激光干扰对CCD跟踪性能影响的图像尺度分析

分析CCD成像跟踪系统的组成及常用跟踪算法,针对激光干扰图像的特点,结合机器视觉中背景杂波的量化方法,提出一种基于小波能量与平方和根的图像尺度,并将其应用于激光干扰对成像跟踪性能的影响分析。该尺度利用小波能量尺度在成像跟踪系统方面以及平方和根尺度在目标局部对比度方面各自的优点,适用于激光干扰后跟踪算法性能的评估。激光视场内干扰与视场外干扰的实验结果表明,该尺度能够较好地反映激光干扰图像对于CCD成像跟踪算法性能的影响,初步验证了尺度的有效性。

基于拉普拉斯金字塔残差网络的多尺度图像压缩研究

为了更好地进行图像重建,加强对图像多尺度特征表示和特征融合的处理,本研究提出一种新的多尺度特征融合图像重建网络模型。模型包括迭代降采样和迭代上采样过程。迭代降采样过程是通过在拉普拉斯金字塔残差控制网络模型中将高斯卷积核与子采样和高斯平滑滤波迭代操作规则相结合完成的。迭代上采样过程是通过使用拉普拉斯卷积核和二阶差分操作规则实现的。GJ-UNet深度学习网络模型通过其编码器下采样模块实现图像多尺度语义特征的精细分类,并在解码器上采样模块中应用反卷积和卷积操作规则,规范处理图像多尺度语义特征。实验表明,所提出的方法可以实现高精度的特征提取,同时对于图像特征融合的相关性更强,提取的图像边缘信息更清晰且相对噪声信息更低,重建图像的视觉效果基本与原始输入图像相同。本研究有望广泛应用于计算机图像视觉领域。

基于显著性区域检测的多尺度图像盲复原算法

针对大多数基于先验的盲图像去模糊算法耗时较长和显著边缘结构提取不理想的问题,提出一种基于显著性区域检测的多尺度图像盲复原算法。为了复原出更加清晰的图像,采用由粗略到精细的多尺度交替迭代框架构建图像金字塔。在图像单一尺度方面,首先提取出图像中具有强边缘结构的显著性区域,并对其施加l_(0)范数约束,提出显著映射先验;将显著性映射先验和最大后验概率相结合并引入传统图像去模糊模型中,构造出点扩散函数估算模型,利用半二次分裂算法解决模型的非凸问题;对点扩散函数进行复原时,利用点扩散函数相似度的变化量限制每个尺度中的过渡迭代;对模糊图像和最终估计的点扩散函数进行非盲解卷积,获得复原图像。实验结果表明:与现有的主流去模糊算法相比,新算法在合成数据集和真实数据集中都可以有效抑制振铃和伪影现象,得到了很好的视觉体验,且评价指标均优于对比算法,同时大大缩减了复原时间。

强震大尺度有序图像预测法及其应用研究

在系统总结汶川8.0级、玉树7.1级等地震前大尺度有序图像演化过程的基础上,系统研究1952年以来青藏块体大尺度有序图像的特征及其与区域7级地震或地震组的关系,得出大尺度有序图像是一种具有动力学含义的地震活动图像,在青藏块体7级地震或地震组前普遍存在,对7级地震或地震组以及5级以上地震活动主体地区的判定具有中期预测意义,可进一步总结并提炼强震大尺度有序图像预测法。以2021年青海玛多7.4级地震前青藏块体5级以上地震大尺度有序图像的演化过程为例,检验和验证上述结论及大尺度有序图像预测法的有效性。

基于改进Transformer的多尺度图像描述生成

Transformer模型被广泛应用于图像描述生成任务中,但存在以下问题:(1)依赖复杂神经网络对图像进行预处理;(2)自注意力具有二次计算复杂度;(3)Masked Self-Attention缺少图像引导信息。为此,提出改进Transformer的多尺度图像描述生成模型。首先,将图像划分为多尺度图像块以获取多层次图像特征,并将其通过线性映射作为Transformer的输入,避免了复杂神经网络预处理的步骤,从而提升了模型训练与推理速度;其次,在编码器中使用线性复杂度的记忆注意力,通过可学习的共享记忆单元学习整个数据集的先验知识,挖掘样本间潜在的相关性;最后,在解码器中引入视觉引导注意力,将视觉特征作为辅助信息指导解码器生成与图像内容更为匹配的语义描述。在COCO2014数据集上的测试结果表明,与基础模型相比,改进模型在CIDEr、METEOR、ROUGE和SPICE指标分数方面分别提高了2.6、0.7、0.4、0.7。基于改进Transformer的多尺度图像描述生成模型能生成更加准确的语言描述。

