基于梯度极值Otsu算法的Canny边缘检测改进

针对Canny算法椒盐噪声敏感、滤波后图像边缘模糊、梯度计算不准确、阈值设定困难等问题,建立一种能够在滤波时保留边缘信息且根据图像梯度极值合理选取高低阈值,提高定位准确性的改进Canny算法。首先用K-近邻均值滤波代替高斯滤波,在保留图像边缘信息的同时增强了去噪能力。其次,利用Scharr算子代替原有的梯度模板计算图像梯度,改进算子内核,使计算结果更加准确,同时减少运算时间;最后,在非极大值抑制之后,对梯度图使用带抑制因子的Otsu算法,自适应选取Canny算法中的高、低阈值。仿真实验结果表明,该算法具有良好的信噪比、边缘检测效果及自适应性。

红外光谱特征提取及目标聚类方法

针对传统红外光谱分析方法通常采用单一的数据压缩方法导致数据丢失,以及给后续的目标聚类带来较大误差的问题,提出了一种基于主元分析和深度神经网络的多视角红外光谱聚类算法。利用傅里叶变换红外光谱仪测量不同目标在不同温度下(2~14μm波段)的红外辐射亮度,分别使用非线性和多点插值对数据进行校准,将处理后的光谱辐射亮度数据作为算法的输入。通过主元分析方法、去噪自编码器和线性判别分析法对高维亮度数据进行数据压缩和特征提取,充分保留了目标红外亮度谱的有效信息。利用多视角谱聚类算法对以上方法提取到的特征向量进行计算,最终得到聚类结果。在3个不同类型数据集上进行实验,并分别与传统特征提取和单视角聚类方法进行对比,结果表明:该方法的准确率(ACC)在3个数据集上比最优的单视角特征聚类方法分别提高了6.21%、2.19%、5.06%,比其他单特征聚类算法在标准互信息(NMI)、加权调和系数(F-score)指标上也均有明显提高。与传统红外光谱分析和聚类方法相比,能够更好地保留红外光谱亮度数据的多样性,可有效提高聚类准确性,并且具有良好的适应性和鲁棒性。