新工科人工智能创新人才培养的教学设计与实践——以计算机视觉课程为例

针对人工智能技术飞速发展对高等教育新工科专业提出的“多学科交叉汇聚,多技术跨界融合”人才培养需求,分析了计算机视觉课程的现状及问题。在古语“夫合羹之美,在于合异”的启示下,从融合多维教学资源,实施多样学习活动,培养多元创新能力等方面,提出了开展计算机视觉课程的教学创新设计的途径。

小波域局部贝叶斯阈值的SAR图像斑点抑制算法

提出了一种抑制SAR图像斑点噪声的小波域贝叶斯软阈值方法。该算法不同于有偏的去除乘性噪声的同态滤波算法,而是将噪声转化为局部平稳的加性白噪声。在非下采样小波子带上,视数给定时该算法可以简洁有效地估计局部加性噪声方差。在实验中,该算法同Kuan,Lee和Argenti等算法作了比较,结果表明,在常用性能指标上所提算法优于其它算法。

小波变换实现图像导向滤波

导向滤波器是一类能够实现图像方向滤波的滤波器组,它比方向滤波器计算量小并且可以实现各个方向的滤波处理。该文把小波函数和多分辨关系引入到导向滤波处理过程中,实现了图像的方向滤波。实验验证了小波可以从图像中提取更多方向的信息,表明新导向滤波的有效性。

基于广义高斯最大似然估计的小波域类LMMSE滤波算法

基于小波系数服从广义高斯分布,该文采用最大似然(ML)准则估计普通图像在子带上的系数方差。该文提出的估计子是一个子带自适应因子和一个β次幂均值的乘积。与最近提出的SI-AdaptShr,LAWMAP和其它一些算法相比,所提出的算法取得了更好的去噪效果。进一步,一种简化的算法产生用于去除SAR图像的斑点噪声。这种新算法可以大大减少运算量,对大尺度的SAR图像后处理有帮助。

雷达高重频波形运动累积测距算法

提出了一类新的称为运动累积测距的测距算法,该测距算法基于运动效应通过雷达与目标间不同时刻的距离特点确定目标的距离值。运动累积测距算法工作在高重频(pulse repetition frequency,PRF)脉冲多普勒模式下,通过计算雷达接收回波的信号强度变化确定目标的位置。给出运动累积测距算法的理论、计算方法并在实验部分给出运动累积测距算法的仿真结果。实验结果表明雷达高重频波形运动累积测距算法可以准确地估计目标的距离值。

基于三步搜索算法的解距离模糊方法

一维聚类距离解模糊算法是雷达探测中常用的稳健解模糊算法。该算法通过优化最小误差获得当前视在距离的不模糊距离值。基于逐步减少测距误差的思路,提出了三步搜索算法解距离模糊。首先对距离误差限定三个不同的误差要求,然后代价误差由大到小逐步加严,同时在前步距离区间的基础上逐步缩减不模糊距离的区间范围,直到解得不模糊距离。仿真实验结果表明三步搜索算法的有效性。

方向采样的离散方向滤波器实现导向滤波

针对在图像处理中被广泛使用的导向滤波器,提出了一种比较实际的问题,即方向滤波器为方向上采样的一组离散滤波器,而且它们的解析表达式不知道的情形。为减少运算量,方形边框上旋转的方式被提出,这样旋转变换不涉及正弦、余弦三角运算。仿真实验结果验证了所提算法的有效性。同时还给出了一个有意义的结果,利用小波实现近似导向的方向滤波。

加权快速聚类距离解模糊算法

距离模糊是雷达系统中重频工作模式下必须考虑的问题,而多重频技术是解距离模糊常见的信号波形设计方案。一维聚类算法可根据雷达不同重频的测量视在距离稳健地求解目标不模糊距离,但一维聚类算法在排序效率和根据测距信噪比估计目标不模糊距离性能两方面存在不足。加权快速聚类距离解模糊算法首先提出快速聚类算法提高解模糊时的排序效率,继而采用加权方式提高目标不模糊距离的估计性能。快速聚类算法的仿真试验结果表明快速聚类算法解距离模糊是一种实用的快速解距离模糊算法。

基于小波域非对称广义Gauss分布纹理的SAR图像盲去噪

SAR图像盲去噪对后续图像处理具有重要的意义,结合非对称广义Gauss分布提出了新的Wiener滤波算法.首先广义Gauss分布函数被推广到非对称广义Gauss函数,用来描述SAR图像纹理特征.利用该纹理模型,由最大似然准则估计图像小波域的局部信号方差.实验表明非对称广义Gauss分布盲去噪算法能够有效地滤除斑点噪声同时较好地保持图像纹理信息.

边缘深度挖掘的弱监督显著性目标检测

基于深度学习的显著性目标检测算法大多依赖于大规模标注数据下的监督学习模式,但是,样本的像素级标签存在获取困难、标注成本高的问题。为此,设计一种边缘深度挖掘的弱监督显著性目标检测算法,仅使用图像级类别标签,从输入图像的显著性目标边缘角度得到能够较准确描述目标轮廓信息的边缘特征图,以生成伪标签对显著性模型进行监督训练。通过粗糙边缘生成模块对显著性目标轮廓特征进行简单标定,用于获取粗糙边缘特征图。在此基础上,利用精细边缘生成模块优化特征以得到精细边缘特征图,能够更准确地反映目标的边界信息,在完整刻画轮廓信息的同时可以更好地抑制背景噪声。伪标签生成模块基于精细边缘特征图生成像素级伪标签。实验结果表明,相比MSW、MFNet、NSAL等算法,该算法能够准确识别显著性区域,获得的预测图具有较完整的细节信息,其中,在ECSSD数据集上S-measure值和E-measure值相较于第2名NSAL算法分别提高1.1和0.6个百分点。

