基于灰度-梯度不变矩的水下目标识别系统

针对水下图像增强问题,提出了一种基于最小交叉熵的模糊增强方法,该方法定义了一种新的S形隶属度函数,可以减少图像在增强之后灰度信息的丢失;结合最小交叉熵准则自适应确定增强阈值,达到了快速有效的增强效果.针对水下图像光照不均匀问题,提出了基于结合色调的灰度动态线性变换不变矩图像分割算法,结合色调的灰度动态线性变换,抑制受光照不均影响的背景,降低了光照不均对图像分割结果的影响.在图像增强和分割基础上,提取目标的灰度一梯度共轭不变矩特征,以像素梯度特征弥补灰度特征空间信息不足,目标识别率达到94.4%,比灰度不变矩识别提高了6.4%.     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

基于沃尔什变换的图像不变正交矩

针对机器视觉应用中,人类视觉系统计算机建模过程复杂,强图像特征提取过程使整个图像工程运行效率低下等问题,本文由图像特征提取的快速性与图像特征自身的稳定性出发,结合不变矩、正交矩以及图像矩等相关理论,在列率域中提出并推导了一种以沃尔什函数为变换核的图像矩-沃尔什图像矩,并基于沃尔什变换给出了一种快速计算沃尔什图像矩的方法。实验结果表明:沃尔什图像矩对图像具有一定的描述能力,且具有平移、旋转和缩放不变的特性,在计算效率及准确性上均优于以正余弦函数为变换核的图像正交矩,在小图像的特征快速提取上具有明显优势;同时由其构造过程中的置换矩阵多样性可知,对同一图像的计算,沃尔什图像矩还具有一定的隐匿性和不唯一性。     

基于卷积神经网络的水下目标声呐图像识别方法

水下目标识别是水下无人探测的一项核心技术,为提高水下自动目标识别准确率,提出基于卷积神经网络的目标声呐图像识别方法,针对声呐图像特点,设计了融合图像显著区域分割和金字塔池化的水下目标识别模型。基于流形排序显著性检测方法分割和裁剪图像,减小输入数据维度并减少图像背景对目标特征提取过程的干扰;通过堆叠卷积层和池化层,从原始声呐图像中自动学习目标的高层语义信息,避免人工提取图像特征对有效信息的破坏;提出采用空间金字塔池化方法提取特征图中的多尺度信息,弥补声呐图像细节信息少的缺陷,同时解决输入图像尺寸不一致的问题。结果表明,设计的卷积神经网络模型在实测声呐图像数据集上能够比常规卷积神经网络更准确、更快速地识别水下目标。     

标准化HU不变矩算法的车脸图像特征提取

为了解决车型识别过程中车脸图像特征提取的问题,提出了一种标准化不变矩算法。在对车脸图像进行分割处理、提取出感兴趣区域、采用轮廓跟踪法得到形状轮廓的基础上,对原有的HU不变矩矩算法进行了标准化处理,并与典型的HU不变矩算法结果进行了对比。实验结果表明,该不变矩标准化算法在对图像进行特征提取方面可以得到更高精度的特征值。     

基于特征提取的电气设备红外图像识别算法

针对变电站设备的红外图像特征提取和识别问题,提出了基于不变矩的图像特征提取和识别算法.基于统计学中矩函数的概念,提出了用于表征图像全局特征的图像矩函数,并以二维几何矩为基础,提出了用于图像识别的6个矩不变量参数.通过对中心矩计算方法进行改进,消除了图像变换过程中的计算误差,实现了图像不变矩参数的准确计算.结果表明,所提出算法的综合识别率可达94%,能够满足实际应用需求.     

基于不变矩算法的行人识别方法研究

行人识别对于智能辅助驾驶和智能车辆至关重要.采用一种基于不变矩算法的行人特征提取和识别方法,通过利用不变矩在目标平移、旋转和缩放的不变性,在HU不变矩基础上添加3个表达式,使不变矩包含更多的细节特征,将其作为行人目标的识别特征,利用支持向量机分类器作为主要手段对不变矩进行分类识别,并分析影响识别效果的影响因素.试验结果表明,选择改进的不变矩作为行人特征具有较好的行人识别效果,较高的识别率使行人和非行人能得到有效的识别.     

