基于函数变换的水下图像目标分割和特征提取

针对海水信道的特殊性以及成像环境的复杂性,对视觉系统的图像处理和特征提取带来的影响,提出了一种基于模糊变换的图像分割和基于函数变换的特征提取方法,以克服水下不确定因素给目标识别带来的困难,并对其进行了仿真试验.试验结果表明,此方法在对深海烟囱图像的分割和特征提取上能够取得好的效果,可有效地克服水下图像灰度分布不均匀和环境不确定因素的干扰,实现了难于分类判别的深海热液喷口目标的区分.     

一种基于马尔可夫随机场的运动目标检测算法

本文提出了一种基于马尔可夫随机场的运动目标检测算法.针对传统时间分割使用主观固定阁值的缺点,使用马尔可夫随机场模型对差分图像建模,并提出了一种新的模型阶次选择算法,以及一种可以加速收敛过程的随机场迭代算法.采用期望最大算法获取高斯分布参数并检测运动变化区域,利用形态学运算修正时间分割模板;空间分割部分提出了基于人眼视觉特征的改进分水岭算法,有效地解决了过分割问题;最后对时、空间分割结果进行信息融合处理,从而得到完整的运动目标.仿真实验结果证明了本文算法可以有效地分割视频运动目标.     

序列图像中运动目标检测

提出动态背景下序列图像中的运动目标检测算法。利用像素邻域的各向同性对图像进行归一化,消除亮度变化等因素的影响;利用光流信息并结合小波变换由粗及精计算速度场来配准图像;用当前帧作参考图像,通过时域积分校正背景图像。当前帧与校正后背景图像作差得到差分图像。假设该差分图像中噪声分布为高斯分布,由高斯分布的3σ特性滤除差分图像中的噪声,则粗定位出目标;最后以聚类方法确定运动目标区域。分别对200帧可见光和200帧红外图像序列进行实验,检测率分别为95%和94%。     

基于投影感知的水下声呐目标检测方法

现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。     

序列图像中目标的分割与跟踪

本文主要研究序列图像中目标自适应跟踪方法.文章首先分析比较了目前国内外常用的分割方法的优缺点,然后提出了一种可以实现快速跟踪的算法.该方法利用序列连续图像的帧间相关性和差异性检测目标,把目标历史运动信息经过预测滤波后的结果和差值的序列图像信息进行比较,以达到快速跟踪的目的.     

基于多波束系统的水下目标近程回波亮点声图像

模拟多波束系统,仿真得到了水下目标的二维回波亮点声图像。先采用小分置角双基地目标回波特性计算的近场板块元方法,计算得到水下目标的传递函数。再根据多波束系统的理论,建立了水下目标回波亮点二维声图像的基本框架,实现了水下目标回波亮点二维声图像仿真。最后得到了水下目标不同方位角情况下近程二维回波亮点的声图像。     

高分辨率合成孔径雷达图像舰船检测方法

寻找针对高分辨率SAR图像的舰船目标检测算法。利用KSW双阈值分割技术，其效果比传统检测方法好，有利于进一步的目标分类和识别。且必须根据SAR图像分辨率来选择舰船检测算法。     

基于时空坐标图像的运动点目标检测方法

针对复杂背景下运动点目标检测方法存在的局限性,提出从时间空间角度检测运动目标的方法.在时间空间域里,背景的复杂纹理表现为无限长直线,运动目标则表现为有限长线段.针对该特点,运用逐点灰度均值将背景与运动点目标分离,并根据投影关系将目标投影到二维空间,获得直观的目标运动轨迹.试验结果表明,该方法能较好地从复杂背景中分离出速度不大于1像素/帧的点目标,且可同时进行多目标的检测,抗噪声能力强.     

基于增强分形特征的人造目标检测

自然背景和人造目标对于某些分形特征存在着一定的本质差别,这些差别为目标检测提供一套全新的方法。研究表明,对于自然背景中嵌入少量人造目标这类简单情况,采用单一的分形特征就能取得较好的检测效果。对于复杂情况下的检测,本文采用Sarkar和Chaudhuri的差分计盒（DBC）分数维法计算图像的分维数,并用概率松弛法（PRIA）对分维值进行特征增强。仿真实验表明,该方法具有较好的检测效果。     

随机图像选取与自适应背景更新的运动物体检测

为克服运动目标检测中易出现的光照变化、遮挡、虚假目标等现象,提出了一种随机图像选取与自适应背景更新的运动物体检测方法.该方法从视频序列中随机选取一帧图像作为初始背景,根据变化标记矩阵对背景进行自适应迭代更新,以提取可靠的背景图像,实现运动物体的检测.实验结果表明,采用该算法提取的背景不存在混合现象,且在光照变化较大以及运动物体之间存在遮挡的情况下,能够构造出可靠的背景,检测出的目标物体清晰可见.     

