基于视觉检测的红外与可见光图像区域匹配研究

为了增强归一化区域形状特征提取的稳定性,提升图像匹配效果。研究基于视觉检测的红外与可见光图像区域匹配方法。利用视觉显著性检测方法,获取红外与可见光图像的视觉显著图;通过直方图均衡化与优化配比灰度级动态范围方法,增强视觉显著图;采用仿射归一化方法,提取增强视觉显著图的归一化区域形状特征,匹配区域形状特征,完成红外与可见光图像区域匹配。实验证明:该方法可有效提升图像亮度和匹配红外与可见光图像,获取清晰度更佳的图像;在图像模糊与亮度等变化情况下,该方法边缘保持度与香农熵等分析指标值均与最高值较为接近,即图像匹配效果较优;在不同视角变化角度时,该方法归一化区域形状特征提取的稳定性较佳。     

基于改进YOLOv3的无人机机载激光雷达图像目标定位方法

为提升无人机机载激光雷达图像小目标定位的精度，提出基于改进YOLOv3的无人机机载激光雷达图像目标定位方法。基于MCA算法分割激光雷达图像信息，通过包含脊小波字典的稀疏表达重新构建图像信息，达到去除目标图像噪声的目的；通过变化检测技术分离目标区域聚类信息，将目标区域从背景区域中分离；将目标区域输入到优化后的YOLOv3算法中完成无人机机载激光雷达图像目标的定位。实验结果表明，所提算法的定位精度为95.1%,定位耗时平均为20.6 s。     

基于自适应多特征融合的红外图像增强算法

针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking, GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration, MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient, AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。     

一种光伏阵列故障识别与定位系统

针对目前光伏阵列检测巡检时间长、效率低等缺点,一种利用无人巡检识别故障并定位的系统被设计出来。该系统采用图像处理技术与特征提取方法,使用无人机和无线数传模块等硬件实现了对光伏阵列光伏板的快速巡检。软件编写采用OTSU算法进行视频图像截取、图像SIFT特征提取。然后对提取到SIFT特征的图像建立Bag of Word模型,使用支持向量机(SVM)计算图像模型得分,根据分值最后甄别出故障类型图像。通过时间、飞行速率、GPS和标志物等信息,对故障光伏板进行定位。经实测,故障识别正确率超过80%。     

基于高性能特征提取和任务解耦的无人机航拍图像小目标检测

无人机广泛应用于环境监测、资源规划和电力巡检等多种领域,其航拍图像中存在大量小尺寸目标,给目标检测任务带来难度。为此,在YOLOv5s的基础上提出一种基于高性能特征提取和任务解耦的目标检测网络（HFTT-Net）算法。首先,针对航拍图像中小尺寸目标特征提取困难的问题,在原始骨干网络的基础上引入多头自注意力机制,使网络充分关注小目标信息,在多尺度特征融合过程中使用SPD(Space-to-depth)组件,增强待检测目标的特征;接着,对于目标检测中普遍存在的任务冲突的问题,将分类头与回归头进行解耦操作,进一步提升目标检测精度;最后,结合基于EIoU的回归损失对网络进行监督,提升网络收敛速度,实现无人机航拍图像中目标的精确检测。在VisDrone2019数据集上的实验结果表明,HFTT-Net中的高性能特征提取和任务解耦操作能够充分提升网络的小目标检测能力,在航拍图像的多密集小目标场景任务中表现突出,该算法在能够满足实时检测的情况下与经典的YOLOv5s算法相比精度提升了2.5%。     

基于人眼视觉特性的无人机红外图像增强研究

线性灰度变换方法增强无人机红外图像时,忽略了人眼辨别图像灰度的能力,增强后的红外图像辨识效果差,为此,提出基于人眼视觉特性的无人机红外图像增强方法。基于人眼辨别灰度的特性,在高低灰度区域拉伸灰度间隔、中间灰度区域缩短较大灰度级间隔,由此构建非线性灰度变换模型调整图像灰度;基于对数隶属度函数变换红外图像转至模糊域,对红外图像反复做非线性变换,增强图像边缘信息;基于加权平均融合法融合2种方法增强后的红外图像,得到最终的无人机红外图像增强结果。经测试,该方法增强后的红外图像灰度、亮度适中、边缘效果增强,对比度增益增幅较大。     