一种基于小波矩的图像识别方法

研究了一种基于小波矩的图像目标平移、缩放和旋转不变特征提取算法,将不变特征提取算法与BP神经网络结合,组成一个图像识别系统.目的在于提高图像处理的质量,这种方法有更好的实用性.在这个系统中,利用小波矩不变量不仅可以得到图像的局部特征,还增加了对图像结构精细特征的把握能力强的优点,把提取的图像目标平移、缩放和旋转不变特征馈人BP神经网络,完成有监督的不变性模式识别.在实验中,利用该方法对无噪、有噪图像,特别是相似物体图像进行识别,可获得98％的正确识别率;并且将其与一般不变矩特征的算法获得的实验数据进行了对比分析.实验结果表明,该方法在图像识别准确率和抗噪性能上都有较大的提高.     

小波和仿射不变矩的目标特征提取方法研究

不变矩是目标识别中重要而有效的特征提取方法。利用小波矩具有的多尺度、平移和旋转不变性进行特征提取,有较高的识别率。但当拍摄角度不同,图像发生形变,识别效果降低。针对这一问题,提出了一种将小波矩和仿射不变矩相结合用于目标特征新的提取方法,并验证本方法的鲁棒性更高,识别效果更好。     

基于Zernike矩和BP网络的道路交通标志识别方法研究

道路交通标志的背景相当复杂,颜色失真严重并存在不同程度的几何失真现象。不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例缩放不变性,被广泛的应用于图像识别中。在研究了Hu矩和Zerni—ke矩基础上,提出基于Zernike矩与BP网络相结合的道路交通标志识别方法。识别过程分别对图像进行了Hu矩和Zernike矩特征提取、BP网络训练与测试、对形变图像进行分类识别。结果表明：基于Zernike矩和BP网络的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力,实现简单、训练速度快、识别率高等特点,且识别准确率优于Hu不变矩目标自动识别。     

基于水平集改进的水下目标轮廓提取方法

为以更快的计算速度提取到更加精确的轮廓,提出一种基于水平集改进的水下目标轮廓提取方法.即利用水下目标检测结果确定目标演化子区域,缩小目标区域范围,同时在目标检测结果中,根据目标高亮区和阴影区的位置,确定各个目标演化子区域初始闭合曲线的中心坐标,通过Vese-Chan分段常量四相水平集方法的演化函数进行目标高亮区和阴影区的轮廓提取.对不同原始声纳图像的实验比较分析表明,提出的水下目标轮廓提取方法具有较高的适应性和较快的计算速度,能精确地提取到目标高亮区和阴影区的轮廓.     

基于BEMD的水下声影区地貌及纹理特征提取

提出了一种基于二维经验模态分解(The Bidimensional Empirical Mode Decomposition,BEMD)的水声图像声影区地貌及纹理特征提取方法.为了解决声影区的存在对水声图像特征提取的干扰问题,先对水声图像进行二维模态分解,采用Canny边缘检测器对其中的模态1或几个模态的叠加进行特征提取.实验结果表明,该方法增强了声影区内目标的特征信息,弱化了声影区的阴影边缘,是一种实用的水声图像特征提取新方法.     

