基于最小平均相关能量滤波器的畸变目标识别

通过对多种畸变目标识别算法的研究, 对用于匹配滤波器的最小平均相关能量(MACE)滤波器进行了改进。利用MACE滤波器算法的基本思想构造滤波器函数, 在合成参考图像前对训练图像进行边缘提取, 并对联合图像的功率谱进行了拉普拉斯锐化, 成功实现了在联合变换相关器中对旋转目标图像的探测和识别, 提高了畸变图像相关峰的亮度, 拓展了联合变换相关器的探测和识别的范围。作为实例, 对旋转战机目标图像进行了计算机模拟实验和光学实验, 验证了该算法的可行性。     

基于最小平均相关能量滤波器的畸变目标识别

通过对多种畸变目标识别算法的研究,对用于匹配滤波器的最小平均相关能量(MACE)滤波器进行了改进。利用MACE滤波器算法的基本思想构造滤波器函数,在合成参考图像前对训练图像进行边缘提取,并对联合图像的功率谱进行了拉普拉斯锐化,成功实现了在联合变换相关器中对旋转目标图像的探测和识别,提高了畸变图像相关峰的亮度,拓展了联合变换相关器的探测和识别的范围。作为实例,对旋转战机目标图像进行了计算机模拟实验和光学实验,验证了该算法的可行性。     

基于群体智能边缘提取算法的联合变换相关器

为提取联合变换相关器输入面图像的边缘,改善相关器的识别效果,提出了一种基于群体智能的图像特征提取方法,并将其应用于联合变换相关器的输入面图像预处理中.实验结果表明该算法有效提取了图像的边缘,锐化了相关峰,提高了联合变换相关器的目标识别能力.群体智能计算机并行算法与联合变换相关器光学并行系统相结合,为实现实时高效的光电混合目标识别系统奠定了坚实的理论基础.     

基于小波多尺度综合的低对比度目标识别

光电混合联合变换相关器能够对目标进行自动探测识别和跟踪。为使联合变换相关器对低对比度目标进行有效探测与识别,提出了一种基于小波多尺度综合的边缘提取新方法,对输入图像进行预处理。计算机模拟实验和光学实验证明,该方法使相关器在输入图像对比度低、信噪比较低时仍然能够产生较强的相关峰输出,扩展了光电混合联合变换相关器的应用范围。     

基于最小平均相关能量滤波器的目标识别技术

把用于匹配滤波器的最小平均相关能量(MACE)算法进行改进,成功应用于实时联合变换相关器。训练系列图像的谱按MACE综合后,经傅里叶逆变换在物面合成参考图像,同时在合成参考图像前对训练图像进行边缘提取,并对目标与参考图像的联合功率谱进行拉普拉斯锐化,提高相关峰对比度。给出了存在旋转变化的目标图像和光学实验。实验表明,改进后的MACE方法可大大减少训练图像的数目,减小运算量,很好地解决联合变换相关器对目标存在旋转变化的识别问题,可扩大目标识别的范围,提高识别率。     

基于光学联合变换相关的指纹识别算法研究

利用光学联合变换相关器(JTC) ,通过对参考图像和待识别图像作相关运算,观察相关平面是否出现相关峰,从而推断两图像的相似程度。和一般的基于细节匹配的指纹识别算法不同,基于光学联合变换相关的指纹识别算法利用了指纹图像的整体特征,因而对破损指纹图像具有较高的识别准确性,通过对指纹数据库中多幅指纹图像的识别结果验证了该算法的可行性。     

基于光学相关的亚像元像移测量方法研究

为了对高帧频采集的低信噪比图像进行亚像元配准,使用了光学联合变换相关的方法对相邻两帧图像进行相关运算,测量出相对像移量.给出了使用该方法测量像移的原理和离焦影响,并采用两种预处理方法对不同景物图像的亚像元像移进行了仿真测量.结果表明,通过对联合变换相关器的输入面采用拉普拉斯卷积核进行边缘提取,对功率谱采用均值进行二值化处理,亚像元像移的测量均方差小于0.2个像元,并且测量精度对离焦不敏感.     

