融合多尺度统计信息模糊C均值聚类与Markov随机场的小波域声纳图像分割

声纳图像成像质量差、特征信息弱,目标分割存在一定困难,为此提出一种融合多尺度统计信息的模糊C均值(FCM)聚类与Markov随机场(MRF)的小波域声纳图像分割算法。小波域中低频信息统计特性描述了低频不同区域像素聚类情况,高频信息反映了该方向纹理特征,依据低频子带的统计峰值选取FCM初始聚类中心,应用小波域FCM聚类算法对声纳图像进行预分割,抑制噪声的影响,提高了预分割的准确性;构建初分割后图像的多尺度MRF模型,尺度间节点标记的相关性采用1阶Markov性表征,尺度内构建2阶邻域系统描述系数间的标记联系,标记场采用双点多级逻辑模型建模,同一标记的系数特征场采用高斯模型建模,弥补了MRF算法中层次信息和轮廓信息描述的不足;应用迭代条件模型算法求其最小能量下的标记场,实现声纳图像分割。从视觉主观效果和客观评价指标两方面的实验结果验证表明,该算法分割声纳图像均优于FCM聚类算法和MRF算法,分割的声纳图像边缘与细节的清晰度、精细度均有一定程度改善。     

一种鲁棒自适应容积卡尔曼滤波方法及其在相对导航中的应用

针对无人机编队相对导航系统中视觉导航传感器量测噪声服从非高斯分布的问题,提出一种带噪声估计器的鲁棒自适应容积卡尔曼滤波(CKF)算法。该算法将Huber求解线性回归问题与协方差匹配方法相结合,利用残差序列实时估计,调整系统过程噪声和量测噪声的统计特性,并采用遗忘加权参数对接收到的测量数据进行加权,从而准确地估计出无人机之间的相对位置、速度和姿态信息,提高了鲁棒CKF算法的自适应能力。仿真结果表明,与标准CKF算法和鲁棒CKF算法相比,该算法对受污染的噪声统计特性有较强的自适应性,估计精度高,鲁棒性更强。     

针对非合作目标的自适应网格聚类算法

武器系统的探测设备通常面对的是非合作目标,观测样本在特征空间中的分布形式难以预期,噪声、不规则的类簇形状以及差异化的类簇密度给聚类分析带来极大挑战。提出了一种自适应的网格聚类算法,该算法包括基于k-近邻方法的空间分辨率自适应网格化处理方法,以及基于自适应分水岭变换的类簇结构检测与划分方法。实现了对噪声以及密度差异极大类簇的自适应处理,同时保留了网格聚类方法对类簇形状不敏感、不需要类个数作为先验参数等优点。通过雷达、电子侦察以及复杂人造数据集的仿真,证明了该算法的有效性。     

基于优化遗传算法的模糊聚类图像分割算法

根据个体适应度大小和变化快慢来自适应改变遗传算法中的计算参数,并引入基于直方图二阶导数的约束条件．对遗传算法进行了两方面的优化,不仅可增加计算的自适应程度以增大计算结果的准确性,而且可缩小搜索空间,提高运算速度,从而形成一种基于优化遗传算法的模糊C均值聚类图像分割算法。实验结果证明,文中算法不仅减小了最小均方误差,改善了分割效果,而且大大缩短了计算时间,提高了运算效率。     

基于隐私保护的改进K-means 算法

针对传统K-means 聚类算法聚类过程以及聚类结果公示时可能出现隐私泄露的问题,提出具有差分隐私 保护的改进K-means 算法。在原有K-means 基础上引入密度度量,提高簇类的类内相似性,保证选取的中心处于相 对密集区域;引入距离度量,降低簇类的类间相似性,保证不同类聚中心排斥性较高;引入类间平均最大相似度, 动态规划最佳聚类个数K 和最佳初始类内中心;引入了隐私保护拉普拉斯噪声,保护信息的安全性。实验结果表明, 该算法比传统算法具有更高的聚类可用性和数据可靠性。     