基于尺度配准的航拍图像与卫星影像匹配方法

随着无人机航拍技术的普及,航拍图像在目标检测和跟踪的应用得到普遍研究,而航拍图像与卫星影像的匹配研究相对较少。由于成像机理和成像视角的不同,无人机航拍图像与卫星影像存在较大的尺度差异,现有的图像匹配方法难以实现航拍图像与卫星影像的有效匹配。为了解决这一问题,提出了一种实现具有大尺度差异的航拍图像与卫星影像匹配的方法。该方法通过卫星影像的经纬坐标信息和无人机航拍图像成像时刻的相机位姿信息,对无人机航拍图像进行方向和尺度的配准;然后利用航拍图像成像时刻的位置信息,对卫星影像进行粗匹配,得到包含航拍图像匹配区域在内的卫星影像子图;再利用神经网络提取配准后的航拍图像与卫星影像子图的卷积神经网络(convolutional neural networks,CNN)特征,并基于CNN特征实现航拍图像与卫星影像的精匹配。仿真实验结果表明,本文所提方法能够有效的实现大尺度差异的航拍图像与卫星影像匹配。通过将本文匹配方法与现有图像匹配算法匹配精度的对比分析,证明了本文匹配算法的有效性和优越性。

夜视环境下红外与可见光图像真彩色快速融合方法研究

为解决红外图像和可见光图像在夜视环境下成像效果不理想的问题,搭建一种由红外相机与RGB相机组合而成的具有结构简单、实时性高等特点的双目异型成像系统。利用双线程方式实时采集红外与可见光图像,针对非局部均值滤波(Non-Local Mean,NLM)提出了一种基于熵的自适应h求解方法,能够较好的消除红外图像的噪声;之后将红外图像与可见光图像的特征点匹配后,引入基于斜率一致性的方法进行图像配准,最后采用改进基础图像融合规则的双尺度融合算法(Two-scale Image Fusion,TIF)以及多种融合算法将红外与可见光图像进行融合,获得目标明显、信息丰富且真实色彩的(Infrared Radiation and RGB,IR-RGB)融合图像。TIF算法能够高效快速地将红外图像与可见光图像融合,在保留了可见光图像对周围环境的真实颜色信息特征的同时,又保留了红外图像温度提取的特点。分析数据可知,TIF算法的IR-RGB图像的熵值提升了约5.14%;其边缘强度均达到最大39.991、22.433、52.880;相比普通的像素级融合规则,该方法的运行速度提升了10倍的量级。该研究在夜视环境下通过红外与可见光的实时成像在目标识别和监测等实际应用中具有非常重要的意义。

基于梯度注意力机制与交叉神经网络的红外与可见光图像融合

针对现有的基于深度学习的红外与可见光图像融合算法存在的难以区分重要信息与无关信息的问题,提出了一种基于梯度注意力机制与细节保留交叉神经网络(Detail Preserving Cross Network,DPCN)的红外与可见光图像融合方法。首先,将改进的梯度注意力机制引入到DPCN,引导神经网络尽可能关注可见光图像的纹理细节和红外图像的目标信息,同时利用DPCN加强红外图像和可见光图像之间的信息交互。然后,提出了一种基于多尺度细节保留模块的解码器重建融合图像。最后,设计了一种基于辅助判别器的自适应损失函数。实验结果表明:所提方法可保留更清晰的边缘及目标信息,在主观和客观评价方面均优于对比方法。

基于自适应Retinex算法的煤矿低光照图像增强研究

针对煤矿井下图像由于光照不均以及粉尘等因素影响,造成采集图像亮度、对比度不足等问题,提出了一种基于自适应Retinex算法的煤矿低光照图像增强算法。首先将图像分解为光照图和反射图,并采用Unet网络提取多尺度图像特征,引入控制因子抵消多尺度带来的影响,有效提高了图像质量。然后将图像梯度作为调节因子,自适应调整多尺度算子,并引入重构损失和去噪模块抑制图像增强过程中产生的噪声。试验结果表明:所提算法在峰值信噪比和结构相似性方面优于部分现有算法,充分证明了该方法的有效性。

