一种改进的二维卡尔曼窗滤波方法及其在图象恢复中的应用

本文给出了一种改进的二维卡尔曼窗滤波方法,该方法比标量或向量二维卡尔曼滤波方法有更快的计算速度和需要更小的内存容量,在图象模型选取方面也对Dikshit给出的移动窗法进行了改进,从而使所给滤波方法适用于被更广泛因素模糊的图象之恢复。所给方法特别适于在微型机上实现。文后给出用所给方法进行图象恢复的一个实例。     

基于小波变换和多分类器的人脸识别方法

现在已有许多特征用于人脸识别，而不同的特征反映了图像的不同特性。因此，结合多个特征，使用多分类器来进行分类可以提高识别率。文中在对原始图像进行小波变换预处理的基础上，抽取本征脸特性的奇异值特征，并利用对应着两类特征的多分类器进行分类。利用ORL人脸库进行了实验，实验结果证明了所提方法的有效性。     

利用光源投影坐标系处理SFS中的自阴影问题

对于由明暗恢复形状(SFS)问题来说，自阴影的存在是影响其重构效果的因素之一，应该加以特殊的处理。为了使自阴影的处理不延伸破坏其他区域，并能保护整体的重构形状，提出了一套从阴影分割、坐标系变换到数据拟合的自阴影处理方法。该方法使用了根据图像平面以及光源方向定义的光源投影坐标系，以降低自阴影处理问题的复杂性，从而使得可以通过逐行恢复图像内跨各自阴影数据区段高度变化量的方式来实现其基本处理要求，并可采用抛物线拟合的方法来完成重构的阴影区形状与其他部分的光滑连接。实验表明，该方法能有效地改善SFS的重构形状。     

论频率分辨率与频率步长的关系以及数据添零对频谱的影响

在阐明了“频率分辨率与频率步长既不是一个概念，在数值上也并非始终相等”的基础上，论证和对比了数据添零（补零与插零）、提高采样率与数据延推（延长与外推）等，共两类五种缩小频率步长的方法对频谱包络及分辨率的影响，得出了“添零不改变频谱包络，根本不能提高分辨率，只能单纯缩小频率步长、密化谱线”，“补零使谱线插值式密化对提高谱分析精度也有一定好处”，“插零使谱线周期性密化，可方便地实现基带带宽压缩和多采样     

图像规格化的一种新方法

图像规格化是图像理解系统中的一种常用方法。通常来讲,二维模式有四种失真形式:平移、旋转、伸缩和歪斜。本文提出了一种新的图像规格化方法,该方法对上述四种形式的失真图像都能正确规格化,而已有的规格化算法至多只能处理三种形式的失真。本算法首先计算给定模式的协方差矩阵,然后根据协方差矩阵的特征向量旋转模式,并根据特征值沿特征向量伸缩模式。这时,模式已变换为最紧凑形式。经过上述处理后,结果模式对平移、伸缩和歪斜失真都是不变的。但是,旋转问题没有解决。本算法的最后一步是根据“图像椭圆倾角”旋转图像以使其对旋转变换也保持不变。这样,结果模式对平移、伸缩、旋转和歪斜变换都是不变的。对飞机图像的实验验证了这种新型的图像规格化方法的正确性和有效性。     

高阶多位∑-△调制器设计方法研究

∑-△调制器作为数字D类功放的一个重要模块,性能的高低直接影响着数字D类功放的总体性能.针对目前所存在的高阶多位∑-△调制器的噪声传递函数(NTF)设计方法对最大稳定输入幅度所产生的限制条件比较苛刻,造成所设计的NTF往往不是最优的情况,提出一种基于多变量优化理论和新的稳定性判定方案的高阶多位∑-△调制器NTF设计方法,并设计了一个用于数字D类功放的8阶5位∑-△调制器.仿真结果表明,多位∑-△调制器性能优于使用传统设计方法设计的∑-△调制器,完全满足高性能数字D类功放需求.     

基于小波包变换的模糊判决纹理分类

提出一种基于小波包变换的模糊判决纹理分类方法,采用图象的完全树结构小波变换提取多分辨率纹理特征,模糊判决分类器通过引入隶属度函数对待征模糊化,反映了各类纹理样本间存在的差异及随机噪声等畸变因素赞成的抽取特征值存在的不确定性,提高了纹理分类算法对噪声或畸变的鲁棒性,通过实验获得了较满意的结果。     

基于二维直方图的模糊门限化方法

针对一维模糊度不能反映图像空间信息的缺点,本文提出了图像二维模糊度的概念,并将其用于门限化,二维门限矢量将二维直方图分为四个象限,其中对角线上的两种象限分别对应着目标象素类和背景象素类,而反对角线上的两种象限则对应着边缘象素和噪声象素,此方法为目标象限和背景象限中的每个元素赋予-[1/2,1]内的隶属度,以反映其属于目标或背景的程度,通过极大化这两个象限的某一模糊测度之和进行门限选择,实验表明,二维模糊方法的效果明显优于一维方法。     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.