红外图像边缘提取方法

提出一种对图像矩阵中的列进行搜索，并用列边界灰度值方法进行设计的提取红外图像边缘的方法；分析了文中算法的时间复杂度．实验结果表明，文中算法能够快速有效地提取红外图像的边缘，并能满足红外自动目标识别的实际需要．     

机载红外搜救系统中的图像快速拼接

基于直升机的海上搜救在海难搜救过程中发挥着重要的作用.当前国内的搜救飞行队尚未配备海上红外搜救系统.研究与实现机载红外搜救系统以达到快速准确的定位落水者就显得迫在眉睫,其中的困难是实现红外图像的快速拼接.在现有算法基础上,结合项目需求,改进并实现了一种红外图像快速拼接算法.首先对原始图像预处理以消除噪声的影响,然后利用图像重叠区的相似性,找出图像ROI区域,使用基于绝对差自适应算法完成图像匹配,最后采用加权平均法得到连续图像的拼接图.实验结果表明:该算法拼接速度较快,而且具有较强的可移植性和实用性.     

基于互信息及蚁群算法的红外与可见光图像配准研究

红外与可见光传感器是图像系统中常用的两种传感器,对这两种传感器图像进行有效的融合,能够得到更加丰富的图像信息,并具有更高的可靠性,有利于提高对图像信息的分析和识别能力.快速准确地实现图像配准是图像融合的前提.为此,本文提出了一种基于互信息及蚁群算法实现红外与可见光图像配准的方法.     

复杂背景下的人体热图像分割

复杂背景下,特别是在环境与人体温度相差不大的情况下,红外运动人体目标与背景的灰度值会非常相似,准确的红外人体分割是一个难题。对基于混合高斯模型的背景减除法进行改进,在二值化阶段采用改进型的脉冲耦合神经网络（PCNN）进行精细分割,利用多模态免疫进化算法（MIEA）自动确定PCNN分割参数。仿真实验结果表明,该算法图像分割精度高,实现了快速自动分割,取得了较为理想的图像分割效果。     

基于迁移学习和R-FCN的电力设备红外图像识别算法

电力设备类型的准确识别是实现红外图像智能诊断的前提。针对电力设备红外图像数量多、识别任务重等问题,采用迁移学习和基于区域的全卷积网络(R-FCN)算法实现电力设备红外图像的智能识别。首先,利用Labelimg软件制作电力设备红外图像数据集;然后,基于迁移学习的原理,选择在VOC数据集上表现优秀的识别算法R-FCN;最后,将R-FCN检测模型分别与2种不同大小的卷积神经网络结合,并利用在线难例挖掘(OHEM)改进算法。实验结果表明:在相同样本条件下,以上提出的算法能够快速有效地识别电力设备红外图像,精度达到0.9143,具有较好的准确性和鲁棒性。该算法为电力设备红外图像热故障诊断提供诊断基础。     

激光雷达引导下的红外图像中行人检测

研究了一种利用激光雷达数据引导红外图像进行行人检测与识别的方法。首先针对激光雷达数据,提出了一种利用鲁棒主成分分析进行目标感兴趣区域检测的方法,进而设计了一种窗口滤波算法对前景矩阵进行滤波处理,得到目标感兴趣区域的位置信息。在此基础上,将该位置信息投影到红外图像中获取红外图像中的目标感兴趣区域,进而在红外图像感兴趣区域内利用稀疏编码金字塔算法和支持向量机完成行人识别。实验结果表明了该算法能够有效地完成行人识别。     

用于飞行员视觉增强的快速红外图像增强方法

提出了一种基于图像分块并行处理的快速的红外图像增强的方法.在对图像进行分块并行处理的基础上,综合利用改进的中值滤波算法、快速Sobel边缘检测算法、自适应权值的加权平均图像融合算法对红外图像进行快速处理.改进的中值滤波算法效果好于MTM算法,自适应权值的加权平均图像融合算法比基于区域对比度的权值选择法更好地抑制噪声,对...     