实时自适应阈值二值化联合变换相关器

提出了采用参考图像功率谱为阈值的自适应阈值二值化联合变换相关器 ( BJTC)的方法。和传统的联合变换相关器结果比较 ,自适应阈值法对于输出的相关峰值、信噪比等主要参数都有明显提高。对这种方法进行了理论分析和计算机模拟 ,并给出了光学实验结果 ,为自适应阈值二值化联合变换相关器的实用化奠定了基础。     

实现小波变换图像识别的光电混合实验系统

本文依据联合变换相关器,设计一套实现小波变换图像识别的光电混合实验系统,联合变换功率谱及相关输出强度分布分别用CCD采集并输入计算机进行处理,证明小波变换可以明显改善光学图像相关识别能力;同时,该系统提高了光学相关识别实验的灵活性和可操作性。     

基于联合傅里叶变换相关器的光电实验研究

分析了联合傅里叶变换相关器存在较强的零级衍射且宽度很大,限制了输入图像的大小和相对位置的问题.提出了将参考图像和待识别图像分别置于马赫—曾德干涉仪的两臂,并将实时采集到的联合功率谱与事先存储的待识别和目标图像的功率谱进行相减的方法.改进方法可使原两个相关输出项移到坐标中心,既提高了识别能力,也增大了输入图像的尺寸.     

高斯拉普拉斯算子在联合相关变换器中的应用

提出将高斯拉普拉斯算子应用在光电联合相关变换器中进行谱面图像的增强处理.光电混合联合变换器可实现对目标的实时探测、识别及自动定位,但由于实际中采集到的图像的对比度较低,且存在大量背景噪音,影响了目标的识别率.根据高斯拉普拉斯变换对高斯噪声不敏感的特性,结合了自适应阈值、边界跟踪和细化技术,对图像噪声进行滤波的同时,对图像进行了增强处理,这样最大限度地保留了光谱图像的细节信息,提高了光电联合相关系统的目标识别率.     

功率谱微分法在实时联合变换相关器中的应用

联合变换相关器在功率谱中产生的目标图像和参考图像的自相关重叠显示于输出面的中心,形成很强的直流光斑,易使CCD探测器饱和,从而影响了对相关峰的识别。通过采用功率谱微分法,配合二值化处理,可消除相关输出中的直流亮斑,锐化了相关峰,从而大大提高了目标识别的准确性,降低了误判的发生。     

基于谱面形态学处理的二元联合变换相关器研究

为改善二元联合变换相关器的识别效果,提出基于功率谱面形态学处理的二元联合变换相关器算法,通过对高相似基本形状圆和八角形的计算机模拟识别,取得了明显的效果。     

低对比度目标探测技术

为了提高联合变换相关器对复杂背景下的低对比度目标的识别能力,提出了小波变换与灰度拉伸以及Canny算法相结合的物面滤波新方法,并设计了新物面处理滤波器.通过计算机模拟和光学实验证明,该方法可以准确地提取目标特征,有效地降低噪声并最终获得明亮的相关峰,成功解决了低对比度复杂背景目标的识别问题.     

光学相关多目标识别技术

光电混合实时联合变换相关器能够实现目标的自动识别和定位（方位角和俯仰角）,在复杂背景中,多目标动态测量一直是待解决的关键技术之一,由于背景复杂、目标多、噪声大,因而目标识别效果不佳。针对这一问题,提出了在光电混合联合变换相关器中应用高斯滤波和拉普拉斯算子相结合的新方法,并把其应用在目标图像的频谱面。即基于高斯滤波先对目标图像的频谱进行平滑、积分以滤掉噪声,再利用拉普拉斯算子进行边缘检测,使目标图像轮廓清晰,降低了噪声的影响,消除了双边缘现象,最大限度地保留了频谱图像的细节信息。该方法解决了多目标的识别问题,提高了光电联合变换相关器的目标识别率。给出了飞机多目标识别的实验结果。