融合逆密度梯度和双线性插值的深海地图构建

为提高深海探测机器人水下作业的效率和安全性,提出一种融合逆密度梯度聚类和双线性插值的地图构 建方法。将机器人所采集的海底环境图像进行灰度化、分割和去噪预处理;对障碍物区域的图像像素进行聚类;根 据探测机器人结构尺寸对聚类后二值图像进行改进双线性插值的局部膨胀处理,获得最终环境地图。2 种不同环境 的地图构建结果表明：传统Meanshift 算法和双线性插值算法相比,融合逆密度梯度聚类和双线性插值的图像处理能 够实现地图中非可行区域的确定,检出率平均提升26.1%,漏检率平均降低31.4%,该方法有效。     

基于分形维数的SAR图像纹理特征的提取

提出了一种基于分数布朗运动模型提取SAR图像分形特征的方法,即沿不同方向,对功率谱密度运用线性拟合的方法计算方向分形维数,提取拟合线的斜率和截距信息,并将它们与图像的灰度信息结合起来构成一个多维特征向量组,然后利用FCM对SAR图像进行模糊聚类分割。实验结果表明,该方法能够较好地描述SAR图像的特征,具有良好的分割效果。     

基于模糊c-均值增量更新的脉冲多普勒引信干扰与目标信号识别

针对脉冲多普勒（PD）引信在复杂战场电磁环境中对目标回波信号识别效率不足问题,提出了一种具有自适应增量更新功能的模糊c-均值(FCM)聚类算法,以有效地提高引信对干扰和目标信号的识别率。在对引信距离门选通输出信号分析的基础上,利用信号时域与频域熵特征,借助FCM算法对干扰与目标信号进行分类识别,并针对信噪比不断恶化的情况,通过改进的增量更新算法实现引信FCM分类模型自适应更新调整,从而保持引信对干扰和目标信号的高识别率。仿真实验结果表明：改进的增量更新算法在降低更新耗时的同时,可使引信在-15 dB信噪比条件下对干扰与目标信号识别正确率达到96.43%,显著地提高了PD引信抗有源噪声干扰能力。     

基于减法聚类和自适应模糊神经网络方法的运动规划器设计

使用减法聚类和自适应模糊神经网络方法设计了一种水下机器人运动规划器。根据输入输出数据的特性,用减法聚类算法,自适应地确定模糊系统的初始结构和参数,提出将模糊神经系统参数分解为非线性前提参数和线性结论参数并分开辨识。采用梯度下降算法和最小二乘算法分别进行自适应模糊推理系统前后件参数的优化,提高了参数的学习效率。仿真结果表明：在相同的仿真环境下,所设计的自适应模糊神经网络运动规划器的规划效果要好于模糊运动规划器。     

基于改进聚类生存度的军事通信网可靠性分析

针对现有全网聚类生存度计算方法计算不够准确的问题,提出一种改进算法。该方法将每个聚端和与其相连的聚枝看作一个整体,并在Matlab软件中使用改进后的聚类生存度分析在针对性攻击下复杂网络的生存性。仿真结果表明:改进后的算法保持了原算法的计算速度,同时还提高了计算的准确性。     

基于改进的模糊聚类的雷达信号分选

为了解决传统方法不能有效分选高密度复杂雷达信号,以及现有聚类方法达不到实时性要求的问题,提出一种利用雷达脉冲信号特征参数,基于改进的模糊聚类的雷达信号分选新方法.在改进的算法中,提出了距离加权系数的概念,依据信息熵使各参数的距离加权系数的确定更加合理化.采用追踪法计算等价模糊矩阵,并提取聚类后的脉冲序号,更具有实际意义.该方法同时提高了系统的实时性.仿真结果验证了算法的有效性.     

