结合图像上下文的二阶导数边缘融合线条精确定位与配准

线条工具痕迹图像中线条的精确定位是实现犯罪工具痕迹自动检验比对的关键.针对边缘检测方法易受到图像噪声的影响产生虚假边缘,不能够对痕迹中的实际线条进行准确定位,导致线条特征提取困难的问题,提出一种结合图像上下文的二阶导数边缘融合线条精确定位方法.首先根据当前线条工具痕迹人工比对方法定义图像检验的比对线,沿比对线方向计算图像的二阶导数,并根据二阶导数边缘的性质对导数值进行规则融合,以计算线条痕迹中的脊线和谷线区域;然后根据人工线条痕迹比对经验对线条区域进行优化规整,删除深谷中的伪线条;最后结合图像上下文计算脊线区域中显著点实现线条的精确定位.在线条精确定位的基础上,以二阶导数绝对值最大脊线条、灰度值最大脊线条、最深谷为特征线条,以及特征线条之间的距离为配准特征模板(向量)对实验样本进行配准,能够对工作部位具有较显著特征工具形成的痕迹实现较高配准率.实验结果表明,文中提出的线条定位和配准方法能够快速实现线条工具痕迹图像中线条的精确定位和配准,为实现线条工具痕迹自动比对奠定基础.     

一种枪弹痕迹自动比对算法

研究枪弹痕迹自动检测优化问题,为了能够准确有效地鉴定和分析枪弹痕迹,提出了一种枪弹痕迹的自动比对算法及实现方法.算法采用平滑滤波的方法去除弹痕数据中的噪声点,然后根据斜率的变化提取出弹头各个截面外表面轮廓上的特征点,最后采用相关性分析方法通过比对两个弹痕的特征点之间的相似度来判断两条弹痕的吻合程度,从而达到枪弹痕迹自动比对的目的.改进算法采用MATLAB编程实现,简单高效,误差较小,适合应用于大多数的枪弹痕迹的自动比对.     

基于三角函数的正交矩函数的误差预测与分析

提取图像中旋转不变特征是图像处理和模式识别中重要的应用。在极坐标下的正交矩函数则是提取这种特征信息的主要方法。正交矩函数在图像分解和重建过程中的误差是衡量其特征提取精确度的标准。为了提高正交矩函数在图像重建中的性能,提出了一种新的基于三角函数的正交矩函数和一种基于函数误差分析的新的衡量方法,并分别应用新的衡量方法和传统的在大量图像中进行重建误差统计的方法对新的正交矩函数以及另外两种在特征提取方面表现最好的正交矩函数进行了比较。实验结果验证了新的衡量方法的有效性并得到了新的正交矩函数的重建效果更好的结论。     

一种枪弹痕迹自动检测优化仿真研究

为了消除因弹痕测量位置和姿态不同而造成的测量误差,提高检测和分析枪弹痕迹的准确性,提出了一种枪弹弹痕自动检测优化仿真算法。首先采用最小二乘法拟合出弹头各个截面的外表面轮廓,用MATLAB编程实现,并得到对应的圆心坐标。然后通过连接各截面的圆心坐标得到弹头的中轴线,根据中轴线的位置计算得出中轴线在进行坐标变换时需要旋转的角度和平移量,从而使其与y轴重合后再进行统一比对。实践证明,算法简单高效,能够较好的消除因位置和姿态不同而造成的测量误差,适合应用于大多数的枪弹弹痕的自动比对中。     

高超音速导弹的新型控制模式研究

弹头变质心机动控制是通过移动弹头的质心位置,利用气动配平力矩改变弹头的飞行姿态和攻角,从而可实现弹头机动控制.以弹头为例,在推导出质量矩弹头的动力学方程基础上,通过分析其方程组的特点并结合弹头再入过程中的气动、速度等参数变化规律,给出了质量矩弹头再入过程中宜采用的控制模式,为其控制律的设计提供了必要的理论参考.     

