基于统计特征的GAC模型SAR图像分割

提出了一种基于统计特征定义边缘检测算子的测地活动轮廓(GAC)模型,并用于SAR图像分割中。首先,根据图像上每个点四个不同方向邻域统计特征的异同,计算边缘检测算子,得到GAC模型的能量泛函。其次,最小化能量泛函,得到曲线演化偏微分方程,水平集方法数值求解,最终完成SAR图像的分割。实验表明,与传统依赖图像梯度定义检测算子的GAC方法相比,文中的方法完全适用于SAR图像分割,不需要噪声的预处理过程,拓展了GAC模型的应用范围,提高了目标的正确识别率。

基于统计模型的变分水平集SAR图像分割方法

针对SAR图像感兴趣区域分割问题,提出了一种基于统计模型的变分水平集分割方法。该方法在分析SAR图像特征的基础上,利用相干斑噪声的统计模型直接定义了关于水平集函数的能量泛函,不同于一般水平集方法中关于参数化曲线的能量泛函。通过极小化能量泛函,建立了水平集函数演化的偏微分方程。对水平集演化方程的数值求解,实现了对SAR图像感兴趣区域的分割。分别采用模拟和真实SAR图像对提出的方法进行了验证,试验结果表明该方法充分利用了SAR图像的特征信息,不需要相干斑噪声预处理,能够准确实现对SAR图像感兴趣区域的分割。

融合区域和边界信息的水平集SAR图像分割方法

提出了一种基于区域和边界信息的水平集SAR图像分割方法。该方法根据SAR图像的区域统计特征和边界梯度信息,建立SAR图像分割能量泛函模型;通过最小化能量泛函得到曲线演化偏微分方程;采用水平集方法求解演化方程,实现了SAR图像的分割。分别采用模拟和真实SAR图像对该方法进行了仿真。实验结果表明,该方法能充分利用SAR图像特征,不需要去除相干斑噪声的预处理过程,实现了对图像中目标与背景的正确分割。

OPC UA与5G融合在工业测试床的应用

从“工业4.0”和“中国制造2025”战略提出后,信息化与工业化深度融合,信息技术融入到工业生产的各个环节。由工业设备所产生、采集和处理的数据量越来越多,而5G技术能够满足智能制造的海量数据传输、存储、云计算与决策的需求。从解决IT(Internet Technology)与OT(Operation Technology)融合难点出发,并结合目前受工业领域重视的一种解决方案--OPC UA(OPC UA Unified Architecture)和TSN(Time Sensitive Networking)融合技术,提出了OPC UA与5G的数据融合方案,旨在解决OPC UA与5G蜂窝网络的传输映射问题。所提出的PCF(Policy and Charging Function)和AF(Application Function)通过N5接口使用HTTP协议进行数据交互,并且通过实验室工业场景进行验证。