用非线性加权均值多方向形态滤波算法抑制散斑噪声

提出了一种新的用于抑制散斑噪声的非线性加权均值多方向形态滤波算法。对实际激光雷达图像处理的结果表明，该算法既有效地抑制了激光雷达图像中的散斑噪声，又保持了图像的几何结构。     

基于遗传算法的宽带加权子空间拟合测向算法

宽带信号测向一直是信号处理领域研究的难点.本文把窄带情形下的加权子空间拟合测向算法推广到宽带情形,构造了一个目标函数,然后应用遗传算法进行非线性全局优化,即可得到波达方向估计值,同时避免了对入射方向进行预估计.把本文算法应用到均匀线阵上,仿真实验结果证明了算法的有效性.     

基于多重局部重构模型的连续过程故障诊断

为了提高故障诊断性能, 本文对故障特征随时间发展变化的多样性进行了探讨分析. 本文揭示了故障过程呈现时变特性, 即故障过程在不同时段反映出不同的变量相关性, 提出了一种故障时段划分算法. 该算法将故障划分为不同时段, 在每一个时段中, 故障特征被认为是基本类似的. 在此基础上, 针对不同时段建立了不同的故障分解模型, 并揭示了不同故障状态与正常状态的关系. 通过划分不同故障特征, 可以区分不同的故障特征, 建立更精确的重构模型. 该方法很好地阐述了故障的演变行为特征, 能够更精确地进行故障重构从而确定故障原因. 通过在田纳西伊士曼仿真过程上的应用验证了该方法的可行性及诊断性能.     

一种改进的多类支持向量机超光谱图像分类方法

支持向量机(SVM)是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题.总结了现有的主要的支持向量机多类分类算法,并在1-a-1 SVM分类算法基础上提出一种二次分类的方法.改良了惩罚因子,提高了不易分的类别之间的可分程度.通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度.     

基于区域相关的核函数背景建模算法

传统的背景建模方法都是单独为每个像素建立背景模型,这样就没有考虑像素之间实际存在的相关性,使得在进行前景和背景分割时出现不该出现的空洞和噪声点。为了解决这一问题,提出了一种基于像素邻域信息的核密度估计背景建模算法;给出了相邻像素亮度值分布模型间的相关性描述,并将该相关性引入到背景建模中,得到包含时一空信息的背景模型,并提出背景模型的更新策略;实验结果表明,算法能有效去除前景区域内的空洞和背景区域内的噪声点,能快速准确地更新背景模型,能进行复杂场景的背景建模。     

一种彩色光流场估计算法

彩色图像序列中通过求解光流梯度约束方程组进行光流估计可有效地克服孔径问题,但方程组在各等式线性相关或图像的梯度量级相对于噪声很小的像素点处得到不可靠解.为获得鲁棒估计结果,将规范化rgb颜色模型估计方法与全局平滑约束方法相结合,利用矩阵条件数判断规范化rgb方法光流解的可靠性,设定条件数阈值进行方法间切换,融合2种方法的估计结果.最后,对光流估计结果进行10次中值滤波.实验表明,该方法在获得稠密光流场的同时可有效提高光流场估计精度.     

组合均值平移和区域合并的图像分割算法

医学图像类的多细胞图像分割过程中,经常因为细胞边界模糊而影响分割质量.针对复杂情况下的细胞图像分割问题,提出了一种组合分割方法,新方法将一种非参数聚类算法(均值平移)和区域合并相结合,先利用均值平移算法获得图像的过分割结果,再根据区域合并准则,合并过分割区域得到准确的分割结果.将此方法应用于活细胞的显微灰度图像,并与几何活动轮廓模型算法、阈值分割算法、均值平移算法及水线分割算法相比较,实验结果证明了此算法的有效性.此算法不仅可以将粘连的细胞分开,还可以获得接近细胞原始形状的边界,为进一步图像研究提供了良好的基础.     

双尺度协同变异的离散粒子群算法

针对离散粒子群算法局部搜索能力差的不足,提出了一种基于双尺度协同变异的离散微粒群算法.采用对当前最优解进行双尺度速度变异的方法,来实现提高算法局部最优解搜索和改善最优解精度的能力.在算法初期利用大尺度速度变异可增加粒子的多样性,快速定位到最优解区域;算法后期则通过逐渐减小的小尺度变异可提高算法在最优解附近的局部精确解搜...     

基于目标正交子空间投影加权的高光谱图像异常检测算法

在高光谱图像的异常目标检测问题中,针对原始数据源不能正确地表征背景数据的分布而造成虚警概率较高的现象,本文提出了一种基于目标正交子空间投影加权的KRX高光谱图像异常检测算法。该算法从背景协方差矩阵的估算角度入手,将每个像素投影到目标的正交子空间中,为每个像素自适应地赋予合适的权值,从而减小目标信息的存在对背景特性估计的影响。并用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行了比较,结果表明,本文提出算法的检测性能明显地优于传统算法,降低了虚警概率,具有较好的检测效果。     

基于联合字典稀疏表示的遥感图像超分辨率制图

超分辨率制图是一种由低分辨率遥感图像获得高分辨率土地覆盖图的技术,针对空间相关性原则不足以描述复杂地物模式的问题,本文提出了一种基于联合字典稀疏表示的超分辨率制图方法。利用迁移学习机制,使用自然图像训练高、低分辨率图块联合字典,并根据高、低分辨率图像块对与其对应字典的稀疏表示间的一致性,将低分辨率丰度图像的稀疏表示与高分辨率字典结合生成高分辨率软分类图像,最后进行类分配从而获得高分辨率土地覆盖图。利用合成Landsat多光谱图像和NLCD 2001子图像对所提方法进行测试,并与几种现有的典型超分辨率制图方法进行比较,实验结果显示本文所提算法的超分辨率制图精度优于对比算法。