一种新的亚像素边缘检测误差校正算法

矩方法采用二维理想边缘模型描述亚像素边缘,实际图像在边缘处存在一个渐变的过渡阶段,而二维理想边缘模型不能精确描述边缘,导致原理误差的产生。为此,提出一种采用误差校正表的算法,用于降低二维理想边缘模型引入的原理误差,提高亚像素边缘检测精度。通过方形采样定理模拟生成已知边缘的理想图像,用矩方法检测理想图像的亚像素边缘,构造二维误差校正表。使用查询误差校正表并结合双线性插值求出误差后进行误差校正。以灰度矩和Zernike矩为例进行对比实验,结果表明,该算法亚像素检测精度比校正前提高了一个数量级。校正算法主要计算量是双线性插值,能保持亚像素边缘检测的实时性。     

几何误差和数值误差最小化的Zernike矩

形状特征提取和表示是基于内容图像检索的重要研究内容之一.提出一种几何误差和数值误差最小化的Zernike矩方法,并且把这种方法应用于形状特征提取和表示.该方法把图像中的兴趣区域映射到单位圆里,通过计算变换后图像在Zernike多项式上的投影来取得Zernike矩,并且通过把心理生理学的研究成果引入Zernike矩的计算过程来提高系统的检索性能.通过实验对传统Zernike矩方法、几何误差和数值误差最小化的Zernike矩方法进行了比较,发现从重构角度采用几何误差和数值误差最小化的Zernike矩方法优于采用传统Zernike矩方法.而从检索角度采用几何误差和数值误差最小化的Zernike矩方法的系统比采用传统Zernike矩方法的系统具有更好的检索性能.     

一种基于函数型连接神经网络的过失误差检测方法

在实际生产过程中,以往较多采用最优化方法和统计理论相结合的方法来实现过失误差的检测,但存在计算量大和不适于在线应用的缺点.本文提出一种新的基于函数型连接神经网络的过失误差检测方法,并应用于精馏过程.仿真结果证明了该方法的可用性.     

基于Web的数控机床误差参数辨识系统

误差参数辨识是误差补偿的前提。本文首先介绍了误差辨识的原理,然后采用B/S模式、3层体系结构和.NetRe-moting技术设计并实现了基于Web的误差参数辨识系统。通过实例运行,证明该系统的设计是可行的,从而为实现基于Web的误差补偿技术奠定基础。     

离散不变矩的比例不变性研究

对离散不变矩的比例不变性进行了分析,指出了离散矩都不具有比例不变性证明中的错误,推导出7个离散矩中φ2~φ7具有比例不变性,φ1不具备比例不变性的结论,并通过实验进行了验证。最后讨论了实际应用中数字图像缩放后导致不变矩计算产生误差的原因。     

低分辨率几何矩尺度不变量的波动分析

几何矩函数不变量的计算过程中,由于数字图像的离散化,图像本身尺度的缩放会带来计算误差,从而引起尺度不变量值的波动。通过分析较低分辨率下几何矩尺度不变量值的不规则波动,推断计算过程中常常会发生误差扩大现象,即离散化带来的较小误差被不合理地放大。从理论上分析了误差扩大现象产生的原因,并给出了具体的误差计算公式。结合几何矩函数的实际数据可知,在较低分辨率下,误差扩大将会引起不变量数值的大幅度波动,严重干扰其不变性;而高分辨率下,这种现象很不明显。之后,针对产生误差扩大的原因给出了一种几何绝对矩及其尺度不变量的定义,可以有效地克服误差扩大现象。对比的实验结果也表明,相对于传统的Hu不变矩,几何绝对矩不变量在低分辨率下可以保持更好的不变性。     

基于Tchebichef不变距的图形识别

论文提出一种新的基于Tchebichef不变距的图形识别方法,Tchebichef不变距通过对图像进行大小归一化、平移处理以及旋转处理并结合Tchebichef正交距得到;利用提出的Tchebichef不变距作为特征进行图形的识别,和采用Hu不变距以及Zernike不变矩的识别方法相比,无论是在无噪声还是在有噪声的情况下都有更高的识别精度;仿真试验证实了本方法的可行性。     

