基于部件的自动目标检测方法研究

该文提出了一种新的自动目标检测算法,实现对自然场景图像及高分辨率遥感图像中结构相对复杂的人造目标的自动检测。该方法基于组成物体的几何部件处理问题,降低了对训练样本数量的需求。首先选择两类典型特征,基于机器学习训练对应的分类器,有效地减少了背景中某些物体与前景目标部分特性相似对检测方法准确率的影响;然后利用标值点过程对问题建模,以对目标分布的先验约束和分类器的响应作为数据能量,自顶向下地自动检测目标。实验结果表明,该方法准确率高、鲁棒性好,具有较强的实际应用价值。     

《中国图象图形学报》图像数据受限专栏简介

<正>图像处理与分析是军事国防、公共安全、医学健康、智慧城市和生态环保等众多领域的关键技术。深度学习的发展推动了图像处理与分析技术在这些领域的应用,但深度学习方法的性能极大程度依赖于图像信号的质量及数据规模。关键应用中优质海量数据常难以获取、特殊场景下数据标记成本高昂、样本不完备性及非确定性渐成常态等,上述障碍和挑战极大影响了深度学习在这些方面应用的有效性,桎梏着深度学习向更多更广领域的推广。因此,     

基于对象的Boosting方法自动提取高分辨率遥感图像中建筑物目标

遥感图像空间分辨率的提高,在极大丰富地物目标信息含量的同时,也使得一些传统的目标提取方法受到较大挑战。该文结合基于对象的思想和Boosting算法,提出一种新的针对高分辨率遥感图像中建筑物自动提取的方法。该方法通过构建对象网络关联图像分割和识别,有效解决了一般方法中采用预先定义形状和大小的滑动窗检测目标时效果不佳的问题。然后针对建筑物的目标特性训练有效特征分类器,并利用标记置信度来综合分析图像的各类信息,完成目标提取及后续处理。实验结果表明,该方法可用于提取多种类型和结构的建筑物,准确率高、鲁棒性好,具有较高的应用价值。     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法

利用海洋宽幅SAR图像进行大范围海域舰船检测在海洋监视、军事侦察等方面具有重要应用。由于海况的复杂性,宽幅SAR图像背景杂波特性随海域不同而变化。采用双参数CFAR检测算法和基于K分布CFAR检测算法在处理宽幅SAR图像时,由于在待检测的所有区域采用同种背景杂波模型,导致使用的杂波模型在不适应区域失配,使CFAR检测性能下降。针对这个问题,提出了一种基于自适应背景杂波模型的CFAR宽幅SAR图像舰船检测算法,该算法通过背景窗口的多尺度统计方差判断目标所处的杂波环境,自适应选择对应的背景杂波分布模型,最后根据已知的恒虚警率及选择的杂波概率密度函数进行CFAR检测。对20多幅宽幅SAR图像进行了试验,实验结果表明:该算法在检测精度上有明显的改善。     

基于ANSYS对压力容器的应力分析与结构优化

应用ANSYS软件对平板封头压力容器进行应力分析和结构优化设计.结合机械优化设计方法,采用ANSYS软件中提供的一阶优化方法,得到精确方案,在满足应力强度要求下容器重量下降4.7%,优化结果明显.该方法对压力容器在工程中的应用起到一定作用.