基于解决实际问题导向的“电路与信号分析”课程建设探究

＂电路分析基础＂和＂信号与系统＂是电子信息类各专业的两门重要的工程技术基础课程,然而,长期以来这两门课程的教学存在在授课内容上重复、衔接不合理等诸多问题,因而根据信息化时代的需求和相应的人才培养目标,在对原有课程体系教学内容进行优化整合的基础上,建设成为＂电路与信号分析＂一门课程。本文针对该课程建设的目标和内容提出一些见解,以促进课程授课质量的提高。     

NSCT域内基于自适应PCNN的图像融合新方法

论文结合非下采样contourlet变换（NSCT）的平移不变性、多尺度、多方向特性和脉冲耦合神经网络(PCNN)的同步脉冲发放、捕获特性,提出在NSCT域中基于PCNN的图像融合框架。对于低频子带,利用改进拉普拉斯能量和作为特征激励PCNN;对于高频方向子带,采用改进的空间频率作为PCNN的外部激励;同时利用各子带图像的平均梯度自适应调节PCNN的链接强度,最后,选取具有较大点火次数的系数作为融合图像的系数,经逆NSCT变换重构融合图像。实验结果表明本文方法无论在主观视觉还是客观评价标准上都要优于传统的基于小波变换、contourlet变换、PCNN的图像融合方法。      

“信号与系统”现代教学方法和手段研究

“信号与系统”是电子信息类各专业本科生的一门重要的专业基础课程,课程内容属于信息技术系统层面上的基础知识,其特点是理论性强、抽象概念多、起点高、难度大。论文针对以上特点,探讨如何利用信息技术改进教学方法,优化教学内容,丰富教学手段,使学生掌握必要的信号与系统的基本理论,提高学生综合分析问题和解决问题的能力。     

增强融合图像视觉效果的图像融合方法

针对现有图像融合方法得到的融合图像对比度低，图像纹理细节信息保留不充分，图像视觉效果差等问题，论文提出一种新的基于图像对比度增强的红外与可见光图像融合方法，以有效提高融合图像的视觉效果。首先，为提高可见光图像低亮度细节的能见度，在融合之前，提出一种基于引导滤波器的动态范围压缩与线性变换相结合的自适应图像增强方法；其次，采用基于引导滤波器和高斯滤波器相结合的多尺度融合方法，将红外图像信息有效地注入可见光图像中；最后运用非局部均值滤波对融合后的图像进行后处理，以得到效果增强的融合图像。实验结果表明，该方法能够获得较好的图像融合效果，无论从主观视觉还是客观评价指标上，都要优于现有的常用图像融合方法。      

红外与可见光图像分解与融合方法研究

红外与可见光图像融合旨在生成一幅新的图像,能够对场景进行更全面的描述。本文提出一种图像多尺度混合信息分解方法,可有效提取代表可见光特征分量的纹理细节信息和代表红外特征分量的边缘信息。本文方法将边缘信息进行进一步分割以确定各分解子信息的融合权重,以有效地将多尺度红外光谱特征注入到可见光图像中,同时保留可见光图像中重要的场景细节信息。实验结果表明,本文方法能够有效提取图像中的红外目标,实现在融合图像中凸显红外目标的同时保留尽可能多的可见光纹理细节信息,无论是主观视觉还是客观评价指标都优于现有的图像融合方法。     

基于STFT-SST和深度卷积网络的多相码雷达信号识别

多相码雷达信号特征相似,类间差距小,在低信噪比（Signal-to-noise ratio, SNR）下极易混淆。Choi-Williams等时频分布由于受时频分辨率的约束,难以刻画多相码信号的细节特征。为此,本文提出了一种基于同步挤压短时傅里叶变换（Short-time Fourier transform-based synchrosqueezing transform, STFT-SST）和深度卷积网络的自动分类识别算法。在特征选取上,采用STFT-SST对多相码雷达信号进行时频分析,并提出一种频谱增强算法,用于提升低SNR下的时频特征表示,以获得高分辨率的时频特征图像;在分类网络上,设计了一个9层深度卷积网络,并引入Inception 模块,提升网络对细节特征的捕获能力。仿真结果表明,当SNR为-8 dB时,该系统对5种特定多相码的平均识别率达91.8%,在低SNR下具有更好的识别性能。     

基于红外目标特征提取的图像融合方法

为有效突出红外目标,同时尽可能多地保留可见光图像中的纹理细节信息,使得最终的融合图像更符合人类视觉感知效果,本文提出一种新的基于红外目标特征提取的红外与可见光图像融合方法。首先,利用高斯滤波器将源图像分解为粗略尺度信息和边缘纹理细节信息;对红外图像的边缘纹理细节信息进行去“光晕”分解,在此基础上进一步利用OTSU多阈值分割算法将红外图像分割为目标区域、过渡区域和背景区域;最后,依据分割结果确定各分解子信息的融合权重,以有效地将红外目标信息注入到可见光图像中,同时尽可能多地保留可见光图像中重要的场景细节信息。实验结果表明,本文方法无论从主观视觉还是客观评价指标上,都要优于目前常用的有代表性的图像融合方法。