SAR变体目标识别的卷积神经网络法

目的 深度学习已经大量应用于合成孔径宽达（SAR）图像目标识别领域,但大多数工作是基于MSTAR数据集的标准操作条件展开研究。当将深度学习应用于同类含变体目标时,例如T72子类,由于目标间差异小,所以仍存在着较大的挑战。本文从极大限度地保留SAR图像输入特征出发,设计一种适用于SAR变体目标识别的深度卷积神经网络结构。方法 设计网络主要由多尺度空间特征提取模块和DenseNet中的稠密块、转移层构成。多尺度特征提取模块置于网络底层,通过使用尺寸分别为1×1、3×3、5×5、7×7、9×9的卷积核,提取丰富空间特征的同时保留输入图像信息。为使输入图像信息更加有效地向后传递,基于DenseNet中的稠密块和转移层进行后续网络层设计。在对训练样本进行样本扩充基础上,分析了输入图像分辨率及目标存在平移和不同噪声水平等情况对模型识别精度的影响,与用于SAR图像目标识别的深度模型识别精度在标准操作条件下进行了对比分析。结果 实验结果表明,对T72 8类变体目标进行分类,设计的模型能够取得95.48%的识别精度,在存在目标平移和不同噪声水平情况下,平均识别精度分别达到了94.61%和86.36%。对10类目标（包括不含变体和含变体情况）在进行数据增强的情况下进行模型训练与测试,分别达到了99.38%和98.81%的识别精度,略优于其他对比模型结构识别精度。结论 提出的模型可以充分利用输入图像以及各卷积层输出的特征,学习目标图像的细节差异,不仅适用于SAR图像变体目标的识别任务,同时在标准操作条件下的识别任务也取得了较高的识别结果。     

二值图像的分层结构

二值图像是只有黑白两种颜色的图像,二值图像的分层结构是讨论将一个2M×2N像素的图像(称为父图像)转化为一个2(M-1)×2(N-1)像素的图像(称为子图像)的问题。介绍了一个二值图像的分层结构的算法,对父图像的每个2×2像素区域压缩为子图像内1个像素的情形进行了分类讨论,并且在这个转化过程中能保持二值图像整体的连通性。     

图像分区选择的像素值排序可逆数据隐藏

目的 基于像素值排序（PVO）的数据隐藏算法因其高保真的优越性受到广泛重视,并不断得到改进。本文提出一种图像分区选择思想,以进一步充分利用图像的嵌入空间,改善PVO算法的嵌入性能,提高载秘图像的信噪比。方法 原始PVO算法通常采用预测差值“1”进行数据隐藏,对平滑像素组有较好的利用率和隐蔽性,而对毛躁像素组隐秘性能明显下降,算法性能与图像像素分布情况密切相关。本文在PVO算法基础上提出图像分区选择的思想,首先,将原始图像分为若干区域,然后按移位率从小到大的顺序依次选择图像区域;其次,在每个区域中选择合适的嵌入预测误差;最后,按顺序在被选区域利用该区域的最优嵌入差值完成信息嵌入。结果 假设将图像划分为8×8个区域,对本文算法与原始PVO算法进行比较,当嵌入量为1×10⁴ bit时,Elaine图像的移位率由81.59%降为74.40%,载秘图像的峰值信噪比（PSNR）值由55.388 2提高为56.996 9,提高了1.608 7,采用其他图像并就不同嵌入量进行实验,各图像PSNR值均表现出不同程度的提高。其次,将图像分别划分为2×2、4×4、8×8、16×16个分区,当嵌入量为1×10⁴ bit时,Lena图像PSNR由原始PVO的59.204 6逐渐增加至60.846 9,其他图像在不同嵌入量时PSNR均随着分区数的增加而有不同程度的提高。结论 本文提出的基于图像分区选择的改进PVO算法,可根据像素分布情况增加对嵌入空间的利用,在相同嵌入量情况下,改进后的算法能够获得更高的PSNR值;在一定分区数量条件范围内,分区数量与图像PSNR值表现出正相关性,随着分区数量的增加,图像PSNR值随之增加;本文方法在一定程度上改善了嵌入容量,弥补了因分区数量增加带来的辅助信息增加的问题。     

基于图像识别的袋装粮数量识别研究*

设计了一种基于平面图像识别的袋装粮数量智能识别方法。对粮库现场采集的图像样本,运用数字图像处理技术对图像进行降噪和对象体特征突显;然后运用区域增长法对图像中每一闭合像素区域进行聚类分割;最后根据相应几何特征值判定粮袋身份并通过其椭圆度的范围,以实现粮袋所属面的判定,达到对粮堆重量的自动识别。     

