一种有效抑制机载传感器成像畸变干扰的景象匹配算法

电荷耦合器件(CCD)与合成孔径雷达(SAR)是两种最常用的机载传感器,是景象匹配辅助导航系统的关键组成部分.当系统传感器获取的实测图存在严重成像畸变时,传统的基于特征点集间Haus-dorff距离测度的匹配算法精度较低,通过引入多尺度自卷积(MSA)这种具有仿射不变性的局部特征,并将其同图像的尺度不变变换(SIFT)特征串行组合可以得到一种更加鲁棒的匹配算法.采用CCD和SAR传感器获取的图像对算法进行了仿真验证,实验结果表明:引入MSA特征对抑制景象匹配算法中多源传感器成像畸变的干扰十分有效,匹配精度显著提高.     

基于改进SIFT的SAR图像配准方法

针对尺度不变特征变换(SIFT)配准方法在处理SAR图像时精度不高的问题,提出一种基于改进SIFT的精确配准方法。在提取关键点SIFT描述子及其邻域多尺度自卷积矩不变特征的基础上,利用基于典型相关分析的融合算法对SIFT与矩不变特征进行融合,形成新的关键点描述子,使用阈值实现粗匹配,并结合关键点的距离与邻域灰度相关性构建相似矩阵,采用奇异值分解方法精确确定匹配点对,求出仿射变换模型参数,从而完成图像配准。实验结果表明,该方法的配准结果优于SIFT方法,且配准精度达到亚像素级。     

基于MSA不变矩的道路导向标线分类

针对公路复杂行车环境中前方道路导向标线的识别问题,利用具有仿射不变性的多尺度自卷积（MSA）矩,并融合坚固度和方向等图像区域特征,构造出一种适于道路导向标线的图像形状描述子,然后应用支持向量机(SVM)进行图像目标分类。实验结果表明,该描述子具有近似射影不变性,能有效应用于不同视角和发生部分遮挡的道路导向标线分类。     

基于多尺度自注意卷积的足迹压力图像检索算法

为了提高足迹压力图像检索的精度,提出基于多尺度自注意卷积的足迹压力图像检索算法.首先,对足迹压力图像进行角度校正、对齐、擦除等预处理操作,减小图像角度等因素对特征提取的影响.再由多个并行分支的空洞卷积和自适应注意模块构成的多尺度自注意卷积模块自适应地提取可判别特征.最后,由全局特征分支、残缺性评分掩模分支构成残缺性评分模块,得到共同残缺性评分矩阵,利用该评分矩阵对可判别特征进行加权组合,提高网络对残缺足迹共同可见区域的关注程度.实验表明,在构建的FootPrintImage数据集上,文中算法具有较高的首中准确率和平均检索精度.     

基于Gabor多尺度空间的不变兴趣点检测

针对以往仿射不变兴趣点的特征尺度不能直接断定的问题, 提出一种基于Gabor多尺度空间的不变兴趣点检测算法。该算法主要包括三个步骤：应用Gabor滤波器组与图像卷积建立图像Gabor多尺度空间; 通过极大值准则检测兴趣点并直接断定特征尺度; 采用二阶矩矩阵描述兴趣点局部结构。实验结果表明, 相比较其他Hessian-Affine、MSER等算法, 该算法在图像模糊和JPEG压缩情况下可重复率和可匹配率均取得最好结果, 是一种能有效直接提取特征尺度的兴趣点检测算法。     

基于多尺度卷积核CNN的脑电情绪识别

针对传统的人工特征选取需要耗费大量时间和精力的问题,本文在传统卷积神经网络(convolutional neural networks,CNN)模型的基础上,提出了一种基于多尺度卷积核CNN的特征提取与分类方法,并在脑电情绪识别分类上进行了验证.本文首先进行了通道选择方面的研究,其次使用多尺度卷积核CNN模型对提取了微分熵(differential entropy feature,DE)特征的脑电数据进行情绪三分类实验,相比于传统的CNN模型,多尺度卷积核CNN模型在卷积层中采用多个尺度的卷积核,同时从高维度与低维度对脑电信号进行二次特征提取.实验结果表明,预处理数据在33通道的情绪分类平均准确率为89.72％,几乎接近全通道的平均准确率;多尺度卷积核CNN在微分熵特征上的情绪三分类取得了98.19％的平均分类准确率,实验结果证明了该模型的有效性和鲁棒性.     

