功能解耦和谱特征融合的雪霾消除模型

针对车载相机受雪花、雾霾影响,导致采集图像出现雪花遮挡和雾霾面纱效应问题,基于图像边缘纹理和图像色彩分离重建的思想,提出功能解耦、双重监督的雪霾消除网络。所提算法通过对图像边缘纹理和色彩信息进行分离重建,将雪霾消除任务解耦为背景纹理修复与色彩重建两个子任务,并用双生成对抗网络分别进行边缘纹理和色彩特征的协同重建。算法在SRRS-6000数据集上进行消融测试,验证了双重监督对网络加速收敛的有效性和噪声消除的显著效果,模型在Snow100K-S、Snow100K-M、Snow100K-L、I&O-Haze数据集上进行测试,峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)分别达到33.29 dB和0.94、32.8 dB和0.9316、30.13 dB和0.93、25.88 dB和0.82。实验结果表明,通过对图像去噪任务进行解耦和双重监督,取得了高效的雪花、雾霾消除效果,增强了无人驾驶辅助系统在复杂天气条件下的适应性。

基于傅里叶变换的遥感图像配准算法

提出了一种基于傅里叶的遥感图像自动配准方法,图像间的变化包括平移、旋转及比例变化。该方法是傅里叶相位相关技术的扩展,其主要优点是在不需要寻找控制点和传感器参数的情况下进行图像自动配准。通过对数-极坐标变换、利用傅里叶变换的比例特性和旋转特性搜索图像间的比例和旋转变化,利用傅里叶的相位相关技术(能量谱)确定图像间的平移关系,实验结果表明了此方法的可行性和有效性。

基于互信息的分层遥感图像配准方法

该文提出了一种基于互信息相似性判据的分层遥感图像配准方法,通过小波变换构造图像金字塔,从金字塔的最顶层开始搜索,根据互信息最大的原则确定图像间的变换参数,并作为下一层搜索的粗略位置,然后逐层细化,实现由粗到细的搜索过程。将此算法应用于遥感图像,得到了有效、精确的配准结果。从而证明了该文算法的可行性和有效性。

基于小波变换局部方差的遥感图像融合

为了充分利用各种感图像的信息 ,在分析以往图像融合方法优缺点的基础上提出了基于小波变换局部方差的融合方法 ,将各源图像进行小波分解 ,采用局部方差准则融合源图像的各分解层 ,再进行小波逆变换得到融合图像 .利用信息熵等标准和其他融合方法进行比较 。

基于方向梯度局部方差的分层遥感图像融合

为了充分利用各种遥感图像的信息 ,本文对以往图像融合技术进行了简要的概述 ,分析了各种方法的优缺点 ,给出了一种新的基于方向梯度局部方差的金字塔图像融合方法。将各源图像进行金字塔分解 ,得到多分辨率描述 ,建立方向梯度金字塔 ,采用局部方差准则融合源图像的各分解层 ,再进行金字塔分解的逆变换 ,得到融合图像。此外 ,利用信息熵等准则和其他融合方法进行比较 。

基于融合及数学形态学的遥感图像目标检测

提出了一种基于融合及数学形态学的遥感图像目标检测的新方法。在分析了steerable金字塔变换特性的基础上,采用合理的融合规则将两幅遥感图像进行融合,得到了目标更为清晰的增强图像,有利于进一步的目标检测。然后再利用数学形态学方法及目标的特征对融合后的目标进行检测,得到了满意的检测效果,实验结果表明了本文所提方法的有效性。

基于FFT与互信息准则的分层遥感图像配准

提出了一种基于傅立叶变换和互信息准则的分层遥感图像自动配准方法。通过小波变换构造图像金字塔;在小波分解的最顶层,采用基于傅立叶变换的方法确定图像间的变换参数,并作为下一层搜索的粗略位置;然后根据互信息最大的原则逐层细化,直到最底层。试验结果表明:采用所提的方法,克服了基于互信息准则的分层配准方法耗时长的缺点,且利用分层细化的搜索策略增加了基于傅立叶变换的误差修正过程,提高了配准精度。

