工业机器人视觉图像的质量评价方法研究

工业机器人视觉系统在校准和标定过程中需要对成像质量进行客观评价,而在参考图像已知的情况下,现有图像质量评价方法无法有效表征图像局部结构差异,难以充分考虑像素级差异对局部结构的影响。针对上述问题,提出了一种基于视觉显著性的全参考图像质量评价方法。其中,设计了一种基于梯度图的差异度表征方法,利用相位一致性和梯度图来描述图像局部结构和像素级的差异,进而提出了基于视觉显著性的图像质量评价方法,通过利用像素级差异对图像局部结构进行权重赋值,从而提高算法对图像进行质量评价时的性能。实验结果表明,本文方法和其他四种典型图像质量评价算法相比,能够在三个标准图像数据库上取得更高的质量评价分数。

基于双树复小波和形态学的卫星异常数据滤波方法

受系统结构复杂、工作环境恶劣等因素影响,卫星的工作状态会存在介于正常和故障之间的异常状态,导致其遥测数据中不仅含有噪声,还存在异常数据。采用传统滤波算法进行去噪处理时,会存在对异常数据保留不充分的问题,从而导致突变信息丢失。针对上述问题,提出一种基于双树复小波与形态学滤波的卫星遥测数据组合滤波方法,设计一种半软阈值滤波函数来提高双树复小波的滤波性能,并提出一种组合滤波算法。通过仿真实验进行验证,结果表明:本文方法可以对遥测数据中的噪声进行有效滤除并对异常数据进行保留。

基于深度神经网络的低空弱小无人机目标检测研究

针对低空无人机目标视觉特征较弱,传统识别模型在目标尺度较小时易受干扰导致识别精度下降等问题,提出了一种基于多隐含层深度神经网络的弱小无人机目标检测模型。根据低空监视图像输入特性和弱小无人机目标视觉表征特点,设计了包含多个隐含层的多通道深度神经网络模型结构,并通过建立多尺度、多角度、多背景条件下的无人机目标图像数据库,完成了对深度网络模型参数的训练及优化。仿真结果表明,所设计的深度模型对低空无人机目标具有较好的变尺度检测能力和抗干扰效果,体现出良好的鲁棒性和潜在工程应用前景。