基于点特征的干涉合成孔径雷达复图像自动配准算法

在基于点特征的遥感图像配准过程中,特征点的自动提取和准确匹配是影响配准精度的关键。提出了一种干涉合成孔径雷达(InSAR)复图像对的自动配准算法,利用特征点的高曲率结构设计了模板,完成了特征点检测;根据匹配点对之间距离相近的结论设计了匹配算法,进行了特征点对的匹配。首先通过边缘检测和模板相关提取特征点;其次根据提出的匹配算法建立点的对应关系;最后利用两步法完成复图像的亚像元级配准。实验结果表明,该算法具有较高的配准精度。

基于自适应窗的小波域图像去噪算法

提出了一种利用自适应窗的小波域双重局部维纳滤波图像去噪算法。综合考虑小波分解后各个子带中能量分布的方向特性和图像本身的边缘和纹理特性,该算法首先估计每个子带中信号的能量分布进而在每个子带中确定自适应窗,然后利用自适应窗估计出的能量分布对含噪图像进行双重维纳滤波来去除噪声。实验结果表明该算法对含噪图像去噪的效果优于已有的采用二维可分实小波进行图像去噪的算法。

基于曲线拟合的干涉合成孔径雷达(InSAR)复图像自动配准算法

由于乘性噪声和相干斑的存在,干涉合成孔径雷达(InSAR)复图像对的配准算法比传统的图像配准算法更困难。该文提出了一种基于B-样条曲线拟合和匹配的InSAR复图像对的自动配准算法,能够有效地配准InSAR复图像对。在利用最小二乘法建立配准参数后,应用两步法完成了亚像元级配准。实验结果表明,该算法具有较高的精度和稳健性。

干涉合成孔径雷达复图像自动配准算法

提出了一种基于曲线特征的干涉合成孔径雷达(InSAR)复图像对的自动配准算法.该算法借助于B-样条拟合特征曲线,利用BFGS拟牛顿法加速最小均方误差拟合,通过相干系数法实现了曲线段的匹配,采用最小二乘法计算仿射变换参数.基于实测数据的实验结果表明,该算法具有精度高、稳健性强和计算复杂性较小的特点.

基于Beamlet的图像线特征提取方法

提出一种基于Beamlet变换图像线特征提取方法。用基于方向窗的方向滤波突显图像中不同方向的线特征,通过阈值处理将灰度图像转换为一组二值图像,利用逻辑或运算融合成一幅图像,用Beamlet变换从融合图像中提取图像的线特征和曲线特征。实验结果表明,在信噪比很低的情况下该方法能够得到满意的结果。

信号处理系统的AD有效位数

数字信号处理采用FPGA或DSP处理器来完成,而实际物理信号都以模拟形式存在。两者之间通过AD转换或DA转换联系起来,AD转换器是数字信号处理的重要器件。AD器件的性能决定了处理的数字信号的质量。有效位数是ADC的重要参数指标,如何测量系统的AD有效位数评估信号处理系统是我们面临的实际问题。参考测量AD有效位数的相关方法和公式,提出了实用测量方式。根据信号或通讯系统本身的特点,测量AD有效位数能有效地衡量系统动态范围。

正确认识护理专业 促进护理学科发展

从国内外护理管理、护理教育、护理科研等方面的发展看．护理学已形成了一套完整的理论体系。但从护理的临床实践看，护理学没有发挥出其专业特性。国内外护理的临床实践发展极不平衡，西方国家对护理重视程度高，护理人员的独立性强；而中国的护理管理、工作模式及人员素质等方面与西方国家存在较大的差距，没有发挥护理专业的功能，所以必须尽快改变临床护理实践中存在的问题，将护理理论很好地应用于护理实践．真正体现以病人为中心的护理。

结合图像显著与灰度不一致性的目标自动提取

该文将图像过分割技术与图像显著性相结合,提出了一种基于图像显著性与灰度不一致性的目标自动提取方法。该方法可在没有任何人工干预的情况下准确地提取出图像的感兴趣目标。首先,通过像素不一致性因子和邻域不一致性因子确定出图像的不一致性种子点和一致性种子点;然后,使用等价类划分的方法对两类种子点分别进行生长,得到不同的等价类,合并残余类之后得到图像的初分割块;最后由初分割结果结合显著性检测算法提取出完整的感兴趣目标。考虑到像素的局部邻域信息,首次将图像的底层特征——像素的灰度不一致性应用于图像分割,并以此为基础进行目标提取。实验表明,该方法能够有效地实现显著目标的自动提取。

时空渐进式学习的视频显著性目标检测

视频显著性目标检测需要同时结合空间信息和时间信息,连续地定位视频序列中与运动相关的显著性目标,其核心问题在于如何高效地刻画运动目标的时空特征.现有的视频显著性目标检测算法大多使用光流,ConvLSTM以及3D卷积等提取时域特征,缺乏对时间信息的连续学习能力.为此,设计了一种鲁棒的时空渐进式学习网络(spatial-temporal progressive learning network,STPLNet),以完成对视频序列中显著性目标的高效定位.在空间域中使用一种U型结构对各视频帧进行编码解码,在时间域中通过学习视频序列中帧间运动目标的主体部分和形变区域特征,渐进地对运动目标特征进行编码,能够捕捉到目标的时间相关性特征和运动趋向性.在4个公开数据集上与13个主流的视频显著性目标检测算法进行一系列对比实验,所提出的模型在多个指标(maxF,Smeasure(S),MAE)上达到了最优结果,同时在运行速度上具有较好的实时性.