电子海图与雷达背景信息叠加显示关键技术研究

现有的电子海图导航系统主要靠全球定位系统（GPS）来测量舰船的地理坐标，用雷达信号适时检验GPS的定位精度就成为电子海图系统不可少的功能。为了能对雷达的大量数据进行实时处理以及在计算机上进行显示，文章讨论了雷达背景信息的高速采集和极坐标一直角坐标高速变换的硬件实现。采用该方法，普通PC机即可对雷达回波信号进行实时处理并与电子海图进行叠加显示。     

基于电子海图的组合导航系统

组合导航技术是现代船舶导航系统研究的主要方向之一，电子海图组合导航系统代表了这种研究的最新成果，以电子海图为基础，介绍了系统的构成和导航定位方法，并研究了雷达图象与电子海图的叠加显示。最后指出，电子海图组合导航系统是对传统的基于纸海图的导航系统的改善。     

深度学习偏振图像融合研究现状

偏振图像融合旨在通过光谱信息和偏振信息的结合改善图像整体质量,在图像增强、空间遥感、目标识别和军事国防等领域具有广泛应用.本文在回顾基于多尺度变换、稀疏表示和伪彩色等传统融合方法基础上,重点介绍基于深度学习的偏振图像融合方法研究现状.首先阐述基于卷积神经网络和生成对抗网络的偏振图像融合研究进展,然后给出在目标检测、语义分割、图像去雾和三维重建领域的相关应用,同时整理公开的高质量偏振图像数据集,最后对未来研究进行展望.     

深度学习框架下的红外与可见光图像融合算法综述

红外与可见光图像融合是图像融合领域的重要分支。将红外与可见光传感器获取的图像进行互补融合,融合后的图像既具有红外图像的整体信息又具有可见光图像的细节信息,并广泛应用于日常生活和军事领域。由于深度学习在计算机视觉和图像处理领域具有显著优势,因此将深度学习框架应用于红外与可见光图像融合领域成为近年来的研究热点。本文首先根据融合算法的特点及原理,对现有基于深度学习框架的融合算法进行分类概述,并详细介绍算法的研究进展;其次,对图像融合领域的评价指标进行介绍;再次,选取不同分类中的典型算法进行融合试验,利用六种评价指标对实验结果进行评价;最后,分析总结融合算法存在的缺陷,对红外与可见光图像融合算法的发展方向进行展望。     

基于深度学习理论的激光图像融合研究

在对激光图像融合时常遇到图像维度过高或图像特征不明确的情况,因此,将深度学习理论作为基础研究激光图像融合方法.激光图像去均值处理后,采用卷积神经网络训练激光图像特征向量,经卷积神经网络的卷积层、池化层等降维处理特征向量,获得激光图像特征识别结果;使用模糊最小误差阈值算法和Ostu算法计算识别激光图像特征的最佳阈值与局部...     

基于深度学习的图像检索技术应用

文章指出数字检索技术的快速发展,给数字图书馆、新闻媒体、医学图像管理、卫星遥感图像、商业在线销售等行业带来新的应用增长点,传统的基于文本的图像检索技术在检索效率和精准度方面都效果不如人意。随着人工智能技术的发展与运用,结合深度学习的感知哈希图像算法得到较快发展,更快的促进了图像检索技术的广泛应用。     

基于深度融合的深度图像修复算法

提出了一种基于深度融合的深度图像修 复算法。对于单幅深度图像,首先利用形态学操作进行空洞区域优化,消除深度图像中的间 隙和随机噪声;然后针对迭 代滤波过程,提出一种新的深度融合策略计算深度值,并通过对空洞区域的分析,判断深度 图像中空洞区 域类型,自适应选择结构元进行迭代操作;最后利用局部深度值重建方法对受损的边缘处深 度值进行修复。 实验结果表明,本文算法在较好的修复深度图像中存在空洞和间隙的同时,能够保持原始深 度图深度值分 布规律,克服修复过程中存在的深度值失真,边缘模糊等不足。基于标准数据集Middlebury 的对比试验结果表明,本文算法与其它算法相比,获得了良好的效果。     

