基于矩阵形式的否定选择算法研究

现有的状态空间表示形式和匹配规则已经成为否定选择算法研究的瓶颈。为此,该文将状态空间从向量扩展到矩阵,提出了一种基于矩阵形式的否定选择算法。引入矩阵表示自我和非我空间,定义了元素匹配距离,在此基础上建立了双向匹配规则;同时根据状态空间特征建立了基于覆盖检验的检测器生成算法。实验结果表明该算法性能明显优于实值否定选择算法,有效解决了检测率和误报率联动的问题,且能产生更为高效的检测器。

非抽样轮廓波变换域图像融合方法研究

轮廓波变换由于不具备平移不变性,应用于图像融合会产生褶皱现象。针对轮廓波变换的这一不足,提出了一种基于非抽样轮廓波变换的图像融合算法。首先由非抽样金字塔和非抽样方向滤波器组对源图像进行多尺度、多方向分解,然后对得到的变换系数进行融合处理得到融合系数,最后对融合系数进行重构即可得到融合图像。算法将具备平移不变性的非抽样轮廓波变换应用于图像融合,消除了褶皱现象,获得了更好的融合效果。实验结果表明,与其他基于多分辨率分解的融合算法相比,该算法显著减小了融合图像的MSE及ΔH,提高了Correlation值及融合图像的清晰度,是一种有效的融合算法。

基于局部模糊熵与Otsu的图像阈值分割

传统的图像阈值分割方法对噪声和灰度不均匀敏感,且阈值的确定主要依赖于灰度直方图,未考虑图像中像素的空间信息。通过对含噪声图像像素属性的深入分析,提出了一种基于局部模糊熵和Otsu的图像阈值分割方法。局部模糊熵的滤波作用提高了算法的抗噪性,Otsu的自动阈值选取则提高了算法的可靠性。实验结果表明,该方法能自动、有效地选取阈值,分割效果优于传统的阈值分割方法。

基于代码检测的软件故障定位方法

针对现有软件故障定位方法的缺陷,提出了一种基于代码检测的软件故障定位方法,用嵌入式模块获取软件发生故障时的模块运行序列,分析出软件故障可疑模块集及其故障系数,在此基础上对故障模块进行代码的分类检测,根据上述过程中得到的结果进行综合分析运算,得出软件故障的可疑代码集和故障系数,采用代码分析辅助工具进行排查,定位故障。该方法已成功应用于软件密集型系统的故障诊断,能快速有效地实现软件故障定位。

基于神经网络的头骨模型三维测量方法

研究了用普通数码相机多视角拍摄头骨模型,获取头骨三维数据并进行三维重构的方法。该方法采用人工神经网络技术实现图象坐标系到世界坐标系的映射,采用基于区域相关性的点匹配方法获得一系列的匹配点对后,即可获得较多的头骨模型表面三维数据,从而完成对头骨模型的三维测量。最后,利用仿真实验验证了该方法的有效性和可行性。

二维间歇采样延迟转发SAR干扰技术及其应用

为确保重要目标的信息安全,提出了一种二维间歇采样延迟转发的SAR干扰技术,该技术直接攻击SAR的脉内相干特性,使雷达在干扰机附近的距离向和方位向同时产生多个以主假目标为中心对称分布的逼真假目标串,干扰效果取决于距离向和方位向的采样周期和占空比。因结合延迟转发技术,产生的距离向主假目标和方位向主假目标将不再重叠,且会偏离干扰机的所在位置,既可得到逼真的干扰效果,又保护了干扰机的安全。针对现有文献研究干扰技术多、研究应用少的问题,建立了二维间歇采样转发干扰技术的应用模型,给出了高阶假目标能量补偿的调制系数。仿真实验验证了上述理论和方法的有效性和优越性。

结合形态学属性断面与支持向量机的合成孔径雷达图像变化检测

针对传统合成孔径雷达(SAR)图像变化检测方法存在误差大、检测率低等问题,提出了一种基于形态学属性断面(MAP)的SAR图像变化检测方法。该方法利用MAP算法提取差异图像的几何结构特征,构造深入描述图像结构化信息的特征向量空间;在利用阈值法对图像进行分割的基础上,引入偏移因子,实现训练样本的自动选取;最后,用支持向量机(SVM)在多维特征空间中对图像进行变化类与非变化类的分类。实验结果显示:本文算法的检测结果优于基于高斯模型的KI阈值法(GM_KI)、基于广义高斯模型的KI阈值法(GGM_KI)和大津法(Otsu)等3种阈值法的检测结果,Kappa系数保持在0.87以上;当峰值信噪比(PSNR)介于[29,44]dB时,抗噪性能指标保持在0.97以上。这些结果证明了文中方法的有效性和优越性。

