一种与显示设备相关的抗颜色混叠新方法

针对显示系统中应用亚像素采样技术引起的颜色混叠问题,该文提出一种基于显示设备亚像素排布的抗颜色混叠滤波方法。鉴于颜色混叠的区域及形状与亚像素排布的多样性紧密相关,在频域内通过倒晶格理论给出不同亚像素排布各基色的Nyquist频率限制图,并以此为依据设计各基色分量上的抗混叠滤波器。对图像进行滤波预处理后再经亚像素采样显示图像,达到保持图像清晰度的同时消除或减弱显示图像中颜色混叠的目的。理论分析和仿真结果表明,相对于5-tap滤波法,在无明显颜色错误的前提下,该方法可将图像亮度分量的PSNR值提高30%左右;另外,该算法简单,易于实现。     

基于多尺度区域混色的RGB欠采样图像颜色错误评价

针对彩色阵列显示设备中由于采用亚像素寻址技术引起的颜色错误问题,该文提出了一种定位和量化的方法。基于人眼空间混色特性,指出颜色误差的度量应在多尺度混色区域下进行。以亚像素矩型排布为例,从点阵理论的结构基元出发,设计多尺度混色区域的形状与大小,实现了颜色错误的定位与量化。分析和实验表明,以多尺度区域混色颜色误差为基础的自适应颜色误差消除法在弱化颜色错误的同时保持了更多原有图像的细节。     

一种新颖的亚像素级SAR图像水陆分割方法

星载合成孔径雷达(Synthetic Aperture Radar,SAR)图像水陆分割对水域识别、洪水监测等领域研究具有重要意义。然而,星载SAR图像的空间分辨率通常在米至十米量级,水域边界上会存在大量既包含陆地又包含水域的混合象元。传统像素级水陆分割算法难以获取高精度的水陆分割结果。本文提出一种新颖的亚像素级SAR图像水陆分割方法,该方法采用一种改进的非局域滤波算法抑制相干斑噪声,再利用模糊C均值聚类算法进行像素级水陆分割,在此基础上应用基于双三次样条插值与几何主动轮廓模型的精分割方案,获取更高精度的亚像素级水域轮廓。本文以南水北调中线工程水源地——丹江口水库为实验区域,利用国产高分三号（GF-3）卫星的多模式SAR图像,开展水陆分割验证实验。实验结果表明,所提方法可实现亚像素级精度的水陆分割,与传统方法相比,平均像素偏移精度提升一个数量级。     

基于亚像元坐标的像素频率误差补偿方法

详细介绍了一种星敏感器像素频率误差补偿方法并结合实际实验数据对其补偿效果进行验证。首先依据阈值分割的星点提取算法,分析了像素频率误差产生的几个主要原因。然后改进原有的星点质心定位点扩散函数,提出了一种基于亚像元坐标的像素频率误差补偿方法。最后通过星敏感器微步距实验,与正弦曲线法比较。实验结果表明:在视场中心区域,使用该方法对采样点补偿后像素频率误差减少了65.2%,优于正弦曲线法的52.7%;使用视场中心的误差补偿公式对视场边缘的采样点补偿,像素频率误差减少58.7%,优于正弦曲线法的41.9%。由实验结果可得:较之于正弦曲线法,该误差修正方法不仅具有更好的误差补偿效果,而且在视场范围内具有较强的通用性。     

LED显示屏亚像素复用技术分析与研究

文章分析了目前应用于LED平板显示中的一种分辨率提升方法——亚像素复用技术．针对目前常见的三灯、四灯两种典型排布,通过软件仿真分析,指出亚像素复用技术可改善显示内容的锯齿状边界,同时使部分画面模糊。     

一种新的多尺度深度学习图像语义理解方法研究

如何在深度学习中融合 图像的多尺度信息,是基于深度学习的视觉算法需要解决的一个关键问题。本文提出一种基 于多尺度交替 迭代训练的深度学习方法,并应用于图像的语义理解。算法采用卷积神经网络(CNN)从原始 图像中提取稠密性特征 来编码以每个像素为中心的矩形区域,将多个尺度图像交替迭代训练,能够捕获不同尺度下 的纹理、颜色和 边缘等重要信息。在深度学习提取特征分类结果的基础上,提出了一种结合超像素分割的方 法,统计超像 素块的主导类别,来校正分类错误的像素类别,同时描绘出目标区域边界轮廓,完成最终的 语义理解。在Stanford Background Dataset 8类数据集上验证了本文方法的有效性,准确 率达到77.4%。     

融合MEMS-IMU信息的亚像素相关跟踪方法

结合图像制导武器的工程应用,提出了一种融合微机电系统(Micro-Electro-Mechanical System, MEMS)-惯性测量单元(Inertial Measurement Unit,IMU)信息的亚像素相关跟踪方法。该方法采用基于速率测定的误差补偿方法对MEMS-IMU的测量误差进行补偿,以实现MEMS-IMU信息与图像数据的异质数据融合,同时采用基于模板插值的亚像素相关跟踪算法来提高跟踪精度。结果表明,该方法不仅可以较好地解决目前单靠图像信息提升图像跟踪精度时所面临的算法实时性与复杂度之间的冲突问题,而且还可以有效提升动基座下的图像跟踪精度。     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

基于约束空间光谱联合的亚像素定位方法北大核心CSCD

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。     

基于误差效应的亚像素边缘检测算法

针对传统亚像素边缘检测算法在实时性、精确性和鲁棒性之间难以平衡的问题,提出了一种基于误差效应的亚像素边缘检测方法。该方法首先建立边缘函数模型,并计算每个像素边缘对应函数方程常数项的近似值和对应误差,然后结合最小二乘法使整体函数模型误差最小,从而获得较为精确的边缘参数。基于标准图像和实际图像的实验测试结果表明,该算法具有快速、鲁棒性强和检测精度高等优点,能够满足实时检测的要求,评价指标优于其他传统算法。     