基于深度学习的船舶数据向量模型研究

近年来,航运信息化建设进程加速发展,然而由于各单位在船舶信息管理上的不统一,导致收集到的数据存在大量的相似重复数据。如果直接使用这部分数据进行数据分析,会对最终结果造成严重影响。为了解决对重复数据的检测问题,文章基于深度学习,融合FastText向量模型、BERT模型以及LDA模型,搭建多语义融合模型,对船舶数据进行向量构建,使得生成的向量包含信息更全面,提升重复检测准确率,提高船舶数据清洗效率。     

基于图像融合的深度图像修复算法

针对目前大多数深度相机采集到的深度图像中含有大量噪点以及大面积的空洞问题,提出一种基于图像融合的深度图像修复算法。采用改进分水岭算法提取彩色图像中的边缘信息,基于KD树近邻算法依据深度图像的梯度信息提取分类信息,将彩色图像的边缘信息与深度图像像素点的分类信息相结合,得到精确地图像分类结果,再对融合后的每一类进行最小二乘法算法拟合空洞,修复深度图像中出现的大面积空洞问题。实验结果表明,该方法在对物体边缘处小面积空洞进行较为准确地修复的同时,能够对深度图像中存在的大面积空洞问题进行有效修复。     

结合信息感知与多尺度特征的红外与可见光图像融合

现有的基于深度学习图像融合算法无法同时满足融合效果与运算效率,且在建模过程中大部分采用基于单一尺度的融合策略,无法很好地提取源图像中上下文信息.为此本文提出了一种基于信息感知与多尺度特征结合的端到端图像融合网络.该网络由编码器、融合策略和解码器组成.具体来说,通过编码器提取红外与可见光图像的多尺度特征,并设计特征增强融合模块来融合多个尺度的不同模态特征,最后设计了一个轻量级的解码器将不同尺度的低级细节与高级语义信息结合起来.此外,利用源图像的信息熵构造一个信息感知损失函数来指导融合网络的训练,从而生成具有丰富信息的融合图像.在TNO、MSRS数据集上对提出的融合框架进行了评估实验.结果表明:与现有的融合方法相比,该网络具有较高计算效率:同时在主观视觉评估和客观指标评价上都优于其它方法.     

基于深度学习理论雷达图像中对流云区识别算法的研究

为解决对流性天气系统影响对流云区域的自动识别及分割问题,将深度学习理论用于天气雷达探测特征天气系统领域,提出一种对流云区识别算法。首先,将雷达基数据坐标转换算法以极坐标存储的原始数据转化为地理坐标,利用四线插值算法补足探测盲点,建立完整的三维数据场,结合算法需要生成垂直最大回波强度显示分析产品,标注后形成实验数据集;其次,建立U-Net网络架构的算法模型,经过训练和调参的实验过程,找到识别效果最佳的模型网络组成;最后,通过系列评价指标获取识别分割效果的统计数值支撑。实验结果表明,文中方法能够准确地识别并分割出对流云区域,特别是相对面积较大的区域。     

压缩感知图像融合

目前图像融合的方法大多数都是基于小波变换的图像融合方法,通过对小渡变换之后的低频系数和高频系数分别采用不同的融合准则,来达到所需要的图像以进行下一步处理,这些方法需要知道原始图像,也就是对硬件要求较高。采用压缩感知图像融合,即,将压缩感知用于图像融合,使得只知道原始图像在某个变换下的投影值的情况下,通过对已知的投影值使用融合规则得到融合后的投影值,然后用重构算法重构出图像,大大降低了对硬件的要求。在此给出了压缩感知融合方法与基于小波变换的图像融合方法的实验结果,融合结果表明,在不降低融合效果和视觉效果的基础上,该方法能够极大地降低硬件成本。采用熵作为衡量融合效果的指标,并对用两种方法融合的结果图像做了对比,研究结果表明,CS融合方法要优于基于小渡变换的图像融合方法。     

基于压缩感知的红外与可见光图像融合算法

压缩感知是一种新的信号采样理论,突破了传统的Nyquist采样率须为信号最高频率的2倍以上的定理。对于稀疏信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过重构算法恢复出原信号。提出了一种基于压缩感知的红外与可见光图像融合算法,对图像进行测量,并通过融合算法对测量值进行融合。仿真实验显示,压缩感知能较好地实现图像的融合。     