结合多尺度与可变形卷积的自监督图像特征点提取网络

特征点提取是图像处理领域的一个重要方向,在视觉导航、图像匹配、三维重建等领域具有广泛的应用价值。基于卷积神经网络的特征点提取方法是目前的主流方法,但由于传统卷积层的感受野大小不变、采样区域的几何结构固定,在尺度、视角和光照变化较大的情况下,特征点提取的精度和鲁棒性较差。为解决以上问题提出了一种结合多尺度与可变形卷积的自监督特征点提取网络。本文以L2-NET为网络骨干,在深层网络中引入多尺度卷积核,增强网络的多尺度特征提取能力,获得细粒度尺度信息的特征图;使用单应矩阵约束的可变形卷积以提取不规则的特征区域,同时降低运算量,并采用归一化约束单应矩阵的求解,均衡不同采样点对结果的影响,配合在网络中增加的卷积注意力机制和坐标注意力机制,提升网络的特征提取能力。文章在HPatches数据集上进行了对比试验和消融实验,与R2D2等7种主流方法进行对比,本文方法的特征点提取效果最好,相比于次优数据,特征点重复度指标（Rep）提升了约1%,匹配分数（M.s.）提升了约1.3%,平均匹配精度（MMA）提高了约0.4%。本文提出的方法充分利用了可变形卷积提供的深层信息,融合了不同尺度的特征,使特征点提取结果更加准确和鲁棒。     

一种基于Local Jet结构的全局图像特征构造方法

提出一种鲁棒的特征描述符MSALJS （Multi-Scale Autoconvolution on Local Jet Structure),该描述符对仿射变换具有近似不变性. MSALJS是一种全局图像特征描述符,它基于描述图像局部结构的微分进行多尺度自卷积矩计算. 实验结果表明,MSALJS能适用于目标识别实际应用时图像发生部分遮挡、视角变化等变形情形.     

基于多尺度残差网络的压缩感知重构算法

目前压缩感知系统利用少量测量值使用迭代优化算法重构图像.在重构过程中,迭代重构算法需要进行复杂的迭代运算和较长的重构时间.本文提出了多尺度残差网络结构,利用测量值通过网络重构出图像.网络中引入多尺度扩张卷积层用来提取图像中不同尺度的特征,利用这些特征信息重构高质量图像.最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近.实验结果表明,本文算法在重构质量和重构时间上均有明显优势.     

空洞卷积的多尺度语义分割网络

计算机硬件的发展极大程度地促进了计算机视觉的发展,卷积神经网络在语义分割中取得了令人瞩目的成就,但多卷积层叠加难免造成图像中目标边界信息的丢失。为了尽可能保留边界信息,提高图像分割精度,提出一种多尺度空洞卷积神经网络模型。该模型利用多尺度池化适应图像中不同尺度目标,并利用空洞卷积学习目标特征,在更加准确识别目标的同时,提高目标边界的识别精度,在ISPRS Vaihingen数据集上的实验结果表明,提出的多尺度空洞卷积神经网络对于目标边界的拟合结果较为理想。     

遥感影像目标识别中的多尺度分析

针对遥感影像目标特性随分辨率变化的问题,提出了目标识别的多尺度分析方法。首先,基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因,这种变化主要是由混合像元在目标中所占的比例决定的;然后,根据多尺度影像中的目标提取实验,分析并验证了目标提取误差随着尺度变化的规律;最后,基于遥感影像目标的多尺度特性分析,进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看,目标的形状结构特征随着尺度的变化而发生改变,而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征,揭示了目标特征随尺度变化规律,对多尺度遥感影像自动目标识别具有指导意义。     

