基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强，提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识，将粗糙集条件属性集中的梯度属性改进为引力场强度属性，从而实现对原图像的目标增强。与其他算法进行了实验比较，结果表明提出的改进算法相比于其他算法更适用于SAR图像特性，能更好地对舰船目标像素进行针对性增强，具备一定的工程应用价值。     

无失效数据机载多余度EWIS可靠性研究

针对高可靠度机载多余度EWIS各组成部分寿命服从指数分布但参数未知的情况，提出采用无失效数据可靠度分析方法评估EWIS的可靠度水平。通过Monte-Carlo仿真方法对连接形式为“先并联、后串联”EWIS各组成部分寿命进行抽样，利用“最小最大值”方法获得系统寿命的抽样值，用概率纸检验法初步判断EWIS寿命是否服从威布尔分布，再用Pearson拟合优度检验法判断EWIS寿命是否服从威布尔分布。结合无故障飞行时间的样本值与EWIS寿命服从威布尔分布的假设，采用无失效数据分析方法评估EWIS的可靠度水平。研究方法对机载多余度EWIS无失效数据可靠度分析有一定的贡献。     

基于张量分解融合RGB-D图像的物体识别

为了充分利用RGB-D图像的深度图像信息，提出了基于张量分解的物体识别方法。首先将RGB-D图像构造成一个四阶张量，然后将该四阶张量分解为一个核心张量和四个因子矩阵，再利用相应的因子矩阵将原张量进行投影，获得融合后的RGB-D数据，最后输入到卷积神经网络中进行识别。RGB-D数据集中三组相似物体的识别结果表明，利用张量分解融合RGB-D图像的物体识别准确率高于未采用张量分解的物体识别准确率，并且单一错分实例的准确率最高可提升99%。     

基于时空的弱点状运动目标检测技术

如何在复杂背景下持续有效地检测目标位置,一直是研究者们需要面对的主要挑战。本文在研究红外点状移动目标特征的基础上,根据目标无纹理,无形状的特性,提出一种改进的形态学目标增强算法,并利用目标连续时空不变性检测目标。首先,建立多尺度的图像金字塔,在每层上采用改进的形态学算法快速、粗糙定位小目标。然后进一步的根据目标在时空上的位置相关性,提出基于目标运动特征分析的精确检测方法。得到精确稳定的检测结果。最后实验结果表明与经典的形态学检测算法及其他算法相比,该技术能更有效地检测弱小目标,具有更高的鲁棒性。     

In‐plane shear damage behaviours of 2D needled C/SiC composites

Understanding the in‐plane shear behaviour of composites is essential to establish the design basis for practical applications. This study aims to investigate the shear damage behaviours of 2D needled C/SiC composites by various characterization techniques. The effect of layer arrangement on shear modulus and strength was discussed via shear stress‐strain responses. The shear strain field evolution and uniformity variation were studied by digital image correlation. It shows that the uniformity of shear strain field changes with the shear load, and the shear strain field evolution consist of 5 stages. The electrical resistivity measurement results indicate that structural deformation and damage evolution caused the electrical resistivity change. Furthermore, the damage evolution has a double effect on the electrical resistivity variation. The acoustic emission monitoring shows that the shear damage evolution is a 3‐stage nonlinear process before failure. The shear damages were categorized via acoustic characteristics. Besides, the postfailure behaviours were also discussed in this study.     

飞秒激光光斑轮廓的傅里叶描述子重建及特征提取

在利用飞秒激光对单晶硅材料进行微尺度烧蚀时,衍生的等离子体发光光斑中蕴含着大量的加工信息。如何有效提取光斑图像的几何特征信息,对研究飞秒激光烧蚀加工工艺过程具有重要意义。轮廓特征是描述激光光斑最重要的特征之一,本文着重分析了等离子体光斑轮廓特征与光斑运动规律间的关系及光斑运动情况分类方法。首先,考虑到光斑微弱的特性,对光斑图像进行增强处理。其次,采用链码方法提取光斑轮廓特征,并利用傅里叶描述子低频特性,选取少量的描述子重建光斑图像轮廓特征,减少了复杂的计算量,有效提高了光斑图像分类的速度与质量。最后,运用Hu不变矩特征证明傅里叶描述子用于提取激光光斑对轮廓特征的有效性。     

卷积神经网络用于关节角度识别与姿势评估

为了快速准确地输出各种工作姿势风险评估结果，提出采用Kinect v2与卷积神经网络识别人体各关节角度，并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头，其次使用改进后的双边滤波对深度图像去噪，使用卷积神经网络识别人体关节二维位置，结合深度信息获取实际三维坐标并计算人体关节角度，最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性，表明该方法关节角度识别与姿势风险评估的准确率均较高，是一种低成本、高可靠性的姿势评价方法，具有一定的科学意义和工程应用价值。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。