改进Fast ACE结合边缘检测的预处理算法研究

室内建图时,因采集的图像纹理性稀缺且噪声大,导致其匹配精确度较低。鉴于此,提出一种图像预处理方法。首先,在快速自动色彩均衡(Fast ACE)算法中引入Laplace Operator,得到一种改进Fast ACE算法,将其应用在原图像中得到增强图像。然后,使用Canny算法提取增强图像的边缘图像,并采用线性混合数学模型融合原图像与边缘图像。最后,利用AKAZE与ORB算法提取融合图像的特征点进行暴力匹配,使用随机抽样一致算法(RANSAC)进行误匹配筛选。实验表明,预处理后的图像进行匹配时,精确度明显提高。

基于自适应的AGAST特征均匀化提取算法

特征点的提取速率和均匀程度对视觉SLAM的性能具有重要影响。为了提高传统视觉SLAM系统的特征提取速率,实现对图像特征的均匀化提取,提出了一种基于自适应阈值的AGAST特征均匀化提取算法(QOARB)。首先,通过构建图像金字塔,实现特征点的尺度不变性;其次,根据图像灰度值与方差计算AGAST角点的初始提取阈值,提高算法在不同图像上的特征提取速率;接着,用改进的四叉树方法来均匀筛选特征点;最后,采用灰度质心法,实现特征点的旋转不变性。实验结果表明,相较于ORB-SLAM2中的特征提取方法,本文提出的QOARB算法在保证特征点均匀程度的同时,特征提取速率提高了10.65%,匹配正确率和正确匹配数分别提升1.01%和6%。

基于KNN分类算法的n-γ脉冲信号甄别仿真研究

利用脉冲形状甄别(PSD)法区分中子和γ射线脉冲信号是核探测过程中一项重要的任务。本文基于Labview平台实现了n/γ脉冲信号的仿真及信号预处理过程,分别利用传统的甄别方法电荷比较法、脉冲梯度分析(PGA)法及上升时间法对所产生的n/γ脉冲信号进行甄别,筛选出以上3种甄别方法结果一致的中子和γ射线混合脉冲信号作为KNN分类算法的训练集。通过训练样本构建KNN分类模型,使得能够通过该模型实现中子和γ射线脉冲信号的分类。结果表明,基于KNN分类算法的中子和γ射线脉冲信号甄别准确率高达99.58%,与电荷比较法,上升时间法和PGA方法相比,甄别错误率显著降低。并且KNN分类算法原理简单,易于实现,因此可应用于实际混合场中的n-γ脉冲甄别。