基于改进的马尔可夫随机场声纳图像分割方法研究

声纳图像与普通的光学图像相比,具有对比度低、成像质量差、受噪声污染严重等特点,传统的图像分割方法难以取得高精度、鲁棒性强的分割结果。提出了一种基于改进的马尔可夫随机场(MRF)声纳图像分割方法。即对于MRF模型参数的建立,提出了新的3类分割空间邻域MRF模型参数;在此基础上把新建立的3类分割空间邻域MRF模型参数和层次间相互作用的模型参数,应用于空间分层MRF 3类分割中,得到最终精确的3类分割结果。通过对人造模拟声纳图像以及真实声纳图像的分割实验,验证了本文提出的分割方法具有较高的分割精度和适应性。该方法考虑了声纳图像中像素间的空间相关性,因而提高了其最终分割性能。     

基于小波包自组织神经网络的图像数据融合

基于小波包与模糊自组织特征映射神经网络的图像数据融合,将图像在小波包最优基下展开,利用小波包最优基空间、尺度定位性提高分辨率,获得更好的去噪效果;再采用具有很强聚类功能的自组织特征映射网络进行图像数据的聚类;最后通过计算图像像素点的灰度均值来得到图像数据的融合结果.     

基于红外图像差值图的模糊边缘检测方法

针对红外图像边缘检测这一难题,提出了一种基于红外图像差值图的模糊边缘检测方法。首先通过计算图中每个像素点与其邻域8像素点灰度值的差值,然后寻找这些差值的最大值得到图像的差值图,接着对差值图像的边缘区域和平滑区域进行模糊划分,利用差值直方图模型确定红外图像差值图的分割阈值,从而实现边缘提取。实验结果表明,该方法用于红外图像边缘检测能获得较好的效果。     

混沌置乱马尔可夫随机场的自适应鲁棒水印算法

针对嵌入水印易产生人为痕迹,提出基于混沌置乱马尔可夫随机场的自适应鲁棒水印算法.对原始图像进行离散余弦转换,以Logistic映射生成水印图像混沌置乱序列,再用马尔可夫随机场产生噪声可视性函数,得到每象素点允许的嵌入水印最大失真值.实验结果表明,该算法具有很好的不可见性,容量较大,鲁棒性较强.     

基于自适应梯度先验的旋转模糊图像复原算法

弹载红外成像系统随弹体作高速旋转运动时,在曝光时间内获取的图像存在严重旋转模糊问题,给后续的目标识别与图像跟踪造成极大困扰。针对此问题,提出了一种基于自适应梯度先验的旋转模糊图像复原算法。该算法通过使用自适应梯度先验的正则化项,对从图像中沿旋转模糊路径提取的一维向量在频域内进行反卷积运算。同时针对使用Bresenham算法提取像素方法产生的空穴点问题,设计了一种查表决策的自适应中值滤波算法。仿真实验结果表明,相对于改进的维纳滤波、约束最小二乘滤波、梯度加载滤波,该算法能有效地适应低信噪比干扰环境,具有较强的噪声抑制和削弱振铃效应的能力。     

基于分形布朗模型的数码迷彩图案生成方法研究

迷彩伪装是一项重要的伪装技术。数码迷彩是对抗高分辨成像侦察的有效技术手段。如何实现迷彩设计技术的实效化、精确化和智能化始终是研究热点。基于分形布朗运动的分形维估计法提取背景图像的纹理特征、基于金字塔结构逐层模糊C均值聚类算法提取背景图像的主色特征。融合纹理和主色特征,运用改进的钻石-菱形算法生成符合背景特征的数码迷彩图案。仿真实验结果表明：该算法在荒漠型、丛林型、林地型背景的迷彩生成中均能产生较好效果。     

一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明：RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%．     

基于局部梯度极值点的经验模式分解图像增强

为解决传统2 维经验模式分解获取图像细节能力不足的问题,提出一种基于局部梯度极值点的改进BEMD 图像增强方法。根据梯度对图像细节信息的强挖掘能力,基于像素点4 个2 维方向上的极值条件来寻找图像的局部 极值点,对图像进行经验模式分解并确定内蕴模式函数,结合大尺度梯度保留、小尺度梯度去除的思路,达到在图 像增强的同时又抑制噪声的目的。实验结果表明：与传统的图像增强算法相比,该方法具有更强的细节捕捉能力。