基于卷积长短期记忆的残差注意力去雨网络

无人驾驶汽车在雨天环境中行驶,由于车载相机采集的图片包含雨纹噪声,导致无人驾驶系统的目标检测精度降低,关键目标识别困难。为解决这些问题,提出了一种基于卷积长短期记忆的残差注意力去雨网络。首先提出卷积长短期记忆(CLSTM)单元对不同尺度的雨纹分布进行学习,然后使用残差通道注意力机制对雨纹进行提取,最后将雨图与雨纹提取信息相减得到修复后的背景图。为确定最优的网络结构,对各网络模块进行消融实验,然后选择去雨效果最优的结构作为去雨网络。通过对网络参数的不断优化,所提算法在数据集Rain100H、Rain100L、Real200上进行测试,结果显示该算法的峰值信噪比(PSNR)分别达到29.1 dB、33.1 dB、32.4 dB,结构相似性(SSIM)分别达到0.89、0.94和0.93。实验结果表明,通过生成对抗网络(GAN)判别器对雨纹去除效果的额外监督,所提算法取得了明显的雨纹去除效果,增强了无人驾驶系统在复杂降雨条件下的环境感知能力。

提高电子商务概论教学质量的探讨

为了提高电子商务课程的教学质量和教学效果,该文分析了该课程的特点及存在的问题,从教学内容、教学方法、实践环节等方面进行了思考和探讨,提出了具体的教学策略。

基于梯度修正和区域合并的分水岭分割算法

分水岭是一种有效的图像分割方法,但存在过分割现象,为此提出了一种改进的分水岭分割方法,该方法首先利用形态学算子得到梯度图像,然后利用形态学混合开闭重构算子进行梯度修正,去除了易造成过分割的区域细节和噪声,接着采用基于标记的分水岭算法进行分割,有效地克服了过分割现象。为了得到更好的分割效果,提出了基于区域一致性和边界曲率光滑性相结合的区域合并准则,对分割后的图像进行有效的合并,该方法能够很好的解决过分割现象,并且产生更有意义的分割效果。通过多组实验,并且和传统的分水岭算法进行对比,得到了满意的效果,结果表明了该方法的有效性。

基于边缘和纹理特征相结合的快速人脸精确定位方法

静态复杂背景灰度图像的人脸快速精确定位问题,是近年来迫切需要解决和完善的问题。该文将快速简单的大面积搜索算法和复杂精细的分析算法相结合,提出了一种椭圆弦箭算法,该算法利用图像的边缘快速确定搜索空间,并在搜索空间内使用虹膜网格采样矩阵进行纹理分析,采用在频域中按指数增长的分布方式设计Gabor滤波器,进一步提高了Gabor滤波器纹理分析效率,从而精确定位人眼和嘴。该文算法复杂度适中,运算量较小,定位精度较高,鲁棒性好,有很大的实用价值。

基于H263/TMN8的前后景码率分配及控制

在H2 6 3/TMN8的控制技术基础上 ,提出可控的前后景码率分配算法、前景区优先编码策略以及优化的量化编码次序 .可以仅使用一个控制参数来控制前后景的码率分配 ,并且编码后码流仍符合标准H2 6 3码流 .试验结果表明 ,该算法在低比特率的情况下视频图像的主观质量要优于TMN8,非常适合窄信道视频通信的应用 .

一种基于Agent技术的入侵检测系统模型

本文首先指出了将Agent技术应用于入侵检测系统的优势,依据入侵检测系统的特点给出了主机的状态转换图,并提出了一个入侵检测模型,该模型的主机中有数据异常检测Agent、特征提取Agent、数据一致性检测Agent、完整性检测Agent以及日志处理,Agent通过学习机制建立行为库,对行为库里的信息进行推理获得入侵规则信息并将其加入到入侵规则库.最后用Aglet技术对该模型进行了仿真和实现,得出基于Agent的入侵检测技术具有较高的检测率及较低的误报率。