基于智能识别与增强现实的电力设备巡检技术研究

针对电力设备的智能化巡检需求,提出了一套基于智能识别与增强现实的电力设备巡检技术方案。该方案依托于智能设备图像采集,使用增强现实技术建立图像数据库,并利用CNN模型实现电力设备图像的显著性计算及焦点定位。在此基础上,采用DCNN网络图像进行预训练和多维度特征提取,结合随机森林算法对增强后的图像进行智能识别。实验测试数据结果表明,相比于现有算法,所提技术方案对于不同类型的电力设备缺陷均具有更高、更稳定的识别率,同时在训练时间与识别效率上有较为显著的提升。     

基于iOS设备的自主航拍巡检控制终端的设计

针对无人机航拍巡检操作繁琐、效率低下等问题,提出了一种基于iOS设备和图像跟踪算法的无人机自主航拍巡检控制终端.使用无人机控制软件开发包搭建了终端与无人机、航拍云台、无线图像传输设备、无人机控制器之间的通信链路.基于FFmpeg实现视频解码,提出了基于自适应尺度的时空上下文跟踪算法,引入尺度参数变化率以在线纠正更新尺度参数的过激变化,大幅增强了航拍云台在复杂背景下的跟踪稳定性,实现了无人机航拍系统对不同尺度目标的自主、稳定跟踪,提高了航拍巡检效率.     

无人机电力线路巡检安全距离测量新方法

针对无人机电力线路巡检时安全飞行距离把控困难的难题,提出一种基于双目测距的无人机电力线路巡检安全距离测量方法,基于线路连续特征进行双目图像行匹配。与传统双目匹配算法不同的是,所提方法避免了构造卷积窗口对左右图像进行像素点遍历,直接根据极限约束快速找到匹配点来计算视差,大大提高了图像匹配速度,降低了程序的冗杂度,减少了由于运算数据量过大导致的误差。最后通过双目测距原理实现无人机巡检安全距离的测量。测量结果表明,所提系统能够在测定距离为15 m时,测距反应速度达到50 ms左右,相对误差小于5%。     

融合LSD算法与Hough变换的航拍输电线路图像杆塔自动识别方法

对输电线路的巡检能够确保电网的安全运行,利用无人机图像准确快速地实现架空线路及走廊的三维建模是推进智能电网建设的有效措施。考虑当前三维建模方法均未对线路杆塔进行有效建模,因此,本文提出了一种基于无人机图像的杆塔自动提取方法,能够从复杂的背景图像中完成对线路杆塔的有效识别。首先,采用RGB阈值对线路杆塔进行粗提取,并结合连通域对图像背景进行去除;然后通过LSD(Line Segment Detector)直线检测算法对杆塔进行直线分割检测和交运算;最后结合Hough变换对直线段进行编组,根据线路杆塔几何特征设计了杆塔提取算法。由无人机图像试验可知,本文所提出的线路杆塔自动提取方法能够有效排除图像复杂背景信息的干扰,实现线路杆塔的准确识别。     

一种面向机载SAR图像的目标检测算法

无人机合成孔径雷达(Synthetic Aperture Radar,SAR)图像在目标检测过程中存在噪点丰富、成像相对模糊等特点,容易造成目标初检测虚警较多。特征提取和虚警去除是实现SAR图像目标准确检测的重要途径。针对目标特征提取及虚警去除,提出了一种面向机载SAR图像的目标检测算法。该算法首先进行目标初检测,再基于特征,使用球面构造神经网络模型去除虚警,实现目标的精确检测。最后,基于实拍遥感SAR影像验证了算法的有效性。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于亮度融合的低照度视频弱变化检测算法

低照度视频图像弱变化检测算法可提升安防工作的可靠性，有利于安防人员快速处理存在的风险。提出一种基于亮度融合的弱变化检测算法。对视频的每一帧图像，首先提取图像不同空间的亮度分量，设计一种亮度融合的策略，对亮度分量进行融合。将融合后的亮度分量进行形态学重建，克服噪声影响。然后使用自适应的对数比对融合后的亮度分量进行处理得到差异图，对差异图使用迭代的全变分去噪，进一步克服残余噪声。最后对差异图使用二阶段聚类方法，进一步提升变化检测精度。实验结果表明，提出算法的平均检测精度为0.770,误差为31个像素点，与对比算法相比，提升了20%以上的精确度；平均运行时间为0.16 s,时间短于对比算法2倍以上。     