基于SVD的成长性人脸识别研究

为提高人脸识别率,设计了基于SVD的成长性人脸识别方法.该方法将人脸识别从图像扩充到视频领域,通过不同尺度对人脸进行划分和特征提取,从而得到人脸的多尺度特征,分层次进行多尺度特征匹配,利用特征的可分辨度对各帧特征进行比较,并通过对应位置寻优累积特征,使人脸识别具有成长性.实验结果表明,基于SVD的成长性人脸识别方法通过一定的时间累积可以达到100%的识别率,具有良好的应用价值.     

路网要素多尺度表达目标的层次关系分析

针对目前地理要素多尺度建模的热点问题,剖析构建多尺度空间数据模型的关键技术,以路网要素为例,挖掘地理要素多尺度抽象表达的机理,利用多尺度扩展E-R方法,提炼多尺度抽象表达目标间的各种尺度、层次、语义、映射等层次语义关系,实现GIS中地理要素多尺度概念模型的设计。     

一种基于多尺度语义分析的图像识别方法*

提出一种基于多尺度语义分析的图像识别方法,首先在多尺度空间中提取语义,然后使用支持向量机对语义进行分类,以达到识别的目的。实验表明,该算法识别准确率高,并能适应存在方向变化、变形等复杂的识别环境。     

基于多尺度的蒙古文脱机手写识别方法

蒙古文的一大特点是字符无缝连接,因此一个蒙古文单词有多种字符划分方式。根据蒙古文这一特点,该文提出了多尺度蒙古文脱机手写识别方法,即让一个手写蒙古文单词图像对应多种目标序列,用多个目标序列同时约束训练模型,使得模型更加精准地学习手写图像的细节信息和蒙古文构词规则。该文提出了“十二字头”码、变形显现码和字素码3种字符划分方法,且拥有相互包含关系,即“十二字头”码可以分解为变形显现码、变形显现码可以进一步分解为字素码。多尺度模型首先用多层双向长短时记忆网络对序列化手写图像进行处理,之后加入第一层连接时序分类器做“十二字头”码序列的映射,然后是第二层连接时序分类器做变形显现码序列的映射,最后是第三层连接时序分类器做字素码序列的映射。用三个连接时序分类器损失函数的和作为模型的总损失函数。实验结果表明,该模型在公开的蒙古文脱机手写数据集MHW上表现出了最佳性能,在简单的最佳路径解码方式下,测试集Ⅰ上的单词识别准确率为66.22%、测试集Ⅱ上为63.97%。     

快速优化筛选多尺度矩形域的二进制描述

目的 为更好地兼顾基于手动设置的二进制特征描述子优越的实时性能和基于优化学习的二进制特征描述子鲁棒的区分性能,提出一种快速优化筛选多尺度矩形域的二进制描述算法(MRFO),运用于识别卫星装配时所需的典型工件目标。方法 按像素的灰度值和梯度方向划分图像并利用不同的高斯核函数进行平滑,建立多尺度的子图像集合;从多尺度的子图像中,快速通过约束条件提取候选矩形域;在训练阶段,通过优化学习计算候选矩形域的相关得分及最优阈值,筛选出其中具有强区分性和低相关性的集合;在测试阶段,计算筛选出的矩形域响应值并利用最优阈值进行二值化,将结果依次串联构成二进制描述向量。结果 实验通过ROC曲线图和80%精确率条件下的召回率统计结果证明MRFO描述算法具有优越的区分性能,平均的精确度能够高出对比算法8%~12%;并在真实的视频图像中利用MRFO描述算法识别出典型工件目标;根据训练阶段的执行时间只有传统优化学习算法的4.35%,只是在测试阶段略高于手动设置的二进制描述算法,证明MRFO描述算法具有优良的实时性能。结论 MRFO描述算法能够更好地克服各种视角、尺度和旋转变换的干扰以及周围相似背景信息的影响,准确识别出典型工件目标,有助于提高卫星的地面装配精度和效率,改善国内相关行业的自动化水平。普遍适用性较强,具有良好的应用前景。     

