电路测试响应信号的GP-KSVD稀疏重构算法

电路系统测试响应信号具有周期性强、分布较稀疏的特点,针对电路系统测试响应信号的压缩重构问题进行了研究,提出了基于梯度方向追踪的K奇异值分解(GPKSVD)稀疏重构算法。结合单一响应信号以及混合信号其自身特点进行字典训练,利用更新后字典对含噪信号进行梯度追踪稀疏表征,通过对含噪信号的重构,实现了去噪的目的,算法计算复杂度低,储存量小,具有较好的重构效果。仿真中将GP-KSVD表征与使用随机字典、离散余弦字典(DCT)的表征进行比较,从信噪比(SNR)以及相对均方误差(RMSE)2项指标中得出使用KSVD字典具有更好的重构去噪效果;此外将GP-KSVD稀疏重构算法与正交匹配追踪正交匹配追踪(OMP)-KSVD、预处理共轭梯度追踪(PCGP)算法进行比较,得出GP-KSVD的计算时间最短、重构精度更高的结论,并且进行了实测验证。算法可用来对测试响应信号进行预处理,为电路系统设备性能的评估分析提供了理论依据。

一种鲁棒的红外与可见光多级景象匹配算法

针对基于特征的景象匹配方法对图像噪声和局部形变适应性差以及对特征质量依赖性强等问题,从提高图像特征描述能力入手,将具有局部光照和对比度不变性的相位一致性变换引入到红外与可见光景象匹配的特征表征中,以获得对噪声和局部形变较强的适应性。在此基础上,首先采用抗旋转的圆投影实现图像粗略匹配,然后基于Zernike矩推导出图像的互相关匹配重构函数并用来剔除错误匹配点,最后基于曲面拟合方法获得亚像素定位,从而实现图像精确与鲁棒匹配。仿真实验验证了所提算法的有效性。

面向未知区域深度测量的序列图像稠密点特征生成算法

对未知着降区平坦度测量是无人机在复杂地形下安全着陆的关键问题。首先,根据小孔成像原理推导出基于单目序列图像的未知区域深度计算方程;其次,针对稀疏匹配存在深度信息重构误差大而稠密匹配在平滑区域误匹配率高的问题,提出一种基于Delaunay三角剖分的稠密点特征生成算法;然后,分别对序列图像中的2帧图像提取亚像素级Harris角点和尺度不变特征变换(SIFT)特征点,并分别进行特征点匹配;再以2种特征点间的欧氏距离作为约束条件将2种特征点进行融合,生成准稠密特征点;最后,将准稠密特征点进行Delaunay三角剖分,并根据每个剖分三角形上3个顶点像素偏差的方差值制定稠密特征点的生成策略,并结合所提出的深度计算方程计算整个未知区域各点的深度信息。通过Vega Prime(VP)搭建仿真演示验证系统,实验结果表明在机载相机距地面400m处计算高度分别为90m和55m的物体深度信息时,其深度测量相对误差不超过0.89%,具有较高的精度。