一种基于联合表示的图像分类方法

在图像分类识别中,对于同一目标的不同图像,其训练样本和测试样本在同一位置的像素强度通常不同,这不利于提取目标图像的显著特征。这里给出一种基于稀疏表示的联合表示的图像分类方法,此方法首先利用相邻列之间的关系得到原始图像对应的虚拟图像,利用虚拟图像提高图像中中等强度像素的作用,降低过大或过小强度像素对图像分类的影响;然后用同一个目标的原始图像和虚拟图像一起表示目标,得到目标图像的联合表示;最后利用联合表示方法对目标分类。针对不同目标图像库的实验研究表明,给出的联合方法优于利用单一图像进行分类的方法,而且本方法能联合不同的表示方法来提高图像分类正确率。     

基于机器视觉的零件加工瑕疵图像识别算法

由于传统瑕疵图像识别算法存在识别时间长、准确率较低的问题,研究基于机器视觉的零件加工瑕疵图像识别算法。使用最小误差法分割图像阈值,获取并处理瑕疵零件图像;提取瑕疵图像的全局特征与局部特征,经多维向量特征值排序后得到零件加工瑕疵的最终特征;利用形态学细化法提取图像边缘轮廓,结合机器视觉细化边缘像素,实现瑕疵图像识别。测试结果表明:使用机器视觉识别零件加工瑕疵图像算法,当图像数量增加到1000张时,图像识别平均所用时间为78.3 s,平均准确率则为95.817%,可以提高零件加工瑕疵图像识别的准确率。     

基于ARM的嵌入式图像识别检测系统的设计

图像识别的主要目的是使用计算机作为工具对目标图像进行处理、解析与应用,通过数据分析检测出具有不同特征的目标和对象,发展至今其已成为了人工智能的基础。本文基于ARM嵌入式芯片提出了一种结合尺度不变特征变换匹配算法的图像识别检测系统,系统硬件部分采用模块化设计的思想以提高系统的兼容性,分为图像获取、数据采集、数据存储、图像识别等模块;软件部分采用斑点检测匹配匹配算法进行图像识别以提高图像识别速度与精度。实验结果表明所设计的系统具有识别速度快、精度高、可靠性高、故障少的特点。     

基于内容的可移植图像识别系统研究

介绍了一种基于C／C＋＋编程语言的图像识别系统,该系统通过直接对图像内容进行识别获取图像的完整信息。首先,对输入图像进行预处理,标准化图像内容;其次,输入训练图像集训练BP神经网络,使神经网络获得图像的各种特征;最后,使用测试图像集测试该系统的识别效果。实验表明,该系统具有较好的识别能力和较强的可移植性,是对图像进行识别的一种有效手段。     

基于机器视觉的航空发动机转子裂纹故障识别系统

在大型设备早期故障诊断中,利用数字图像处理可以很好地对设备状态做出测试和分析,以航空发动机转子表面早期裂纹故障为例,首先利用CCD图像采集将被摄取目标转换成图像信号,其次通过像素分布和亮度、颜色分析,将这些信息转变成数字信号,再次利用现代数字信号处理技术对这些信号进行运算来提取目标特征,最后对设备的故障状态做出判断;以图像获取、预处理、图像分割、裂纹特征提取和故障识别为算法流程,设计了一套转子系统早期裂纹自动检测识别系统,实验分析表明,该系统在航空发动机转子早期表面裂纹故障检测识别中具有精度高、速度快的优点。     

基于卷积神经网络的小样本图像识别方法

为提高仅包含少量训练样本的图像识别准确率,利用卷积神经网络作为图像的特征提取器,提出一种基于卷积神经网络的小样本图像识别方法。在原始小数据集中引入数据增强变换,扩充数据样本的范围;在此基础上将大规模数据集上的源预训练模型在目标小数据集上进行迁移训练,提取除最后全连接层之外的模型权重和图像特征;结合源预训练模型提取的特征,采用层冻结方法,微调目标小规模数据集上的卷积模型,得到最终分类识别结果。实验结果表明,该方法在小规模图像数据集的识别问题中具有较高的准确率和鲁棒性。     

PNET:像素级台标识别网络

台标识别是典型的细微目标识别问题,针对台标区域小、信息量低,且镂空、半透明台标极易受到画面背景影响的难题,提出一个基于端到端全卷积网络的像素级台标识别网络——PNET.首先构建一个像素级标注的台标数据集,通过视频抽帧和图像预处理获得台标图像集,并提出一种逐图像的像素级半自动标注方法获得二值标签图像集;然后提出一个像素级台标识别网络,在典型分类网络AlexNet,VGG的基础上,通过微调,将分类网络在分类任务中学习到的网络参数转换为像素级台标识别网络在台标分割任务中的所需的网络参数;最后引入跨层架构,融合来自网络深层的全局信息和浅层的局部信息.实验结果表明PNET实现了准确的像素级分割,准确率高达98.3%,在NVIDIA Tesla K80上单幅图像识别时间不超过1.5 s.     