一种矢量数据的双层次多尺度表达模型与检索技术

空间数据的多尺度表达是当代GIS研究的热点问题之一。该文针对矢量数据快速可视化的需求,结合制图综合领域的相关理论,提出了一种矢量数据双层次多尺度表达模型,用来将矢量数据抽象为空间要素和要素内的点坐标两个层次进行表达。其中空间要素层次的表达以空间要素为最小研究单元,通过建立多尺度索引来描述空间要素因尺度改变而引起的数量或性质变化;要素点坐标层次的表达则是以要素内坐标点为最小研究单元,通过尺度层次标记的方式来表达空间要素内的点坐标随尺度变化的渐变过程。该模型在开源数据库管理系统PostgreSQL支持下,扩展了相应的索引与函数,实现了矢量数据的双层次多尺度表达模型,同时设计了相应的检索算法,并以某城市1:10 000土地利用数据为例,对上述模型与检索算法进行了验证。实验结果表明,在基本不影响可视化效果的前提下,该矢量数据多尺度模型能极大地提高海量矢量数据的可视化与传输的效率。     

多尺度数据挖掘方法

多尺度理论已被引入到数据挖掘领域,但人们对其研究仍不够深入和完善,缺乏普适性理论与方法.随着大数据处理应用的不断深入,其研究变得更加迫切.针对上述问题,进行了普适的多尺度数据挖掘理论和方法的研究.首先,基于概念分层理论给出了数据尺度划分和数据尺度的定义以及多尺度数据集之间的上下层尺度数据集关系;其次,阐明了多尺度数据挖掘的定义、研究实质和方法分类;最后,提出了多尺度数据挖掘算法框架,给出其理论基础,并将此框架应用于关联规则挖掘,提出了多尺度关联规则挖掘算法MSARMA（multi-scale association rules mining algorithm）,实现了多尺度数据集之间知识的跨尺度推导.利用IBM T10I4D100K数据集和H省全员人口真实数据集对MSARMA算法进行了实验和分析,实验结果表明：算法具有较高的覆盖率、精确度和较低的支持度估计误差,是可行且有效的.     

三维运动目标的多尺度智能递推识别新方法

在实际成像条件下,运动中的三维目标,其投影形状(Silhouette)是变化的,因而其可识别性也处于变动中．为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念．讨论了建立多尺度三维目标特性视图特征模型的必要性,以及将目标运动特性一般约束用于目标序列图像识别的合理性．据此,提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR)．构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元．在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量．在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的．与文献中的基于单尺度特性视图的三维目标识别方法相比,本文的方法训练过程简单,只需较少的目标特性视图模型样本,不仅能处理单帧图像,更能有效处理序列图像．对几类飞机目标的大规模模拟实验结果证实了本文方法的合理性和有效性．     

基于特征识别的多尺度构件网格自动生成算法

随着结构力学领域待解决问题复杂程度不断提高,多尺度构件的高质量网格生成对于其数值模拟的计算精度起着至关重要的作用。本文提出一种基于特征识别的网格自动生成技术方法,该方法将多尺度构件的不同量级尺度几何特征识别出来,根据其不同尺度尺寸设置相关区域的网格尺寸值,利用Delaunay三角化算法和前沿推进法生成能够反映不同尺度几何特征的网格单元,再对小尺度区域周围进行加密处理,最后通过几何指数控制函数将不同尺度网格过渡连接起来,形成多尺度构件的整体网格划分模型。通过2个几何模型的测试表明该方法生成的整体网格质量好,不同尺度区域网格过渡合理,自动化程度较高。