基于提升小波的红外和可见光图像融合方法

提出了一种基于提升小波变换的红外和可见光图像融合方法.对红外图像进行检测分割,将提取到的目标重要信息融合到可见光图像中.然后进行图像的提升小渡分解,对不同尺度下小波系数进行融合,以像素的局部平均梯度为高频系数融合准则,充分加入原始图像的边缘细节信息.最后依据融合后的小波系数重构图像.实验结果表明,该方法改善了融合效果,提高了运算速度.     

谁最安全？2009版杀毒软件硬碰硬

病毒和木马的出现严重干扰了正常的网络活动,而病毒和木马等不可见光产业链的形成也使互联网的健康成为了令每个电脑用户都担忧的问题．如果说在杀毒软件和病毒的这场博弈中,杀毒软件以前都扮演着“亡羊补牢”的角色的话．那么随着杀毒技术的不断成熟．杀软们开始了主动出击,主动防御和云安全等有利武器让病毒们忌惮三分。     

可见光波段虚拟伪装场景的创建

提出基于Vue和Python的可见光波段虚拟伪装场景概念,重点阐述了不同探测方位、不同天气时段的虚拟伪装场景和动态虚拟伪装场景的创建流程,分析了该方法存在的问题并对下一步的工作进行了展望.基于Vue和Python的虚拟伪装场景在可见光波段伪装效果评估方面具有较好的应用前景和推广价值.     

基于BP神经网络的可见光成像通信列车定位方法

基于通信的列车控制（CBTC）系统的列车定位功能在保障列车安全运行方面具有重要作用。为了提高列车定位的实时性和准确性,依据地铁隧道内LED光源固有的布置方式,提出了一种基于BP神经网络（BPNN）和可见光成像通信相结合的列车定位算法。首先,在光条纹码调制时将不同的特征变量引入身份识别（ID）信息中,使用BPNN对LED-ID信息分类识别,得到LED光源的位置信息,并通过惯性测量单元（IMU）获取相机成像时的姿态角;然后,结合图像传感器（IS）和LED光源之间的几何关系求出二者的相对位置,得到列车的位置坐标;最后,通过仿真实验验证了所提定位算法的有效性。研究结果表明：静态实验中的平均定位误差为2.31 cm,动态实验中的平均定位误差小于5 cm,而且所提定位算法仅需单个LED光源通信,平均定位时间为51.34 ms。所提方法提高了列车定位的实时性和精度,可以作为现有列车定位方法的补充。     

基于特征融合的可见光与红外图像目标检测

为提升目标检测任务在复杂环境下的识别效果,提出了一种基于特征融合的红外与可见光目标检测方法。该方法首先采用并列的卷积神经网络分别提取红外和可见光特征信息,并利用通道和空间注意力机制提升有效特征的权重;其次,为充分利用红外和可见光特征进行信息互补,设计了特征自适应融合结构,以自主学习方式将红外与可见光特征以最优方式加权融合;最后,针对不同尺度目标,通过交替采样方式充分融合深层和浅层特征,保障各维度目标检测效果。通过实验表明,所提方法可以充分利用并融合不同模式、尺度的目标特征信息,实现目标准确识别及定位。同时,在实际电网设备检测中,该方法也体现出较优的鲁棒性和泛化性。     

基于SURF-HOG与显著性特征的红外可见光图像配准融合北大核心CSCD

针对现有红外与可见光图像配准不精确,边缘及细节纹理缺失,融合时间较长,不能突出重点目标等不足,提出一种基于SURF-HOG描述符与红外显著性特征的红外与可见光图像融合方法。首先,在红外与可见光图像配准阶段,在SURF(Speed-Up Robust Features,SURF)框架内构建基于HOG(Histogram of Oriented Gradient,HOG)的特征点描述符,并通过NNDR(Nearest Neighbor Distance Ratio,NNDR)进行红外与可见光图像的特征点匹配;其次,在显著特征提取阶段,先通过四叉树算法对源红外图像分解,然后通过贝塞尔插值法重建红外图像背景,接着分别对红外图像中的背景及目标进行自适应抑制以提取目标红外显著性特征;最后,结合已配准的可见光图像与重建后的红外图像以获取最终融合结果。实验结果表明,所提方法对不同场景下的红外与可见光图像具有较高的配准精度,不同场景下的融合结果不但主观视觉上具有显著的目标特征,同时背景纹理和边缘细节清晰,整体对比度适宜,运行时间最短,并且在客观评价指标上也取得了较好的效果。     