基于双目视觉与图像深度融合的机房三维重建方法分析

阐述基于双目视觉与图像深度融合的机房三维重建方法,采用双目视觉方案对目标深度信息进行测量,视觉SLAM技术根据左右目图像中的特征点匹配信息,基于本质矩阵恢复出当前帧相机相对于前一帧的位姿变换关系,构建当前帧相机系到参考系的位姿变换,从而在实现定位的基础上对目标进行三维重建。采用数据融合技术对多视结果与深度学习网络深度值进行融合,以解决重建点稀疏性的问题,提升三维机房重建精度以及机房数字孪生智能化监控能力。     

基于压缩感知的遥感图像融合方法

压缩感知理论,以远低于奈奎斯特采样定理要求的速率对图像进行采样,可利用图像的部分信息重构原始图像,有效地减轻图像处理的计算复杂度,降低对硬件的要求。文中提出了一种基于压缩感知的遥感图像融合方法。在压缩域对多光谱和全光谱遥感图像进行了融合实验,并与传统的融合方法进行了比较,实验结果表明,文中方法在遥感图像融合上有着良好的性能。     

基于分布式压缩感知的遥感图像融合算法

针对基于压缩感知(Compressed Sensing, CS)理论的传统遥感图像融合算法未能考虑源图像信息相关性的特点,该文提出一种基于分布式压缩感知(Distributed Compressed Sensing, DCS)的遥感图像融合改进算法。通过DCS的第1联合稀疏模型(Joint Sparsity Model-1, JSM-1)提取源图像低频信息的公共部分和独有部分,再利用独有特征添加(UFA)的融合规则进行融合,从而提高融合精度。选取QuickBird卫星实测图像数据对该文方法和多个传统融合方法进行仿真实验并进行评价指标的对比,结果表明该文方法融合性能相对传统遥感图像融合方法都有不同程度的提高。     

基于压缩感知的多聚焦图像融合方法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究受到越来越多的重视。针对图像傅里叶变换系数特点,提出了一种双星采样模式下基于高低频重要性度量的压缩传感域图像融合算法。该算法首先通过双星采样模式获得测量值,然后计算高低频区域对应的重要性度量作为融合算子,并对测量进行加权融合,最后通过求解最小全变分优化问题重构融合图像。主客观实验结果表明,该算法优于其他基于傅里叶的方案。     

深度学习融合超宽带雷达图谱的跌倒检测研究

相对于窄带多普勒雷达,超宽带雷达能够同时获取目标的距离和多普勒信息,更利于行为识别。为了提高跌倒行为的识别性能,该文采用调频连续波超宽带雷达在两个真实的室内复杂场景下采集36名受试者的日常行为和跌倒的回波数据,建立了动作种类丰富的多场景跌倒检测数据集;通过预处理,获取受试者的距离时间谱、距离多普勒谱和时间多普勒谱;基于MobileNet-V3轻量级网络,设计了数据级、特征级和决策级3种雷达图谱深度学习融合网络。统计分析结果表明,该文提出的决策级融合方法相对于仅用单种图谱、数据级和特征级融合的方法,能够提高跌倒检测的性能(显著性检验方法得到的所有P值<0.003)。决策级融合方法的5折交叉验证的准确率为0.9956,在新场景下测试的准确率为0.9778,具有良好的泛化能力。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法: ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR2-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.       

基于深度学习的监控图像信息目标检测系统设计

由于传统的监控图像目标检测系统的监测通用性受限,导致其监控较高较差,文章基于深度学习设计新的监控图像信息目标检测系统。该系统硬件部分包括数字信号处理器、CDD图像采集器和TMSDM642储存器,软件部分首先采集监控图像目标检测信息,其次基于深度学习构建了监控图像训练框架,最后设计系统的功能模块,实现了监控图像信息目标检测。通过系统测试表明,文章设计的监控图像信息目标检测系统的检测速度较快,证明该系统的性能良好,有一定的应用价值。