基于改进SIFT的SAR图像配准方法

针对尺度不变特征变换(SIFT)配准方法在处理SAR图像时精度不高的问题,提出一种基于改进SIFT的精确配准方法。在提取关键点SIFT描述子及其邻域多尺度自卷积矩不变特征的基础上,利用基于典型相关分析的融合算法对SIFT与矩不变特征进行融合,形成新的关键点描述子,使用阈值实现粗匹配,并结合关键点的距离与邻域灰度相关性构建相似矩阵,采用奇异值分解方法精确确定匹配点对,求出仿射变换模型参数,从而完成图像配准。实验结果表明,该方法的配准结果优于SIFT方法,且配准精度达到亚像素级。

KM-SVM法的SAR图像无监督变化检测

针对合成孔径雷达(synthetic aperture radar,SAR)图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K均值和支持向量机(K-means and support vector machine,KM-SVM)法SAR图像无监督变化检测。首先,不需要任何先验信息的条件下,利用K-means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明:该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。

基于脉间分段随机移频的合成孔径雷达干扰技术及其应用模型

为确保重要目标的信息安全,提出一种基于脉间分段随机移频的合成孔径雷达(SAR)干扰技术,该技术可在距离向产生若干条似噪干扰条带,脉间分段数决定条带的个数,移频量决定条带的位置和宽度,克服固定移频干扰无法掩护分布式目标的缺点,实现随机移频干扰条带单一的突破,且移频量的随机变化使得SAR无法找出移频规律,难以采取相应的对抗措施。针对干扰技术的特点,建立了具体的应用模型,给出该技术的实施步骤和方法。仿真实验验证了上述理论和方法的有效性和优越性。

基于MAP和RF的无监督SAR图像变化检测

基于形态学属性断面(MAP)和随机森林(RF)分类器,提出了无监督合成孔径雷达(SAR)图像变化检测方法.首先,利用MAP算法提取差异图像的几何结构特征,构造深入描述图像结构化信息的特征向量空间;然后,在结合阈值法和偏移因子自动选取训练样本的基础上,用RF分类器在多维特征空间中对图像进行变化与否的判别;最后,利用数学形态学方法对虚警进行滤除.实验结果表明,与传统的基于阈值的变化检测方法相比,该方法不仅能很好地检测出变化区域,而且具有更高的检测精度.

采用冗余提升的不可分离小波变换的点扩散函数估计

针对点扩散函数估计(Point Spread Function,PSF)不准确导致在气动退化图像盲复原处理后易造成振铃效应的问题,提出了一种改进的PSF估计方法,并将之应用于气动退化图像的复原处理中。具体做法是:构建平移不变的非下采样小波变换(NSWT),从而使之更易于处理图像奇异信息;基于小波变换模极大值和点扩散函数方差之间的关系,提出基于冗余提升NSWT的PSF估计方法;最后,将之应用于气动退化图像的盲复原中进行仿真验证。实验结果表明,使用改进后的PSF估计方法复原后的图像振铃效应等伪像程度显著减轻,图像质量明显改善,从而验证了构建的平移不变NSWT及改进PSF估计方法的有效性。

基于多尺度信息融合的SAR图像建筑物提取

根据高分辨力合成孔径雷达(SAR)图像中建筑物的特性,提出了一种基于多尺度信息融合的建筑物提取方法。以非下采样轮廓波变换(NSCT)为多尺度分析框架,通过融合基于NSCT低频子带的多尺度区域分析结果提取潜在建筑物区域;同时,融合基于NSCT高频信息的边缘检测结果与均值比算子结果提取边缘结构信息;在此基础上,结合区域与边缘结构信息对虚警进行滤除,对漏检建筑物进行补充,完成建筑物提取。实验结果显示:该方法优于基于多特征融合的建筑物检测算法,在实验所用图像上的平均查全率达到94%,表明文中方法的有效性。

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。

基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强,提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识,将粗糙集条件属性集中的梯度属性改进为引力场强度属性,从而实现对原图像的目标增强。与其他算法进行了实验比较,结果表明提出的改进算法相比于其他算法更适用于SAR图像特性,能更好地对舰船目标像素进行针对性增强,具备一定的工程应用价值。

基于改进SLIC算法的SAR图像海陆分割

海陆分割在提高SAR图像舰船目标检测精度方面具有十分重要的意义。针对传统算法不能很好地对SAR图像进行海陆分割,提出了基于改进SLIC超像素分割和分层区域合并准则(HSWO)的海陆分割算法。针对SAR图像统计特性,首先对SLIC超像素分割和HSWO算法模型分别进行改进,然后用SLIC超像素分割算法对图像进行超像素分割,并按照分层区域合并准则对超像素块进行聚类,最终实现海陆分割。实验表明,所提出的改进模型具有较高的处理精度和处理效率,相比于其他算法更适用于SAR图像的海陆分割,具备一定的工程应用价值。