基于双立方插值的多波束前视声呐数据可视化算法

针对现有的前视声呐数据可视化算法存在的边缘模糊等问题,根据多波束前视声呐成像机理,提出一种将双立方插值应用到声呐数据可视化中的算法。确定插值点的16个邻近回波点,计算每个回波点的距离权值和角度权值,最终将16个回波点的加权像素值作为插值点对应的像素值。仿真数据与Gemini720i前视声呐现场数据可视化实验结果表明:较之现有的可视化算法,本算法具有更高的峰值信噪比和更好的边缘保持效果,能够更有效地提高可视化得到的图像质量。     

基于特征在线选择的目标压缩跟踪算法

基于压缩感知理论的压缩跟踪算法能够有效地实现对目标的跟踪, 具有良好的实时性, 但该算法对目标特征没有进行在线选择导致跟踪鲁棒性不高. 本文提出一种基于特征在线选择的目标压缩跟踪算法. 首先, 在目标附近采样得到正负样本集合, 计算样本的多尺度矩形特征, 采用压缩感知中的随机投影矩阵对高维特征投影得到低维压缩域特征, 对压缩域特征进行在线选择提取最优特征, 剔除被污染的样本特征, 使用简单高效的朴素贝叶斯分类模型进行样本判断, 实现对目标的跟踪, 同时对跟踪中目标在摄像头中的尺度变化进行建模, 给出目标尺度变化的定量描述, 实现了适应目标尺度变化的多尺度跟踪. 实验结果表明本文算法具有更好的鲁棒性与更高的跟踪精度, 对目标跟踪中的遮挡、光线突变、尺度变化和非刚性形变等因素具有较好的抗干扰能力, 同时算法复杂度低, 可以满足实时性要求.     

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。     

侧扫声纳图像的NSCT域模极大值边缘检测

侧扫声纳图像边缘检测较困难,为此,提出一种针对该图像特点的多尺度边缘检测方法。对侧扫声纳图像进行非下采样Contourlet变换(NSCT)分解,根据斑点噪声在NSCT域的分布特点,进行局部自适应去噪。通过各方向子带沿边缘方向的插值和非极大值抑制寻找模极大值点。通过类内方差最小化法自适应确定阈值,由阈值处理得到各子带的边缘。经边缘融合实现完整的边缘图。实验结果表明,该方法具有边缘检测完整、定位准确、伪边缘点少等优点。     

一种快速的暗通道去雾算法

为了在保证暗通道先验假设去雾效果的基础上,加快处理速度,提出了一种快速去雾算法。首先,根据暗通道先验假设结合中值滤波得到透射图;再根据函数构造的思想对透射图进行精确化处理;最后,采用直方图非线性拉伸实现处理后图像亮度的调整。通过对大量雾天图像处理效果图与近年来一些去雾算法处理效果图的主观和客观比较表明,该算法在保证去雾质量的前提下,提高了速度,而且去雾后图像色彩鲜艳,细节清晰。     

串行实时时钟芯片DS1302程序设计中的问题与对策

指出了串行实时时钟芯片DS1302程序设计中几个易被疏忽而导致错误的问题,分析了问题的原因,并给出了解决问题的方法。     

自动售货远程监控系统关键技术的研究与设计

根据自动售货机和GPRS无线网络的特点,设计了一套基于GPRS无线传输技术的自动售货监控系统.售货终端通过简化的协议与监控中心建立联系,定时将数据上传至监控中心,便于统计分析;为了应对通信过程中可能出现的突发性持续干扰、提高纠错性能,在数据传输中采用了扩展海明码对数据进行交错编码,实践证明,这种方式不但提高了通信的安全性而且具有明显的抗干扰纠错功能;本监控系统适用于干扰大、信号不稳定的通信环境.     

基于无监督栈式降噪自编码网络的显著性检测算法

针对现有的显著性检测算法检测目标类型单一、通用性差的问题,提出一种基于无监督栈式降噪自编码网络的显著性检测算法.该算法利用无监督栈式降噪自编码网络（Stacked Denoising Auto Encoder,SDAE）在多个尺度对原始图像进行稀疏重构,将原始图像与SDAE网络重构图像之间的差作为显著图,二值化后的显著图作为显著性目标检测结果.在SDAE网络训练过程中,将原始图像作为原始数据,网络重构的图像作为观察数据.为了提升网络训练效率,首先利用无监督逐层贪婪方法训练同结构的深度信念网络（Deep Belief Network,DBN）,将训练得到的DBN网络参数设为SDAE网络的初始参数,再计算原始数据与观察数据之间的互信息作为网络收敛代价,利用反向传播进行网络参数微调.实验表明,该网络模型可以完成多类型目标的显著性检测,具有通用性好,准确度高等优点.     

基于深度学习的电力杆塔缺陷检测

针对目前无人机电力杆塔巡检过程中航拍图像背景复杂、杆塔组件尺寸差异大、缺陷种类多导致的巡检效率低和缺陷漏检率高等问题,本文提出一种动态位置查询引导的多尺度实例分割方法和基于图特征记忆的缺陷检测方法。所提实例分割方法通过提取多尺度航拍图像特征,选择特征中具有最高关注度分数的低分辨率像素,将其映射到高分辨率特征的相应位置,并添加边界框检测器以提高电力杆塔的分割精度。在缺陷检测算法中提出可学习的图特征描述符,构建了一个记忆库来提取关键元素,以获得更准确的样本特征,提高缺陷检测效率。本文方法在自建的两个缺陷检测数据集上与其他先进算法进行对比,实例分割box＿AP和mask＿AP相较于Mask2Former分别提升了7.6%和0.5%,缺陷检测算法AUROC分别比次优算法提高7.3%和1.6%,F1-Score分别比次优算法提高6.7%和6.9%,充分表明了本文算法出色的电力杆塔缺陷检测性能。