基于二值化聚类的图像文字提取算法

为解决渐变色给文字提取聚类算法带来的问题,研究与实现了基于二值化聚类的图像文字提取算法。图像通过一系列预处理后,得到了利于聚类的二值图像,根据背景图像区域特征,对图像进行聚类分块,再利用文字图像区域特征,聚类识别出文字区域。实验表明,该算法在各类图像上取得了理想的效果。     

顾及源图像质量的可见光和红外图像融合算法

分析了目前图像融合算法存在的问题,提出顾及源图像质量的可见光和红外图像融合的算法。以图像融合理论方法为基础,引入图像质量评价方法,构建了顾及源图像质量的图像融合基本框架。以区域加权信息熵作为可见光和红外图像评价方法,并以图像质量评价结果作为小波变换的系数权值来进行图像融合,分别以图像的平均灰度、标准差、信息熵、空间频率作为评价指标对融合后的图像进行质量评价,提出了基于区域加权信息熵的可见光与红外图像融合算法。最后选取多组可见光和红外图像进行图像融合实验。实验结果表明:顾及源图像质量的可见光和红外图像融合算法是完全可行和有效的。     

基于快速Level Set的红外图像分割方法

针对传统红外图像分割算法精度差以及单纯基于边界信息或区域信息Level Set的图像分割算法实时性差等问题，提出了一种同时基于边界信息和区域信息的快速Level Set的红外图像分割算法。通过自适应系数T1和T2很好地将边界信息和区域信息相结合，在保证分割精度的同时加快了图像分割速度。通过实验仿真并与其他红外图像分割算法结果比较，证明了该算法的有效性和实时性。     

基于彩色图像分割的高温辐射体识别方法

准确识别待测目标是利用CCD图像传感器进行高温测量的关键.本文在对高温辐射体彩色图像的噪声特点进行分析的基础上,提出一种基于彩色图像分割的高温辐射体识别方法,通过对红、绿基色图像分别进行分割来减小甚至消除高温辐射体图像的各种噪声,然后综合红、绿基色图像分割结果实现高温辐射体的准确识别,并运用数学形态学方法对分割结果进行后处理以消除游离点和孔洞,使图像边缘平滑;实验表明,该方法可以有效地实现高温辐射体的正确识别,具有较强的实用性.     

基于小波分解的高温物体图像快速识别方法*

摘要：提出了一种基于小波分解和多分辨率分析的高温图像快速识别方法。首先通过小波分解降低原始图像直方图的灰度级,从而减小了分割阈值的搜索范围,再结合最大类间方差法计算分割阈值,这样可以快速找到分割阈值。实验结果表明,该方法能够显著提高分割速度并准确分割出目标图像。     

基于二维码匹配的指针式仪表读数识别方法

提出了一种基于二维码匹配的指针式仪表读数识别方法.该方法先实时采集高质量的仪表状态图像,同时获取二维码定位点信息以及与二维码相连接的数据库中存储的仪表类型信息,再根据二维码定位点信息对仪表图像进行快速倾斜校正,并利用二维码与仪表之间先验的几何位置关系快速提取图像中表盘所在的区域,最后根据获取的仪表类型信息,选择对应的仪表读数识别算法,以实现快速准确地识别仪表读数.实验结果表明：该方法能有效提高指针式仪表读数识别的准确率,尤其是对于复杂背景的仪表图像,该方法可用于电力系统中刻度均匀的指针仪表识别.     

DCT结合特征选择的红外人脸识别

为了从生物特征和统计角度来提高识别的性能,提出了一种基于血流图的离散余弦变换（discrete cosine transform,DCT）与特征选择相结合的人脸识别方法。该方法首先利用血流模型把红外温谱图转换成血流图,得到更具丰富频率的特征。其次,采用DCT变换可以有效地消除血流图的相关性。最后,在DCT域特征提取阶段,为了提高特征提取的有效性,特征选择和子空间学习基于一致的可分性目标：特征选择引入基于可分性的DCT系数选择算法以抽取鉴别能力强的DCT系数,对抽取的DCT系数采用基于可分性的线性鉴别分析（linear discriminant analysis,LDA）方法。实验结果表明,该红外人脸识别方法可以快速有效地提取血流图中适合分类的特征,识别率优于传统DCT＋LDA方法。     