基于无人机遥感数据的国有土地覆盖变化动态监测

传统方法对国有土地覆盖变化监测时,未对高空间特征提取,与无人机遥感数据融合效果不佳。为此,文中提出一种新的方法解决国有土地覆盖变化检测问题。通过无人机遥感技术采集国有土地覆盖图像;采用边缘轮廓特征法对国有土地覆盖无人机遥感特征进行检测,构建土地覆盖遥感图像的像素空间重构模型;依据图像区域重构遥感图像的高空间特征,通过相似度信息融合无人机遥感数据与图像高空间特征,实现国有土地覆盖变化动态监测。仿真结果表明,文中方法能够有效融合高空间特征与无人机遥感数据,国有土地覆盖变化动态监测效果较好,同时无人机遥感特征提取的精度较高,实现了国有土地覆盖变化的动态反馈。     

图像融合与拼接算法在无人机电力巡检系统中的应用

图像融合与拼接技术是数据综合处理过程中的新兴技术,该技术在军事领域和民用领域都有广阔的发展应用前景。无人机电力巡检系统中的图像处理算法包括图像预处理、图像配准、图像拼接和拼接缝消除算法。首先运用改进后的图像预处理算法对获取的图像进行优化,其次应用图像融合与拼接算法对多角度图像进行拼接,最后利用新型拼接缝消除算法消除拼接缝。实验结果表明,将整套算法应用于无人机巡检系统中,可对存在一定重叠和旋转的多幅图像进行自动拼接,获得无缝、清晰的大视场图像。     

多尺度细节增强与自适应γ变换的图像增强

针对现有图像增强方法未能适宜地提升图像的亮度、对比度，以及保持图像自然效果的问题，提出了多尺度细节增强与自适应γ变换的图像增强方法。该方法根据多尺度的纹理结构和边缘细节特征，用引导滤波对图像进行多尺度的Retinex分解，分解为多尺度的细节层和最后的基础层；对基础层做自适应的γ拉伸，实现图像亮度和对比度的有效增强，对细节层进行多尺度的拉普拉斯增强；将增强的基础层与增强的细节层进行多尺度的Retinex反变换，实现原图像的增强。图像增强实验结果显示，相对于当前的部分最新方法，所提方法的图像增强性能更好，图像增强后的信息熵和平均梯度分别比现有的方法提升大约1.2和2.8。     

透烟雾红外数字全息像的亮度增强算法

红外数字全息具有强穿透性，可以透过烟雾成像，但研究发现在烟雾环境下，红外数字全息重建像存在部分阴影区域，不能满足对成像质量的要求。为此提出了一种透烟雾红外数字全息像的亮度增强算法。该算法首先使用双边滤波器去除图像的散斑噪声，然后利用二值化、边缘提取、形态学算法分割阴影区域，最后使用基于Tent优化的麻雀搜索算法寻找阴影区域与明亮区域的类间方差最小值，实现增强阴影区域亮度的目的。在烟雾环境下进行实验，拍摄一系列红外全息图后，选取一个完整烟雾周期内的六张样本图像进行处理。实验结果表明，经提出的算法处理后，图像的峰值信噪比（PSNR）、均方误差（MSE）和特征相似度（FSIM）值都优于其他图像增强算法，验证了此算法对透烟雾红外数字全息图像阴影区域亮度增强的有效性与优越性。     

基于多特征优选的图像拼接算法及系统设计

以无人机为平台的桥梁巡检方案能够减少人工、避免安全隐患、提高效率,为了解决该系统中图像拼接实时性和拼接质量之间的矛盾,本文提出一种基于多特征优选的图像拼接算法,并设计开发出了一套基于无人机桥梁巡检的图像采集拼接子系统,先利用简单特征对图像流进行快筛,然后利用复杂特征来保持准确率,并提高系统的鲁棒性,最后通过性能指标对图像拼接质量进行调节.在实验中,针对处理速度、准确率和鲁棒性等各方面因素,本文算法平均达到了83.34％的特征提取准确率.在调节系统性能指标后,图像拼接取得了满意的效果,具有一定实用价值.     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

采用多尺度密集残差网络的水下图像增强

为了有效解决水下图像亮度、 对比度过低和颜色混乱等问题,提出一种改进的多尺度密集残差网络的水下图像增强方法.对原始图像进行多尺度特征提取,更好地保留了图像细节,通过改进的密集残差网络对水下图像进行增强处理,提升图像亮度和对比度,校正图像颜色,在每个密集残差网络间添加了SK注意力机制,可以选择性地捕捉输入图像的关键信息并...