Extraction of line and rounded objects from underwater images

The extraction of geometric primitives from an im-age is one of the basic tasks of computer vision.Straight lines and ellipses are common components inmost underwater images(such as mines and torpedoimages)which are proposed by computer recognitionsystems.The Hough Transform(HT)is the mostpopu-lar technique for extracting geometric shapes.Explana-tions of HT can be found in most pattern recognitionbooks.In brief,the principle concept of the HT is todefine a mapping between an image space a…     

基于二代曲波变换和PCNN的高光谱图像融合

为了解决高光谱图像的高数据维给后续图像分析和处理带来的困难,提出了一种基于二代曲波变换和脉冲耦合神经网络(PCNN)的融合新算法.利用各波段数据间的局部相关性将整个数据空间划分为若干个相关性较强的独立子空间,在对子空间内的各波段光谱图像进行曲波多分辨率分解的基础上,分别依据各波段图像所含有的信息量对曲波粗尺度系数进行加权融合和利用PCNN的全局耦合特性与脉冲同步特性对细尺度系数进行智能选取,最后由曲波逆变换得到各子空间的融合图像.AVIRIS数据融合实验表明,该算法能有效地实现高光谱数据维数减少和特征提取,相比于提升小波融合算法、主成分变换算法和基于典型融合准则的曲波融合算法,其所提取的图像特征在高光谱异常检测时能得到更多的真实目标.     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法．该方法在离散小波变换的基础上。基于回波信号中的散射成分可以对水下底质进行分类的理论基础，提取水下回波信手尾波包络特征作为识别特征矢量，构成基于尾波包络特征的特征空间，再采用最佳鉴别矢量法将特征空间进行特征压缩，最后利用最小距离分类器对目标回波进行分类．实测数据结果表明，采用这种方法得到的包络特征是一种稳健、有效的特征，能够获得较高的正确识别率．     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法.该方法在离散小波变换的基础上,基于回波信号中的散射成分可以对水下底质进行分类的理论基础,提取水下回波信号尾波包络特征作为识别特征矢量,构成基于尾波包络特征的特征空间,再采用最佳鉴别矢量法将特征空间进行特征压缩,最后利用最小距离分类器对目标回波进行分类.实测数据结果表明,采用这种方法得到的包络特征是一种稳健、有效的特征,能够获得较高的正确识别率.     

基于复杂背景的二维条码提取技术

为了从含有大量物体的复杂背景图像中提取出二维条码,给出一种基于图像连通区域特征、角点特征和边缘特征的提取方法,即将灰度图像二值化后进行形态学处理,排除复杂背景中大量无关因素,对筛选出的子区域进行角点检测准确定位出二维条码的位置。通过采集大量不同光照、不同物体为背景的图像对新方法进行检测,提取结果均获成功。     

基于高阶谱的LOFAR谱图特征在被动声纳信号自动识别中的应用

水下目标的特征提取一直是水声信号处理的难题。由于实际的声纳目标的发声机理和反射声波的机理十分复杂,成份多样,造成水声信号具有较强的非平稳性和非高斯性。为了提高对水下目标识别的正确识别率,突破以往研究中关于信号平衡性的假设和高斯性的假设,本文在简要介绍了ＬＯＦＡＲ谱图和高阶谱（ＨＯＳ）估计方法之后,提出了一种基于高阶谱的ＬＦＡＲ谱图和高阶谱（ＨＯＳ）估计之后,提出了一种基于高阶谱的ＬＯＦＡＲ谱图特征     

水下爆炸气泡射流现象的试验研究

水下爆炸气泡塌陷产生的射流载荷会对舰船结构造成严重地毁伤,而射流现象又十分复杂.为研究水下爆炸气泡射流的产生条件以及载荷形式,文章设计了一系列的试验,通过高速摄影观测气泡运动过程,同时利用压力传感器对气泡周围的压力场进行记录.将试验结果与经典的Blake判断准则进行了比较分析,提出了气泡产生冲向靶板的射流条件.同时通过对试验中测量到的压力-时间曲线进行分析,可以看出射流的产生对气泡载荷的压力、冲量、能量都产生了很大影响,从能量的角度提出射流现象将使气泡能量集中,并对其正前方结构可能产生更大的毁伤.在分析试验结果的基础上分析了射流产生的机理,得到了不同引力和浮力方向情况下的射流形成条件和射流形成的载荷形式,为舰船结构抗爆研究提供参考.     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.