基于Laplace逼近Gaussian过程的指节图像中层偏移测度特征学习

在人机协调装配中,为了准确描述手部位姿,需要精确的指节图像特征提取与识 别。为了丰富手部信息,提出了基于 Laplace 逼近 Gaussian 过程的多分类算法,以实现基于手 部图像的指节识别。在类别信息无关联的假设基础上,将中层偏移测度特征的学习转化为对随 机量的学习;然后通过分析二值多分类高斯场上的后验计算,给出了基于 Laplace 逼近 Gaussian 过程的多分类高斯过程学习算法;通过构造中层随机信息的正定核函数,给出了基于 Laplace 的多分类高斯过程预测算法。最后,利用中层数据的分布学习与预测算法进行了指节图像训练 学习和固定阈值的图像识别。识别结果显示,该方法具有一定的指节识别能力。     

基于红外可见光图像配准的电力设备分割算法

电力设备故障会导致变电站大范围停电,造成巨大损失。根据电力设备运行时会发热的特点,提出一种基于红外可见光图像配准的电力设备分割方法,便于进行故障检测。该方法首先利用结构化随机森林对电力设备的红外和可见光图像进行边缘检测,构建可见光边缘图像的多尺度高斯金字塔,然后结合归一化互信息对红外和可见光图像进行配准,对红外图像进行Otsu阈值分割,结合配准结果分割出可见光图像中的电力设备。实验结果表明,该算法能精确地实现配准及分割,具有一定实用性。     

动态背景运动目标的快速锁定跟踪算法

为改善动态背景运动目标跟踪的精度和计算性能,提出一种Hu_Fourier特征描述子的目标识别算法和固定模板滑动置信度最佳线性逼近法的目标锁定跟踪算法。依据提出的Hu_Fourier特征描述子,快速准确地提取出识别区域运动目标的轮廓特征,结合加权距离目标识别算法,识别出图像中所有目标,计算目标的质心坐标。利用提出的固定模板滑动置信度准则,结合识别目标的质心,锁定目标,更新目标模板。依据最佳线性逼近法,确定下一帧图像的目标搜索区域。理论分析和实验结果验证了该目标锁定跟踪算法的鲁棒性和有效性。     

复杂背景下红外图像弱小点目标自动识别仿真

传统识别方法受到低信噪比、低对比度、缺乏弱小点目标的形状及纹理信息等因素影响,尤其在复杂背景下,弱小点目标自动识别准确率较低,针对此问题,提出一种基于BEMD(二维经验模态分解算法)的红外图像弱小点目标自动识别方法,根据待识别图像的频谱特性,并结合分频段处理方式。对比了不同滤波器的性能,并建立了图像滤波器组,采用滤波器组将弱小点目标图像分解到不同子频域中;对子频段图像进行罗宾逊滤波处理,提取弱小点目标。采用多层经验模态分解算法对原始弱小点目标图像输入函数分解为二维本征模态函数,通过微分计算来获取原始图像与背景区域之间的差,分割出弱小点目标区域。通过局部逆熵分割弱小点目标区域的高频信息来获取各个模态函数的弱小点目标识别结果。实验结果表明,所提方法能够高效且准确地提取出弱小点目标,更好地抑制复杂背景。     

基于角点的CT影像轮廓遮挡识别

针对CT影像中的启发式轮廓提取,提出了一种根据上层轮廓识别的当前轮廓遮挡的算法。使用基于曲线的弧长参数化方法识别遮挡,这种方法能够识别出轮廓的所有遮挡,但是,轮廓中的非遮挡部分也可能被识别为遮挡。利用DCSS（直接曲率尺度空间）在上下轮廓中自动识别和匹配角点,进一步设计基于角点的遮挡收缩技术,通过匹配的角点缩短或者删除被错误识别的遮挡。大量的实验研究表明,该算法可以有效、准确地识别所有轮廓的遮挡。     

一种改进的深度学习的道路交通标识识别算法

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-and-excitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。