改进的局部最小像素先验遥感图像盲复原算法

为了解决遥感图像盲复原时模糊核估计不准确、复原图像存在振铃效应的问题,提出改进的局部最小像素先验遥感图像盲复原算法。该算法首先引入极端通道先验与局部最小像素先验结合,对图像的强度进行更好的约束,有利于得到更好的潜在清晰图像;然后采用基于梯度的方法估计模糊核,模糊核估计与中间潜在清晰图像估计交替迭代进行,获得较为理想的模糊核;最后引入联合双边滤波器,采用改进的拉普拉斯与正则化图像复原算法抑制图像复原的振铃效应。实验结果表明,本文方法对遥感图像复原效果较好,恢复的图像边缘清晰,振铃伪影得到抑制且模糊核较为理想;客观评价指标峰值信噪比(PSNR)较前沿复原算法平均提高约1.40 dB,结构相似度(SSIM)平均提高约0.02。

改进YOLOv5的遥感图像目标检测

针对基于YOLOv5算法的小目标的检测精度低、密集目标识别效果差的问题,提出了一种改进YOLOv5目标检测框架。YOLOv5的主干网络加入卷积块注意力模块(Convolutional block attention module,CBAM)可提高特征提取能力,增强网络对图像纹理的感知能力,使小目标获取更多关注。为了解决密集目标检测的漏检问题,YOLOv5的颈部网络使用加权双向特征网络(Bidirectional feature pyramid network,BiFPN)替代原有的像素聚合网络(Path aggregation network,PAN),通过权值共享的方式实现多尺度特征融合。采用EIoU作为模型的边界框回归损失函数,提高了边界框回归性能,加快网络收敛速度。在DOTA数据集上,实验验证了YOLOv5的改进结果,此方法的mAP为80.0%,能够检测更多的目标,相较于YOLOv5,改进YOLOv5的mAP提升了5.2%。

基于重影卷积的轻量化遥感图像超分辨重建

为了解决基于深度学习的遥感图像超分辨率重建算法模型复杂度高、纹理细节重建不准确的问题,本文提出了基于重影卷积的信息多蒸馏网络。采用重影卷积(Ghost convolution)代替传统卷积消除冗余,降低模型复杂度;通过引入改进的高频注意力块(Improved high-frequency attention block,IHFAB)提高网络对图像中高频成分的特征捕获能力,优化网络对纹理轮廓等细节的重建能力。实验结果表明,本文提出的方法相较于残差特征蒸馏网络(Residual feature distillation network,RFDN)等参数量明显降低,相较于蓝图可分离残差网络(Blueprint separable residual network,BSRN),在2倍、3倍和4倍放大下峰值信噪比分别提升0.33、0.30和0.11 dB,结构相似度分别提升0.017、0.005和0.007。

思政教育融入“遥感技术及图像处理”课程教学的探索与实践

课程思政教育在研究生培养中非常重要,不可替代。本文以学术研究生专业课“遥感技术及图像处理”为例,分析了该课程思政育人的优势,制订了课程思政教学周历,精心设计了思政元素融入环节,充分利用多样化的授课方式,动态更新“思政素材库”,构建“线上+线下”混合式教学模式,建立与课程相适应的课程考核体系,达到专业课程育人立德、渗透社会主义核心价值观、师生双赢的目的。

改进YOLOv4行人和车辆目标检测算法

针对传统行人和车辆检测方法中小目标检测精度低、识别效果差以及遮挡的行人目标漏检问题,提出了一种基于YOLOv4改进的行人车辆检测算法。在主干网络与特征融合模块之间增加卷积层,3×3的卷积增大感受野,随后1×1的卷积降维。多层卷积学习到更多的纹理信息,提高了网络对特征的感知能力。为了解决YOLOv4样本不平衡的问题,利用焦点损失函数在解决正负样本分布不平衡问题上的优势,在分类损失函数中添加了一个调制系数λ,使得算法能够减少分类样本的损失。在Udacity数据集上的实验结果表明,相较于YOLOv4,改进的算法在主观视觉上能够检测出更多的目标,并且mAP提升了3.16%。