Hu不变矩的构造与推广

为了更简洁高效地构造指定要求的不变矩,并判断矩组信息冗余性,推导了实复矩反演关系公式并提出了Hu不变矩构造定理。不变矩多项式和不变矩多项式空间概念的引入,可以赋予不变矩多项式空间代数结构特征。结合组合计数定理,列出了工程上非常实用且没有信息冗余的全部3阶4次不变矩,这是对7个经典Hu不变矩的推广。实验表明,与Hu不变矩的代数不变量构造方法和三角函数系构造方法相比,该构造方法更简洁高效且具有一般性,也更适合判断矩组信息冗余。所构造新不变矩具有较好的鲁棒性,用于图像描述取得了较好效果。     

基于结构矩不变量的形状相似性比较

在传统的几何矩定义的基础上进行扩展,给出了结构矩的定义和计算。其实质是对原有几何矩定义中的密度函数经过变换得到新的密度函数。在此基础上定义的不变矩突出或者扩大了形状之间的差别,因而使形状相似性的比较建立在更为可靠的基础上。基于平方变换的实验表明,与传统的几何矩相比结构矩方法具有更好的效果。     

基于小波矩不变量的海上目标识别

针对识别海上目标时不同目标相似性大的特点,将不变矩理论与小波分析相结合,本文引入一种基于小波矩不变量的特征提取法,并且为得到一组局部最优特征组而提出一种结合DB Index准则的特征选择法。在仿真实验中,将小波矩不变量与Hu矩、Zernike矩进行了比较。实验表明,小波矩不变量具有更好的识别效果。     

基于改进小波矩特征的快速无损图像描述算法

为了更有效地利用小波矩不变量算法来快速无损地计算图像特征值, 提出了一种融合Mallat算法的无损采样的新型小波矩不变量算法. 在此基础之上, 结合傅里叶变换的原理及特点, 提出了基于频率幅值谱与小波矩不变量的特征提取方法. 并将改进的小波矩不变量算法与传统使用三次B样条矩的小波矩、Hu矩进行了比较. 实验表明, 改进的小波矩不变量在比传统小波矩不变量算法性能几乎没有损失的情况下, 大大加快了小波矩不变量的计算速度, 并且基于频率幅值谱的小波矩有更强的抗噪性.     

基于Krawtchouk矩的运动目标分类

针对视频监控系统,为了实现对运动目标的有效分类,提高其分类准确率,提出一种基于Krawtchouk矩不变量特征的运动目标分类技术.提取目标图像的低阶Krawtchouk矩不变量来描述目标,确保目标在平移、缩放、旋转条件下的不变性,选用K-means均值聚类算法进行数据聚类,达到准确分类的效果.通过实验验证了该方法的有效性,与应用Hu矩不变量进行分类的结果进行比较,表明了该方法具有较好的分类效果.     

利用不变矩去除恒星的空间小目标检测方法

相邻帧配准差分去除恒星方法,在处理16位灰度图像时,由于高亮度恒星的插值误差大于目标灰度与背景之差,导致差分不能有效去除恒星干扰。针对该问题,引入模式识别中的不变矩概念,提出基于不变矩的空间小目标检测方法。该方法从恒星之间的相对位置入手,避开通过灰度差分消减恒星的过程。利用相邻帧中恒星不变矩相等的特性,寻找三颗恒星作为参考恒星组;向参考恒星组逐一加入未知星点,通过判断增加星点后不变矩是否仍相等来提取恒星;利用目标运动的连续性和一致性从剩余星点中提取目标。通过对仿真恒星点配准差分说明问题的由来,利用实摄序列图像对配准差分法和不变矩方法对比实验,结果表明,配准差分法无法去除的恒星可以通过不变矩方法去除,该方法能够从16位灰度图像中有效检测出小目标。