基于Contourlet域K-L变换的SAR图像相干斑抑制

针对SAR图像相干斑噪声去除问题,提出了一种基于多尺度分解的Contourlet域K-L变换的SAR图像去噪的新方法。方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用K-L变换进行能量保持即提出信号的主要特征,用重构图像来进行去噪,最后通过Contourlet逆变换得到去噪之后的图像。在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征及边缘特征,且信噪比也较高。     

铸造气缩孔缺陷对气缸盖机械性能影响的参数化模型

根据试验所得的某型柴油机RuT300铸铁气缸盖的细观孔洞缺陷照片,利用编译的PYTHON程序实现了含有贴近实际形貌及随机分布孔洞的RVE参数化建模,结合FORTRAN子程序组实现RVE与宏观有限元模型间的数据传递。针对含不同细观孔洞体积分数的工字型试件,在单轴拉伸加载条件下进行了线弹性和弹塑性力学的仿真分析及试验分析,通过结果对比验证了多尺度参数化计算模型的准确性,为进一步的相关动力设计提供了量化参考。     

考虑接头作用的全复合材料桁架结构多尺度分析

为提高全复合材料桁架分析的精度和效率,引入结构多尺度有限元思想,对接头进行精细化建模,通过建立两点位移约束实现不同尺度模型连接,从而将接头模型嵌入宏观桁架模型,并针对具体制备工艺赋予桁架材料属性。为验证多尺度模型的优势,同时进行全复合材料桁架实验,以及分别基于全部梁单元模型和全部实体单元模型的有限元分析。对比相关模型的计算精度与效率,结果表明多尺度模型能够较好地兼顾计算精度与效率。该文针对全复合材料桁架的结构多尺度有限元建模方法,可精确分析全复合材料桁架承载性能,并且能够提供有效的局部信息,可用于分析其他包含复杂细节构造的大尺度复合材料结构。     

基于多尺度特征点识别与局部谱特征的离散数据匹配

为了实现部分重叠且不同视角的测量数据配准,提出多尺度特征点检测算法,可以从大量的原始数据中提取少量特征点。该算法包括离散曲率计算、双边滤波和特征点计算等步骤,特征点个数可以由尺度参数粗略控制。提出局部形状谱描述器来描述每个特征点的局部形状特性,首先利用局域点的距离和曲率信息构造关系矩阵,然后通过计算关系矩阵的特征值来构造谱描述器,利用该描述器可以方便地计算不同点集中各个特征点的对应关系,进而实现两个数据点集的配准。通过实例验证了该算法有较好的抗噪性和运行速度。     

图像的多尺度几何分析概述*

以函数的稀疏表示为主线,详细介绍了各种多尺度几何分析产生的背景、发展历程和逼近性能,并分析了它们各自存在的优缺点,最后指出了其发展方向.     

基于学习主动中心轮廓模型的场景文本检测

在场景文本检测领域,存在由于文本尺寸波动较大导致的小文本漏检、大文本欠检测和多尺度文本边界检测错误的情况。针对上述问题,提出一种基于学习主动中心轮廓模型的场景文本检测网络。在残差网络ResNet的基础上构建多尺度特征权重融合模型,对输入的场景文本图片进行多尺度特征提取和权重融合,并计算出最终的特征融合图,适应场景文本长宽比变化较大的情况。在此基础上,将融合后的特征图输入到学习主动中心轮廓模型预测文本框的中心点和边界,该模型为场景文本检测提供丰富先验知识,以解决多尺度文本检测框包含过多背景或部分包围文本造成的边界检测错误问题。在MSRA-TD500、IC13、IC15和IC17MLT数据集上的实验结果表明,该网络能够提高多尺度场景文本检测的准确率,其中在MSRA-TD50数据集上F-measure为0.83,相较于MSR方法提升1%,在IC13数据集上F-measure为0.91,相较于PixelLink网络提升2%,在IC15数据集上F-measure值为0.87,相较于PSENet网络提升1%,在IC17MLT数据集上F-measure值为0.74,相较于TridentNet网络提升1%。     

基于小波多尺度分析的光纤陀螺振动误差分析与建模

针对振动环境对光纤陀螺性能的影响,对某型号的光纤陀螺进行了线振动实验并对实验结果进行了Allan方差分析。利用小波多尺度变换提取了光纤陀螺误差模型中的各误差项,分析并验证了零漂及噪声误差与Allan方差分析误差系数中的量化噪声、角度随机游走以及零偏误差与误差系数中的零偏稳定性、速率随机游走、速率斜坡之间的对应关系。随后利用RBF神经网络对小波多尺度分析提取的零偏误差建立模型并进行了补偿。仿真结果表明,本文提出的方法有效减小了振动环境下各误差项对光纤陀螺性能的影响, Allan方差分析结果中的五个误差系数均有较大下降,其中两项误差系数下降了一个数量级及以上,极大提高了光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

基于红外图像的眼睛开闭检测方法

基于红外眼睛图像,提出一种红外环境下判断眼睛开闭状态的方法,并应用于疲劳驾驶检测当中。对图像采用基于余弦的Gamma校正压缩灰度值域的高低两端,同时扩展中间灰度值范围提高对比度,使用多尺度Retinex变换消除阴影的干扰以获取更准确的眼睛形态,根据眼角角度和上下眼睑间的高度在平面坐标上的分布特征对眼睛状态进行分类。实验结果表明,该方法可以有效地判断眼睛的状态。     

盲去模糊的多尺度编解码深度卷积网络

针对拍摄场景中物体运动不一致所带来的非均匀模糊，为提高复杂运动场景中去模糊的效果，提出一种多尺度编解码深度卷积网络。该网络采用"从粗到细"的多尺度级联结构，在模糊核未知条件下，实现盲去模糊；其中，在该网络的编解码模块中，提出一种快速多尺度残差块，使用两个感受野不同的分支增强网络对多尺度特征的适应能力；此外，在编解码之间增加跳跃连接，丰富解码端信息。与2018年国际计算机视觉与模式识别会议（CVPR）上提出的多尺度循环网络相比，峰值信噪比（PSNR）高出0.06 dB；与2017年CVPR上提出的深度多尺度卷积网络相比，峰值信噪比和平均结构相似性（MSSIM）分别提高了1.4%和3.2%。实验结果表明，该网络能快速去除图像模糊，恢复出图像原有的边缘结构和纹理细节。     

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。