手的操作行为,对制导系统的影响较低且满足系统性能要求。     

基于支持向量机的无参考遥感图像质量评价方法

针对遥感图像主观评价方法的低效率以及常用客观评价方法无法充分考虑人眼对图像的感知特性的问题,文章提出了一种基于支持向量机的无参考遥感图像质量（quality）评价方法。首先建立遥感图像主观评价库,然后在不需要图像失真信息的基础上,利用支持向量机（SVM）将图像的失真类型分为三类,并对每类进行单项评价,再通过加权得到遥感图像的总评分,最后将本文方法、信噪比与信息熵的评价结果回归到主观评价空间并进行对比。实验证明,文章所提方法能客观地评价遥感图像的质量,且优于信噪比和信息熵两种质量评价方法,其结果与人眼视觉感受相符。     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system

Identification of the appropriate combination of classifier and dimensionality reduction method has been a recurring task for various hyperspectral image classification scenarios. Image classification by multiple classifier system has been evolving as a promising method for enhancing accuracy and reliability of image classification. Because of the diversity in generalization capabilities of various dimensionality reduction methods, the classifier optimal to the problem and hence the accuracy of image classification varies considerably. The impact of including multiple dimensionality reduction methods in the MCS architecture for the supervised classification of a hyperspectral image for land cover classification has been assessed in this study. Multi-source airborne hyperspectral images acquired over five different sites covering a range of land cover categories have been classified by a multiple classifier system and compared against the classification results obtained from support vector machines (SVM). The MCS offers acceptable classification results across the images or sites when there are multiple dimensionality reduction methods in addition to different classifiers. Apart from offering acceptable classification results, the MCS indicates about 5% increase in the overall accuracy when compared to the SVM classifier across the hyperspectral images and sites. Results indicate the presence of dimensionality reduction method specific empirical preferences by land cover categories for certain classifiers thereby demanding the design of MCS to support adaptive selection of classifiers and dimensionality reduction methods for hyperspectral image classification.     

基于多种空间信息的高光谱遥感图像分类方法

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。     

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。      

卫星平台运动对高分辨率光学遥感成像系统影响分析

在高分辨率光学遥感成像过程中,卫星平台的不稳定性将影响相机成像质量。针对该问题,在分析动态降质机理的基础上分别就面阵凝视模式、线阵推扫模式及时间延迟积分（TimeDelayandIntegration,TDI）推扫模式提出了相应的动态成像仿真模型,以此模拟不同情况下的退化结果。以高分辨率遥感相机为对象,开展多种情况下的仿真试验分析。结果表明,同等平台运动条件下,TDI推扫模式下的图像质量下降更明显;分辨率越高,像质对平台振动的响应灵敏度越高。最后结合仿真模型及图像评价参量,建立起空间分辨率与平台颤振指标之间的关系,给出不同空间分辨率下的平台运动误差阈值,为平台振动抑制和补偿提供约束条件。