基于CSP改进用于拥挤情况的行人检测算法

随着深度学习的迅速发展,采用卷积神经网络提取图像的特征,用于行人检测技术取得了显著成就,但在拥挤情况下,由于行人间的相互遮挡,以及行人尺度的多变性,当前的行人检测效果还有待进一步提升。为解决这一问题,把行人的中心点和身高作为行人的高级语义特征,使用深度残差网络(ResNet-50)作为图像特征提取的主干网络,结合特征金子塔的特征融合策略,将浅层的位置信息与深层的语义信息进行融合。使用多尺度行人预测的方法对不同尺度的行人进行预测,预测的结果采用DIoU-NMS处理算法,删除同一个行人的重复预测框。并对不同DIoU-NMS阈值对严重遮挡和无遮挡的行人预测效果进行了研究。实验在Cityperson数据集上进行训练与验证,结果表明在一定范围内随着DIoU-NMS阈值的增加,严重遮挡和无遮挡的漏检率先降低,随后保持平稳变化。实验表明该算法在行人拥挤情况下,严重遮挡和无遮挡两种评价指标相比当前的行人检测算法的检测性能有所提升。

数学形态学在织物疵点检测中的应用

针对织物常见的破洞、断经和缺纬3类疵点,提出了一种基于数学形态学的疵点检测方法.利用自相关函数和FFT找出织物经纬结构的重复单元,以其为依据,用形态学中腐蚀背景和膨胀目标的方法检测图像中的疵点信息,在传统的形态学处理法之后,采用开运算进一步地消除噪声,突出疵点,在此基础上,利用MATLAB语言开发了系统原型,通过实验验证了形态学检测疵点的可行性.

基于组卷积特征融合的One-Stage目标检测模型

由于移动终端计算能力和内存大小的限制,在移动设备上进行实时目标检测具有非常大的挑战性。为了更好地在无人驾驶汽车等移动设备上进行目标检测,该文以YOLOv3单阶段目标检测模型为基础,对部署在移动设备上的目标检测模型进行优化,以提高模型的检测精度(MAP)并降低计算复杂度。具体改进措施为:基于DarkNet-53为主干网络引入组卷积和通道洗牌技术;基于M.G.Hluchyj等学者提出的网络设计指导原则,对主干网络的残差单元和下采样单元进行修改优化;为减轻YOLOv3模型对于密集目标的漏选和标签重写问题,引入特征混合金字塔模型。通过在Pascal VOC2007和VOC2012数据集上进行实验对比,优化模型的整体精度较YOLOv3提高8.17%,模型参数量降低1.21 M,在与YOLOv4的参数量大体相等的情况下达到了YOLOv4的检测精度。

基于多项式曲线拟合的车道线检测

针对无人驾驶行车车道线检测功能模块的实现问题,提出一种基于多项式曲线拟合算法的车道线检测方法。首先,对图像颜色空间进行变换,通过梯度预处理得到一个能基本消除背景噪声的二值图像;然后,经透视变换将二值图像处理成鸟瞰图像,通过检测鸟瞰图像的像素直方图曲线得到车道线的基点;最后使用纵向滑动窗口技术和多项式曲线拟合车道线方程来绘制车道线,将计算出的车道线像素点坐标映射到原图像中,并对高亮显示的车道线、车辆行驶区域、车道线曲率和车辆位置进行评估和视频展示。由对比实验可知,该方法能够解决无人驾驶中对车道线的检测和识别问题,且效果优于霍夫变换检测方法。

基于区域推荐和深度卷积网络的交通目标检测

为解决传统目标检测算法需要人工设定目标特征、使用滑动窗法判断目标可能区域耗时等问题,将基于区域推荐和深度卷积网络用于交通目标检测,直接从原始图像提取特征,免去了人工选取特征的环节;解决了滑动窗口法耗时的问题.首先采用Selective Search方法在源图像上生成大量的候选区域,以这些候选区域作为输入样本,训练深度卷积网络学习算法,自动进行特征提取,对每个候选区提取的特征采用SVM分类器进行分类,最后基于贪婪非极大值抑制方法精修候选框的位置.此算法通过matlab编程分别对单目标、多目标及多类交通目标进行检测实验,证明了所提方法的可行性和有效性.