应用Rényi熵的显著图生成与目标探测

为了在复杂的地面场景中实现准确的自动目标检测,分析了地面场景图像经二维加窗的伪Wigner-Ville分布(PWVD)后,归一化的Rényi熵与其出现概率间存在的基于e指数的统计特性,以及人造目标的出现引起的地面场景中Rényi熵的统计特性变化,提出了一种新的基于Rényi熵的显著图生成和目标探测方法。对Renyi熵图像进行了均值滤波,然后滤波前后的图像相减得到熵残余图像,并经过高斯滤波获得显著图,最终通过简便的阈值分割,完成目标探测。实验结果表明,该方法对8幅不同场景图像中共计14个目标的探测概率为100%,虚警概率不大于7.1%。与传统方法相比,本文提出的方法能够更为有效地检测复杂地面背景中的军事目标。     

基于Rényi熵的不确定可靠性及其功能优化算法模型研究

产品研发过程中功能优化是一个复杂系统,往往存在大量随机且不确定性因素。不确定可靠性是解决这类问题的一个重要数学工具。引入人工智能机器学习中Rényi熵,构建基于Rényi熵的不确定可靠性产品功能优化模型及自动化计算方法。通过产品功能需求分析、认知集合转换、Rényi熵可信度分配与合成等过程,自动化迭代计算出优选功能组合。以应急救援产品为例,计算结果表明,产品功能优化算法模型能够有效抑制不确定性因素扰动,获取最优解组合,提高产品设计效率及准确性。     

基于Rényi熵的互补尺度空间关键点医学图像配准

针对医学图像配准对鲁棒性强、准确性高和速度快的要求,本文提出一种基于Rényi熵的互补尺度空间关键点配准算法。该算法首先从图像上提取Harris-Laplace(HL)和Laplacian of Gaussian(LoG)两种互补的尺度空间关键点,然后将关键点对应的灰度信息融入到联合Rényi熵中,最后使用最小生成树来估计联合Rényi熵。新算法结合了互补关键点的鲁棒性,和最小生成树估计Rényi熵的高效性。实验结果表明在图像含有噪声、灰度不均匀和初始误配范围较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和较快的速度。     

基于运动显著图和光流矢量分析的目标分割算法

为提高运动目标分割算法对多种复杂场景的自适应能力和分割精度,提出一种基于运动显著图和光流矢量分析的目标分割算法。该算法首先基于运动显著图提取运动目标的大致区域,然后利用光流矢量获得运动目标和背景区域的运动边界,并结合点在多边形内部原理得到运动目标内部精确的像素点,最后以超像素为基本分割单元,通过引入置信度的概念实现最终像素一级的目标分割。通过与典型算法进行多场景实验对比,表明该算法能够有效实现多种复杂场景下的运动目标分割,并且较现有算法具有更高的分割精度。