阵列式传感器的触觉图像识别技术

通过对安装于机器人手爪上的半导体应变式阵列触觉传感器系统所采集到的触觉图像的分析,提出了基于模糊聚类原理的触觉图像统计特征识别技术。通过分析像素灰度矩阵信息,提取图像独立的统计特征量,建立相应的图像统计特征模型空间;由此,计算出各图像类的模糊相似系数矩阵,再运用聚类分析法将其改造成为模糊等价矩阵,划分出图像等价类,进而实现对目标图像的识别;实验结果表明,该方法能获得分布压、接触总力等信息,并能达到很好的触觉图像识别效果。     

FPGA平台实现基于遗传算法的图像识别的研究

利用模板匹配方法,采用基于遗传算法的图像识别技术,完成了对图像目标识别的算法验证。在此基础上进行了基于该算法的图像识别系统的FPGA实现,并在相关验证平台进行了硬件仿真与时序分析。实验结果表明,所设计的图像识别电路具有较高的识别精度和较快的识别速度。     

基于卷积神经网络的图像识别方法

为了提高图像识别的全面性及准确性,研究了一种基于卷积神经网络（Convolutional Neural Network,CNN）的图像识别方法。该方法利用萤火虫算法获取分割阈值,实现图像目标和背景的分割;利用灰度共生矩阵和基于加速分割测试的特征（Features From Accelerated Segment Test,FAST）算法提取图像纹理和角点特征;以特征为输入,利用卷积神经网络实现目标类别识别。测试结果表明,设计的基于CNN的识别方法的F1分数为最大值,均在0.8以上,能够更全面、更准确地识别图像中的目标类型。     

数字图像轮廓特征提取过程研究

本文从数字图像处理角度出发,探讨了数字图像轮廓特征提取的一般过程,将原始图像进行灰度处理、平滑滤波、阈值分割、边缘检测等处理得到原始图像的二值黑白位图,提取出图像的轮廓特征.提取出来的特征可以用于进一步的图像识别、数学特征计算等研究,并给出常用方法下的提取过程和MATLAB环境下实现对照片中河流的提取.     

一种简单的图像识别技术

图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。图像的传统识别流程分为四个步骤:图像采集→图像预处理→特征提取→图像识别。现在通用的图像识别算法是k-means算法以及词袋模型。但是该算法非常复杂,对于普通人学习起来难度极大。本人发明了一种非常简单的图像识别算法,普通人一看就懂。     

基于投影熵特征的图像识别算法

原始定义下的投影熵特征对于图像信息利用不够充分,而且对图像缩放变换不具有不变性,针对这两方面的不足,给出了扩展规范化投影熵特征的定义,并将规范化后图像的局部投影熵特征向量用于图像识别;在进行图像识别时,利用期望最大化(EM)算法得到训练集图像局部投影熵特征的混合高斯概率分布模型,求取目标图像的相应特征到各个混合高斯函数的Mahalanobis距离,根据距离判别法原理得到目标图像所属类别。实验采用哥伦比亚大学计算机视觉数据库中的图像对算法进行验证,结果表明该算法具有较好的识别效果和良好的并行运算特性     

基于多维向量模型模糊聚类的图像识别研究

从建立像素色彩空间的多维向量模型出发,采用一种改进的模糊C均值聚类算法对图像进行分割,从而得到一组图像像素空间的特征区域向量,并采用特征向量相似度计算方法计算图像相似度,进而比较两幅图像相似度大小,以达到图像识别的目的.通过实验对图像相似识别效果进行验证,实验表明,基于多维向量模型模糊聚类方法在图像识别中有一定应用价值.     

图像分割算法的研究综述

随着计算机网络技术和数字图像处理技术的迅速发展,图像识别技术也被成功地应用于许多领域。而图像识别的前提条件是图像分割技术,整个数字图像处理过程的好坏取决于图像分割算法的合理选择。由于获取图像的特殊性和复杂性,在对图像进行分割的过程中怎样采用合适的图像分割算法成为研究热点。在比较现有分割算法的基础上,进一步探讨基于灰度阀值分割算法中的阀值选择。     

具有可录功能的液晶平板电视机

安华高科技（Avago Technologies）宣布推出一款1／4英寸光学格式、200万像素的CMOS图像传感器ADCC-4050。该传感器可使超薄型摄像手机具有自动变焦功能，每秒撷取高达30帧的高分辨率视频图像（800×600像素），同时可以输出与数码相机相同画质的图像。