基于混沌粒子滤波的视频目标跟踪

针对复杂场景中目标受光照、自身形变、遮挡等影响,本文以混沌粒子滤波为框架,建立多特征似然模型,进行目标遮挡处理,提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法.本算法中利用混沌优化搜索优化粒子,很好的克服了退化现象,减少了计算量,在多特征似然模型建立中,对特征选择做了改进,使算法鲁棒性更好,并在算法中添加了遮挡处理.理论数据及实际场景的仿真结果表明,本文提出的算法鲁棒性好且具有较强的抗遮挡能力.     

光电着降导引系统的跟踪和参数测量

分析和研究了CCD摄影测量算法的精确定位技术,建立了4个信标点空间位置坐标的数学模型,并推导出计算公式,该算法的特点是计算精度高,可实时计算空间目标的坐标位置,从而对空间目标精确定位,在航天、航空技术上有重要的用途.设计了一台直升机着降与回收的光电导引系统,利用2台红外CCD对在直升机两侧机身被半导体激光器照明的4个信标成像,通过对图像的处理和目标识别,提取出信标的位置和恣态信息.使用双摄影测量法模型实时计算出直升机相对于着降点的坐标.使用高性能的DSP系统,实时检测和跟踪双通道图像信号并显示出实验结果.模拟实验结果表明,在8～13m距离内,光电引导系统的距离测量精度达到±5cm,而角度测量精度达到±3°.     

基于活跃度的脉冲耦合神经网络图像分割

针对脉冲耦合神经网络(PCNN)在图像分割中需多次人工调整网络参数的问题,提出了一种基于PCNN模型的图像自动分割方法.分析了图像中影响PCNN参数设置的因素,提出了一种图像自适应分块策略.将图像划分为内部复杂程度相近的子块,克服了同一参数无法同时对图像中复杂度差异较大的不同区域准确分割的不足.利用本文提出的局部图像活跃度(ADLA)指标对不同子块自适应地确定PCNN模型参数,有效解决了传统PCNN图像分割时需要人工确定关键参数的问题.最后,采用最大二维Tallis熵准则从分割后的二值结果序列中选择最佳结果.实验表明,本文方法的分割结果轮廓清晰、完整,即使在对比度低、背景呈大范围内连续变化等复杂情况下,也具有优异的性能.与传统PCNN分割方法相比,本文方法能自动、快速、准确地确定PCNN模型参数,且区域一致性测度(UM),区域对比度(CR),形状测度(SM),综合指标(CI)等客观评价的量化指标均优于传统PCNN分割方法12％以上.     

基于卷积神经网络的眼底图像微血管瘤检测方法

眼底微血管瘤是糖尿病诱发视网膜病变的初期症状,实现基于彩色眼底图像的微血管瘤的自动检测有助于辅助医生判断患者的视网膜是否正常,同时也是糖网病变分级评估中最重要的预处理手段。但由于视网膜结构复杂,同时眼底图像的成像由于患者、环境、采集设备等因素的不同会存在不同的亮度和对比度,现有的微血管瘤检测算法难以实现微血管瘤的精确检测,检测结果中存在大量的非微血管瘤候选区,如血管、背景噪声。由于卷积神经网络具有非常强的表达能力,能通过模型训练自动学习到目标的特征,该文提出了基于卷积神经网络的微血管瘤检测方法,仿真结果表明,该方法的检测效果优于传统的微血管瘤检测方法,在复杂的糖网图像下能实现微血管瘤的精确提取,将部分血管、背景噪声排除在外,使基于卷积神经网络提取的候选区数量更少且形态规则,有利于后续的特征提取和分类。     

神经模糊系统的储层参数反演

神经模糊系统,即把神经网络与模糊逻辑结合起来,用神经网络来构造模糊系统,使建立的储层参数反演模型既能处理输入信息,又能嵌入专家的模糊性知识,提高了模型的抗干扰能力和预测精度,同时,也克服了人工神经网络技术的储层参数反演与预测在实际应用中暴露出的一些难点.通过基于神经模糊系统的网络结构、建模步骤及应用的研究,与常规多元线性回归分析、模糊系统建模相比较,获得了较高的储层参数反演预测精度.     

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks, PFPCNN)模型的图像分割方法. 首先用改进的Unit-linking PCNN (ULPCNN)模型对图像进行增强, 便于后续的图像分割. 然后采用PFPCNN新模型对增强后的图像进行分割, 最后用最大香农熵方法判定最佳分割结果. 各种复杂场景下的仿真实验及定量评价表明, 本文提出的图像分割方法, 其效果明显优于常规的PCNN分割方法.     

基于稀疏表示及正则约束的图像去噪方法综述

数据去噪声是信号和图像处理领域的一个经典问题,广泛应用于各类工程实践中。由于噪声源的多样性,去噪一直是富有挑战性且十分活跃的研究课题,发展了多种经典去噪方法。近年来,随着压缩感知理论的发展,基于稀疏表示及正则化约束反问题求解方法成为图像去噪领域的重要发展方向和技术途径。本文首先回顾和总结图像噪声的来源和类型,然后针对不同类型的图像噪声,重点围绕基于稀疏表示及正则化约束的图像去噪技术进行全面综述,分析和描述了几种主要去噪方法的原理及优缺点。最后,对去噪算法的性能评价指标进行总结。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

基于交叠组稀疏广义全变分的地震信号随机噪声衰减

广义全变分方法能较有效去除地震信号随机噪声。本文将交叠组稀疏收敛技术引入广义全变分模型，提出一种改进的广义全变分去噪方法。该方法更充分地挖掘并利用了图像一阶梯度和二阶梯度的结构稀疏的先验知识，从而获得比常规广义全变分更好的去噪效果。针对构建的改进模型，基于交替乘子迭代法框架，将多约束问题转化为去耦合的若干子问题，并引入傅里叶变换技术以提高算法运行效率。针对地震信号进行的各类全变分去噪方法的对比实验结果显示，本文方法的去噪性能相比于常规广义全变分方法具有较大提升，尤其对重噪声污染像素点具有更好的去噪效果。