限制对比度的多层POSHE自适应图像增强算法

部分子块重叠直方图均衡算法(POSHE)是一种常用的图像增强方法,由于该算法存在过增强和块效应问题,不利于目标的识别和跟踪。为解决该问题,提出限制对比度的多层POSHE图像增强方法(CLMPOSHE),通过对每层子块对比度自适应限制来消除过增强现象,然后采用多层POSHE增强处理,最后将每层改进的POSHE处理结果自适应加权融合。大量实验仿真表明,该方法能有效增强雾天图像。

基于FPGA的实时视频增强

在图像制导应用中,针对雾霾等恶劣天气情况下形成的低对比度图像中目标跟踪稳定性不高的问题,需要对输入的低对比度视频图像进行实时增强预处理。限制对比度自适应直方图均衡算法(Contrast Limited Adaptive Histogram Equalization,CLAHE)是一种增强效果较好、计算简单且易于并行实现的方法,重点研究CLAHE算法架构以及FPGA硬件实现过程,并在Xilinx公司的Virtex-5系列FPGA硬件平台和MODELSIM仿真软件上对算法进行了时序分析、增强效果验证。通过软件仿真和实际平台测试验证,设计正确可行,在实时增强的基础上有效提高目标跟踪精度。

检测图像角点自适应确定跟踪模板的方法

基于区域的跟踪方法,其跟踪模板的大小和位置对跟踪结果的影响十分显著,本文通过分析模板视觉显著性特征,提出采用AGAST快速角点检测方法,计算角点间相对距离,分析角点位置分布来自适应确定模板大小和位置,从而提高相关匹配跟踪算法的适应能力。仿真试验结果表明,该方法确定的模板能较好的包含目标显著性视觉特征,并且具有计算速度快,稳健性高,能有效提高采用区域模板匹配方法的跟踪性能。

带宽自适应的Mean-Shift跟踪算法研究

针对图像跟踪中目标的尺度和旋转变化,将Lindeberg的尺度理论与Mean-Shift算法结合起来,提出了一种带宽自适应Mean-Shift跟踪算法。该算法在Mean-Shift的框架下,将尺度和旋转量与平移量同等看待,通过求解核函数带宽,计算出目标的变化参数,最终精确定位目标。另外,引入SAD算法对目标进行先期粗略定位,克服了目标做无规律大位移运动时Mean-Shift算法跟踪效果不佳的问题,同时也降低了Mean-Shift算法的迭代收敛次数。大量实验仿真表明,该算法对目标的仿射变化、非刚性形态变化,以及无规律的大位移运动具有有效性和鲁棒性。

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。