可见光多波段激光合束系统设计北大核心CSCD

为了实现可见光波段不同波长多路激光的精密合束,设计了一套激光合束系统。通过长焦距镜头和高缩束倍率镜头配合大面阵光电探测器分别实现合束激光指向与位置的高精度、实时监测;通过高精度的角度调节平台和位置调节平台分别实现光束指向和位置监测误差的实时补偿。在完成光束指向、位置监测镜头的设计加工及精密装调后,获得位置监测装置的监测分辨率为0.054 mm,指向监测装置的监测分辨率为3.5μrad;在完成光束位置校正平台、指向校正两维摆镜、闭环控制系统合束流程的详细设计后,对合束系统的合束精度进行实验检测和误差分析。实验结果表明:合束系统短时间内针对稳定光束的合束精度为:指向6.17μrad,位置优于0.66 mm;长时间内针对缓慢漂移光束的合束精度为:指向18.46μrad,位置优于0.72 mm。因此,所设计的激光合束系统合束精度高,并且可及时对光束的漂移误差进行自动补偿,满足系统的应用要求。     

红外与可见光图像渐进融合深度网络

目的 红外与可见光图像融合的目标是获得具有完整场景表达能力的高质量融合图像。由于深度特征具有良好的泛化性、鲁棒性和发展潜力,很多基于深度学习的融合方法被提出,在深度特征空间进行图像融合,并取得了良好的效果。此外,受传统基于多尺度分解的融合方法的启发,不同尺度的特征有利于保留源图像的更多信息。基于此,提出了一种新颖的渐进式红外与可见光图像融合框架(progressive fusion, ProFuse)。方法 该框架以U-Net为骨干提取多尺度特征,然后逐渐融合多尺度特征,既对包含全局信息的高层特征和包含更多细节的低层特征进行融合,也在原始尺寸特征(保持更多细节)和其他更小尺寸特征(保持语义信息)上进行融合,最终逐层重建融合图像。结果 实验在TNO(Toegepast Natuurwetenschappelijk Onderzoek)和INO(Institut National D’optique)数据集上与其他6种方法进行比较,在选择的6项客观指标上,本文方法在互信息(mutual Information, MI)上相比FusionGAN(generative adversarial ...     

基于地基可见光图像的喀斯特典型植被长势监测

生态观测试验站为喀斯特典型脆弱生态区植被生长监测提供了高通量冠层拍摄图像,但目前鲜见有关喀斯特地区裸岩和植被混杂下垫面植被提取的研究报道。利用石漠化生态观测试验站获取的植被冠层RGB图像,研究喀斯特植被适用分割算法和长势监测模型,为基于地基冠层可见光图像的植被监测提供技术支持。结果表明：(1)基于颜色空间、颜色通道非线性组合、机器学习3种算法对喀斯特地区浅绿色植被的区分度均较高,但对裸岩和深绿色植被区分度有明显差异。晴天强光和阴天弱光条件下3种分割方法对植被分割效果差异明显,机器学习算法分割效果最优,阴天弱光条件准确率超过80%,晴天强光条件下可超过90%。(2)基于RGB图像反演的可见光植被指数GLA、NDYI、NGRDI和VARI所反映的植被长势变化趋势相似,但NDYI对植被长势差异响应更敏感。复合正弦函数可以较好地模拟4种可见光植被指数的逐日动态变化特征,且对NGRDI变化趋势模拟精度最高(R²=0.830)。     

稀疏训练指纹库融合MMPSO-ELM室内可见光定位

为了解决采用极限学习机(ELM)神经网络室内可见光定位方法存在误差较大、网络模型训练时间较长、结果稳定性较差等缺点, 采用稀疏训练指纹库, 融合多目标动量粒子群算法(MMPSO), 结合ELM室内可见光定位方法, 形成MMPSO-ELM方案, 引入动量因子, 避免迭代过程中过度振荡, 加快系统收敛速度。在不同的定位空间内随机选取训练数据集方式, 在测试点数量不同的情况下, 将本方案与后向传播(BP)、ELM以及PSO-ELM 3种定位算法进行了比较。结果表明, MMPSO-ELM方案在20组训练数据条件下, 对80组待定位点进行预测定位, 定位误差最大为0.0225m, 最小误差为0.00093m, 平均定位误差低至0.00143m, 且定位性能受定位空间大小影响较小; MMPSO-ELM可见光定位方案具有定位精度高、速度快、泛化性强等优点。该研究为在室内场所实现快速准确定位提供了理论支撑。