基于大气散射模型的偏振图像去雾方法

雾霾天气越来越常见,导致所采集图像的应用价值降低,因此如何获得清晰度高的图像成为计算机视觉等领域重点研究的内容。在大气散射模型的基础上提出一种利用图像偏振信息的去雾方法。该方法首先利用偏振成像系统获取平行和垂直方向的两幅偏振图像,结合暗原色先验理论自动估计大气光强信息,估计传输率图并采用改进的导向滤波的方法优化传输率图,最终实现图像去雾。实验结果表明,该算法提高了图像的清晰度及对比度,有效改善了雾天条件下景物的视觉效果。     

Rayleigh大气天空光偏振分布仿真与预测

太阳光经过地球大气散射所形成偏振分布的模型与预测在仿生偏振导航传感器系统中起着关键作用。研究了天空中偏振光的产生机理,天空中偏振光的分布模式。根据Rayleigh散射理论和天文学知识,利用C 语言和OpenGL软件开发包在VC环境下进行编程工作,完成了太阳视位置,天空中观测方向光束的偏振方位角和偏振度信息,以及斯托克斯参量的计算。建立了2维、3维球面模型,能够实时动态仿真太阳视位置的运动,全天空偏振光分布模式的变化。与文献中的实际测量比较,表明计算模型准确有效。     

基于偏振信息的水体障碍物检测方法

将光的偏振概念引入机器视觉领域，并应用于智能机器人野外导航中水体障碍物的检测.该方法基于如下物理准则：非偏振光通过平滑水面反射后成为部分线性偏振光，其偏振相位相对周围环境具有更大的相似性.通过综合比较偏振度的大小和偏振相位的相似性，可以检测出场景中的水体障碍物.实验结果表明，该方法对复杂自然环境下水体障碍物的检测，特别是包含周围植物倒影的水体部分的检测具有良好的效果.与传统机器视觉方法相比，偏振视觉手段计算简单，可以与现有图像处理技术结合使用.     

基于偏振信息的水下目标显著性检测

针对传统显著性检测方法过分依赖光谱及光强特征,不能很好地适用于复杂多变的场景,提出一种将偏振特征与显著性模型相结合的水下图像显著性检测方法。首先从获取的水下目标偏振信息中提取偏振度和边缘特征,然后完成种子点筛选及扩散,最后利用竞争网络实现注意焦点转移,检测出水下目标显著性区域。实验结果表明,该方法明显优于其他同类方法,能够提高显著性区域提取的准确性,改进水下图像智能分析。     

基于数据流频繁模式挖掘的入侵检测模型

计算机网络入侵通常具有高频度特性,因此,识别是否正常访问,对数据流中重复元素的挖掘,给出频度指标,是一种重要的依据。提出一种基于数据流频繁模式的改进型AFP算法,该算法采用滑动窗口树技术,单遍扫描数据流及时捕获网络上的最新模式信息,并将该算法应用在入侵检测模型中正常数据和异常数据的在线挖掘。解决了有限存储和无限数据流的矛盾。实验结果表明,该模型有较高的报警率和较低的误报率。     

基于事件模式及类型的事件检测模型

针对触发词定义标准模糊、语料标注成本高等问题,提出一种基于事件模式及类型的事件检测深度学习模型(PTNN)。首先基于实体的语法及语义特征获取潜在论元;其次将潜在论元抽象为角色,结合语法、语义、角色特征构建嵌入表示,增强输入对事件模式的体现;最后利用Bi-LSTM和基于事件类型的注意力机制,完成事件及类型判定。模型在不识别触发词的前提下,通过强化事件模式特征实现事件检测,避免了触发词标注困难的问题,证明了事件模式在神经网络上对事件检测的积极作用,将同类方法的最优效果提升了3%,且达到了基于触发词的检测效果。     

基于偏振视觉的轴承曲面划痕缺陷检测

针对轴承工作曲面划痕缺陷成像的问题,提出了一种采用正交偏振成像的检测方法.首先,采用偏振相机结合正交偏振理论获取光滑轴承曲面图像,利用形态学滤波差分运算消除不均匀背景;然后,采用特定滤波和增强方式对SWT产生的分解系数进行保边去噪和增强,并进行图像重构;最后,对其中的缺陷特征进行分割处理.结果表明:采用线偏振光源照射光...     

基于时间序列相似度的离群模式检测模型

针对常规基于单点数据比较的离群模式检测忽视现实生活各种波动周期规律的问题,提出采用时间序列相似度的检测方法.通过基于重要点的时序线段拟合方法描述整体波动规律,以线段斜率比较描述时序走势的相似度.模型克服了一般时序分析算法复杂度高、缺乏整体波动规律把握的缺陷,可以有效解决目前可疑金融交易监管系统高误报率、报送数据调查价值低的问题.对金融外汇交易真实数据的实验结果证实了模型在交易波动周期规律发现上的有效性.     

基于谱信息熵和互补模型的声效模式检测

提出了一种基于模型融合的声效检测方法.首先提取对所有声效模式都具有良好辨识能力的谱信息熵特征,并进行声效辨识度分析;然后引入互补模型进行声效识别,从模型层面实现了整体谱特征、梅尔频率倒谱系数和谱信息熵的融合.对孤立词测试集进行了声效检测实验,识别精度为81.6%,实验结果表明,谱信息熵在3类特征中具有最好的分类能力,而互补模型能够有效集成3种特征蕴含的显著性信息.     

差异模式视差检测模型与特征视差

视差检测细胞都会在某一刺激视差值处有最大响应，这表明细胞响应只对刺激的视差敏感，而与具体的刺激特征无关。利用接受差异模式简单细胞输入的复杂细胞能量模型的响应公式，对特征视差的机制进行了研究，认为适合于视差检测的细胞类型，其本质是细胞具有空间频率选择特性；复杂细胞接受位置差编码方式的简单细胞输入时，具有精确的特性视差，而接受相应差编码方式的简单细胞输入时，则具有粗略的特征视差。