两阶段平移、旋转图像高精度配准算法

图像配准在图像处理中是十分重要的,通常是许多现代图像处理和计算机视觉任务一个关键的预处理步骤,许多算法和技术已经被提出用来解决配准问题.本文提出一种稳健的两阶段层次配准算法,在频域组合相位相关和谱对消技术对平移和旋转图像获得亚像素精度的配准.算法第一阶段首先利用一维FFT技术实现图像的旋转以确定旋转角度,并利用这个旋转角度将两幅图像之间的运动简化为平移运动,然后利用相位相关法确定整数像素平移参数.算法第二阶段运用谱对消技术确定亚像素平移参数.提出的算法甚至在图像因为下采样而包含混淆误差情况下仍然能够获得亚像素精度配准.     

基于压缩感知的正六边形CFA模式彩色图像去马赛克方法

针对基于四边形排列的去马赛克(Demosaicking)的 传统方法存在拉链现象和虚假色等问题,本文尝试将更加符合人眼视觉特性的六边形采 样方式应用于彩色图像成像 系统,并从图像稀疏特性角度出发,提出基于压缩感知(Compressive sensing,CS)框架的 彩色图像去马赛克方法。本文方法 充分挖掘了彩色分量间和分量内的稀疏特性,可使复原图像的纹理细节与色彩更加逼真,有 效地避免了拉链现象和虚假色现象。实验结果验证了本文方法的有效性。     

AN IMAGE RETRIEVAL METHOD BASED ON SPATIAL DISTRIBUTION OF COLOR

Color histogram is now widely used in image retrieval. Color histogram-based image retrieval methods are simple and efficient but without considering the spatial distribution information of the color. To overcome the shortcoming of conventional color histogram-based image retrieval methods, an image retrieval method based on Radon Transform （RT） is proposed. In order to reduce the computational complexity, wavelet decomposition is used to compress image data. Firstly, images are decomposed by Mallat algorithm. The low-frequency components are then projected by RT to generate the spatial color feature. Finally the moment feature matrices which are saved along with original images are obtained. Experimental results show that the RT based retrieval is more accurate and efficient than traditional color histogram-based method in case that there are obvious objects in images. Further more, RT based retrieval runs significantly faster than the traditional color histogram methods.     

两帧图像的"亚象元"技术提高探测图像的空间分辨率

给出两帧图像“亚象元”成像系统的调制传递函数 ,由此分析得出 ,这种技术将采样频率提高 1.4倍 ,适用于探测器占孔比接近 1,按照“亚象元”数字图像的特征 ,进行三种不同插值方法的研究。模拟“亚象元”成像证明 ,两帧图像“亚象元”技术能使图像的空间分辨率提高 1.3 3倍 ,再经过插值处理后 ,图像的空间分辨率进一步提高 ,接近于 2倍的理论值 ,图像质量略逊于四帧图像的亚象元级像。以一块分辨率板作为目标物的实验研究表明 ,两帧图像的“亚象元”成像 ,配合去卷积、图像增强以及插值等数字图像处理 ,空间分辨率得到提高     

基于最小生成树和局部阈值的彩色图像分割方法

针对分水岭图像分割算法对于彩色图像的过度分割问题,本文提出一种基于最小生成树和局部阈值的解决方法。该方法主要利用图论中的最小生成树,对分水岭算法产生的过度分割区域进行合并。与其它的基于最小生成树的方法不同,该方法只有当构造出一棵完整的最小生成树时,才能计算出一个局部阈值,该局部阈值可确定原构造最小生成树过程的终止条件,进而可分割出彩色图像中的两个区域。重复上述过程,可分割出原彩色图像中的所有区域。实验证明,本文方法能够对彩色图像进行准确的分割,并且分割结果能很好地符合人眼的感知。     

亚像元技术在图像采集系统中的应用

指出利用亚像元技术来提高图像采集系统空间分辨率,不仅要在理论上研究亚像元技术的性能以及图像超分辨率重建算法,还要研究亚像元技术受到系统其他因素的影响以及亚像元技术对系统其他性能的影响.分析了图像配准程度、光学系统点扩散函数以及仪器信噪比和亚像元技术的相互影响关系,并得到结论根据系统不同工作环境进行设计以保证亚像元技术带来的空间分辨率的提高和系统其他性能的平衡,是在系统中正确运用亚像元技术的关键.     

数字域斜模态时间延迟积分技术

为了实现遥感图像超分辨目的,提出数字域斜模态时间延迟积分(Digital Domain Tilting Model Time Delayed and Integration,DT-TDI)技术。对技术过程所涉及的数字域TDI技术、倾斜采样成像理论、数字域斜模态TDI技术等分别进行分析与研究。首先,构建通用的数字域TDI模型。之后,利用倾斜采样成像思想,构建适用于不同倾斜角度下的DT-TDI模型。然后,以45°倾角对模型进行实验验证,获取该角度一定姿轨条件下的序列低分辨率图像。最后,通过超分辨算法对具有亚像素位移的低分辨率图像序列进行超分辨重构,获取高分辨率图像。实验结果表明,DT-TDI技术可在不同倾斜模态下进行稳定成像,45°倾角时获取的低分辨率图像亚像素位移误差约15%,基本满足超分辨重构需求。重构后图像分辨率明显提升。