基于分形特征参数的目标边缘检测算法

图像的边缘提取在计算机视觉系统的初级处理中具有关键作用,但目前仍是"瓶颈"问题.本文主要针对复杂背景下的目标边缘检测问题,提出了一种新的基于分形特征参数的目标边缘检测方法.算法基于分数布朗运动的方差性质提出一种改进的分形维数及其截距特征参数的计算方法,进而将该分形维数与截距特征参数相结合,提出了一种基于分形特征参数的边缘检测算法.实验表明,算法可以有效地实现目标边缘检测,同时算法的运算效率得到提高.     

采用自适应邻域马尔可夫场的极化SAR图像分割

提出了一种新的马尔可夫场(MRF)极化SAR图像分割方法,对于图像中的每个像素,利用极化SAR数据总功率(span)图,得到该像素的马尔可夫场自适应邻域系统,且对区域标号过程的参数进行修正.使用该方法对机载极化SAR数据进行分割,实验结果表明,与传统的马尔可夫场方法、最大似然方法相比,该方法可以得到较好的分割结果.     

水下爆炸气泡图像边界提取方法

为准确提取水下爆炸气泡图像边界,尝试采用在边界识别中常用的canny算子边缘检测方法,但结果并不理想。在此基础上提出了先将灰度图像转换成索引图像,采用二维离散小波分解方法小波变换方法对索引图像进行分解,针对分解的图像轮廓部分主要体现在低频部分的特点对低频部分进行增强处理,对高频部分进行衰减处理,然后对处理后的图像进行canny算子边缘检测。结果表明:小波增强后的canny算子边缘检测方法处理出来的气泡图像边界清晰,可作为进一步分析研究的依据。     

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域.但K-均值聚类容易陷入局部最优,影响图像分割效果.针对K-均值的缺点,提出一种基于随机权重粒子群优化（RWPSO）和K-均值聚类的图像分割算法RWPSOK.在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛.实验表明：RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法（PSOK）相比,RWPSOK算法具有更好的分割效果和更高的分割效率.     

分数布朗运动环境中最值期权定价

假定股票价格遵循由分数布朗运动驱动的随机微分方程,建立了分数布朗运动环境下金融市场数学模型,利用分数布朗运动随机分析理论与未定权益定价方法,获得欧式未定权益一般定价公式,并得到欧式最值期权价格的解析表达式以及平价关系.     

基于RBF-NN近似模型的地铁钢轨探伤车转向架悬挂参数多目标优化#br#

以某地铁钢轨探伤车为研究对象,利用多体动力学软件UM建立车辆-轨道耦合动力学模型,分析探伤车在直线、曲线两种工况下的运行平稳性、安全性和曲线通过能力,为后续悬挂参数多目标优化提供原始数据支撑。基于MATLAB编程建立UM-ISight 联合仿真平台,在ISight 中以转向架一、二系悬挂刚度、阻尼等为目标参数,通过最优拉丁超立方法进行参数组合样本设计,并在此基础上构建符合精度要求的径向基函数神经网络(RBF-NN)近似模型,最后通过多目标优化算法NSGA-Ⅱ对近似模型进行寻优计算,得到最优的转向架悬挂参数组合。结果表明,所建近似模型具有较高的拟合精度,优化后车辆平稳性指标都得到明显改善,最多可降低35.39 %,且车辆的脱轨系数、轮轨横向力、轮轴横向力、轮重减载率等曲线通过性能指标也有不同程度好转。     

基于贪心EM算法的HMRF遥感影像变化检测

提出一种基于贪心EM算法的HMRF遥感影像变化检测算法.该算法采取PCA与差值法相结合的方式来构造差分影像.首先,采用隐马尔可夫随机场( Hidden Markov Random Field,HMRF)模型描述空间上下文信息,并构造系统能量函数;然后,利用贪心EM算法克服EM算法假定混合成分数为已知、迭代结果过分依赖初...     

一种边界-区域相结合的图像分割算法

提出了一种模仿人类视觉机制的区域-细节的图像分割算法.首先提取图像边缘,然后将边缘分段切割,得到端点集合,然后从端点集合生成Delaunay三角形网络,以Delatmay三角形为顶点,相邻三角形的属性差异作为边的权重,构造图;9以基于图的分割算法生成最小生成树,划分区域.最后用Snake模型精确确定区域边界,生成准确的区域边缘.实验证明,这种区域分割和边缘检测相结合的方法能准确地分割非纹理图像,较好地克服了块现象和非连续边界,相比单一区域分割或者边缘检测方法有更好的分割结果,并且计算速度比较快.