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。

基于孪生网络的无人机遥感图像拼接

无人机(Unmanned aerial vehicle,UAV)遥感图像拼接是指将两幅或多幅具有相似场景内容的高分辨率无人机遥感图像拼接为一幅包含更多信息的大视野图像,在军事和地理测绘等领域得到了广泛应用。传统算法通常依赖于手工特征,无法有效地提取弱纹理图像的特征。若图像之间视差较大时,会导致拼接无法进行。为了解决上述问题,基于计算机视觉组(Visual Geometry Group-16,VGG-16)网络结合孪生网络框架提出了一种用于无人机遥感图像拼接的有监督模型。基于VGG-16网络设计了权值共享的孪生特征提取网络,解决特征提取不充分的问题。设计了能够回归图像之间空间变换关系的回归网络,并使用分组卷积代替普通卷积以提升网络速度。同时,为了解决将图像之间真实变换关系作为标签的图像拼接数据集难以获取的问题,基于一定程度的仿射变换,构建了自己的数据集。实验结果表明,本方法在无人机遥感图像拼接的主观视觉效果以及客观评价指标上均有较好的结果,与ORB算法(Oriented FAST and rotated BRIEF,ORB)和CAU-DHE算法(Content-aware unsupervised deep homography estimation,CAU-DHE)相比,主观视觉上图像拼接精度提升,结构相似性分别提高了约12.4%和2.3%,均方根误差分别降低了约15.0%和4.4%。

IHS变换与小波变换相结合的图像融合新方法

提出了一种IHS变换与小波变换相结合的图像融合新方法。对多光谱(TM)图像的强度分量和全色(PAN)图像分别进行小波分解,根据小波变换高低频分量的不同特点,分别采取不同的高低频融合准则形成新的小波高低频分量,再先后进行小波逆变换和IHS逆变换得到融合后的TM图像。实验结果表明,提出的图像融合算法明显改善了融合图像的客观评价和主观视觉效果。

改进的稀疏表示遥感图像超分辨重建

为了进一步提高遥感图像超分辨效果,提高超分辨重建速度。针对以往稀疏超分辨算法中更容易丢失边缘信息和引入噪声的问题,本文改进了特征提取算子,以对称近邻滤波(SNN)代替高斯滤波,重点解决特征空间中的字典学习问题。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率遥感图像进行7×7分块,生成字典训练样本。然后,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:与当前最先进的稀疏表示超分辨算法相比,本文算法得到的超分辨重建遥感图像的主观效果更好,恢复出更多的地物细节信息;客观评价参数峰值信噪比(PSNR)提高约1.7dB,结构相似性(SSIM)提高约0.016。改进的稀疏表示超分辨算法可以有效地提高遥感图像超分辨效果,同时降低重建时间。

基于灰度共生矩阵的脂肪肝B超图像特征提取

目的为脂肪肝病变的诊断提供一种定量分析的手段。方法本文针对实际采集的肝脏B超图像进行了研究,采用灰度共生矩阵法对肝脏B超图像进行了特征提取,对各个特征参数进行了计算和分析。结果与结论图像的处理分析结果表明正常肝与脂肪肝的能量、熵、反差分矩有着显著的差异,对于区分图像有很强的描述能力。

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。

图像超分辨BP神经网络的改进

为了进一步提高超分辨图像重建效果,针对前期研究的超分辨误差反向传播神经网络(back propagation neural network,BPNN)重建结果中存在的块痕迹问题加以改进和优化。对影响BPNN超分辨效果的两个关键问题进行改进:(1)网络训练样本问题,将8×8→16×16的映射方式改进为2×2→4×4的映射方式,同时,采用相邻仅间隔一个像素的方式优化构造训练样本;(2)加速网络训练收敛问题,将网络训练规则由BP算法改进为改进的比例共轭梯度算法。网络训练实验和泛化实验表明,改进方法增加了网络训练样本数量,改善了超分辨BPNN的输出图像质量,有效解决了超分辨结果中的块痕迹问题,使超分辨结果图像的峰值信噪比提高约8dB。

改进的PP-YOLO网络遥感图像目标检测

为了提高遥感图像目标检测精度,提出一种改进的PP-YOLO网络遥感图像目标检测方法。改进的PP-YOLO网络继承了骨干网络结构,改进了PP-YOLO网络的检测颈部分,在保持原检测颈框架基础上,在第4层和第5层加入了由低层网络向高层网络传达的通路,使得网络低层部分可以学习到高层部分的特征信息,加强高层网络学习的特征信息,在保证网络泛化能力的同时比未改进优化同骨干网络的PP-YOLO网络其平均精度均值(mAP)提高了4.4%。同时,优化了PP-YOLO网络训练策略,即基于遥感数据集特点,以更优的CutMix数据增强算法替换掉原有的Mixup数据增强算法,加入GridMask算法增强网络特征的学习,实验取得了最高89.3%的mAP,有效地提高了每一类目标实例的精度。

SOFM网络及其在MATLAB中的实现

本文详细叙述了自组织映射网络的原理、算法及其在Matlab中实现的工具箱,并结合实例给出了SOFM在Matlab上的实现方法,对于SOFM的现存问题和未来研究趋势作了分析和展望。

基于压缩感知的多光谱图像融合算法

为提高融合效果,降低融合时间,提出了一种基于压缩感知的多光谱图像融合算法。对多光谱图像的强度分量和全色图像分别进行小波分解,仅对高频细节分量进行压缩感知测量,得到对应的观测值矩阵,利用正交匹配追踪算法对高频系数进行恢复,再利用高频系数融合准则,得到融合后的高频细节分量,最后进行小波逆变换和IHS逆变换,得到融合后的多光谱图像。实验结果表明:本文提出的压缩感知多光谱图像融合算法明显改善了融合结果图像的主观视觉效果和客观评价指标,处理数据量大大减少,融合时间缩短约60 s。

3D打印技术对垦区食品制造业的机遇、挑战与对策

美国科幻作家罗伯特·希克利曾写过一个“万能制造机”的故事，故事里的人们带着一台“万能制造机”，想要什么就能生产什么。尽管现实远没有科幻小说描述的那么轻松，但现在确实有这样一种打印机——3D打印机。

基于贝塔过程联合字典学习的图像超分辨重建

为了提高图像超分辨效果,针对以往稀疏字典超分辨算法仅适用于单特征空间的问题,提出基于贝塔过程联合字典学习(BPJDL)的图像超分辨重建(SRR)方法。首先,根据图像退化模型生成训练样本图像,分别对高、低分辨率图像进行7×7分块,并利用吉布斯采样对图像块进行采样,生成字典训练样本。然后,依据贝塔过程先验模型,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,通过训练和更新字典,得到同时适用于两个特征空间的字典映射矩阵。最后,进行图像超分辨稀疏重构。实验结果表明:本文方法能以更小尺寸的稀疏字典重建超分辨图像,与当前最先进的稀疏表示超分辨算法相比,结果图像主观视觉上纹理细节信息更丰富,客观评价参数峰值信噪比(PSNR)提高约1.5 dB,结构相似性(SSIM)提高约0.02,超分辨重建时间降低约50 s。

蚁群聚类算法在高职院校教学评价系统中的应用研究

教学评价在高职院校教学管理中起到一个非常重要的作用,如何将蚁群聚类算法应用其中,从大量数据中找到有用于教学的信息至关重要.本论文基于学生评价的蚁群聚类算法应用以及详细分析过程,最终得出的结果对高职院校教学管理具有一定的理论指导作用.

蚁群动态调度算法在混流车间作业调度的应用

混流车间作业调度是实际生产环节中的一个重要问题,也是制造系统生产管理的核心,同时实际的生产系统是一个动态生产环境。文中提出蚁群动态调度算法,通过实例具体分析并且跟传统的启发式算法相比较,实验结果证明蚁群动态调度算法对混流车间作业调度问题有较优的加工路径。