基于图像处理的焊缝边缘检测算法的探讨

焊缝边缘检测是评估金属结构安全性的重要组成部分。本文通过七种边缘检测算法:LOG(Laplacian of Gaussian)算法、Sobel算法、Canny算法、多尺度图像边缘检测算法中的Gabor滤波、小波滤波、双边滤波和形态学滤波的实验,对比分析各种算法的去噪水平、边缘定位能力和边缘检测精度。

基于Contourlet域HMT模型的多尺度图像分割

基于Contourlet系数分布统计特性,结合隐马尔可夫树(HMT)模型和贝叶斯准则提出一种新的图像分割算法.为了更有效保持Contourlet域不同尺度间的信息,提出一种新的加权邻域背景模型,给出了基于高斯混合模型的象素级分割算法和基于新的背景模型的多尺度融合算法.分别选择合成纹理图像、航拍图像和SAR图像进行实验,并与小波域HMTseg方法进行比较以说明算法的有效性.对合成纹理图像给出错分概率作为评价参数.实验结果表明本文方法不但在边缘信息和方向信息保持上有明显改进,而且错分概率明显降低,对真实图像得到了理想的分割效果.

图像多尺度配准的小波域SIFT方法

当SIFT(Scale Invariant Feature Transformation)方法应用于局部场景发生变化的图像时,在特征匹配中会产生错误匹配,文章提出了图像多尺度配准的小波域SIFT方法。该方法利用低分辨上变换参数剔除了错误匹配,提高了正确匹配率。模拟实验结果表明该方法在外点数目和正确匹配率方面优于原SIFT方法。最后,通过与原方法的对比分析,验证了该方法应用于震前震后多光谱图像的可行性。

基于多尺度的高动态红外图像增强算法

红外图像通常具有很高的动态范围,数字量化位数一般大于或等于14 bit,这样的高动态图像既包含大的信号变量也包含较小的低对比度细节,这对于人眼的理解和显示设备的渲染都是不能接受的。在多尺度和边缘保留型滤波器的框架下,提出了一种改进的红外图像增强算法。首先是应用加权最小二乘滤波器对原始图像进行边缘保留式的图像多尺度分层操作,然后分别对得到的多层细节图像和残留模糊图像进行处理,使细节得到适当的放大,而残留层得到压缩,最后再把细节层和残留层合并,得到最终用于显示的低动态范围图像。该方法可以较好的保留红外图像细节,同时避免或削弱由细节分离操作所带来的合成图像中的光晕和梯度反转现象。

结合分数阶微分的浮选泡沫图像NSCT多尺度增强

针对浮选槽低照度环境下采集的泡沫图像对比度低、边缘弱、噪声干扰等问题,提出了一种结合自适应分数阶微分和非下采样Contourlet变换(NSCT)的泡沫图像多尺度增强算法.首先对泡沫图像进行NSCT多尺度分解,根据低频子带的梯度特征构造自适应分数阶微分阶次函数,结合改进的带亮度控制参数的Tiansi算子对低频子带图像进行增强处理;然后对各高频方向子带,根据能量分布特征自适应计算阈值,再结合尺度相关系数去除噪声,并通过非线性增益函数增强边缘系数;最后对处理后的图像进行NSCT重构.对不同大小类型的泡沫图像进行实验,结果表明:与现有算法相比,文中算法改善了图像的亮度,具有更高的对比度、清晰度和信息熵,保留更多的纹理细节,在有效抑制噪声的同时气泡边缘得到明显增强,为后续的泡沫图像分割和边缘检测奠定了基础.

基于多尺度图像的主动轮廓线模型

主动轮廓线模型是广泛应用于数字图像处理的一种目标轮廓跟踪算法 ,但在实际使用过程中 ,现有模型易受干扰噪声及虚假边缘的影响 ,且对凹陷轮廓的跟踪能力较差 .在多尺度图像分析的基础上 ,引入梯度矢量流的概念 ,并改进其计算方法 ,提出了一种新的主动轮廓线模型 .该模型利用梯度矢量流产生的引力 ,在图像的尺度空间中搜索目标轮廓 ,不仅能有效地排除干扰 ,搜索凹陷轮廓 ,而且便于引入新的约束条件 .实验表明该模型有较好的鲁棒性和实用性 ,适用于噪声干扰情况下提取具有凹凸特征的目标轮廓 .

基于多尺度输入图像渗透模型的桥梁裂缝检测

针对现有铁路混凝土桥梁表面裂缝检测方法精确度不高的问题,引入多尺度输入图像渗透模型,提出一种新的桥梁裂缝检测方法。使用加权分段函数进行图像对比度增强,通过最佳阈值分割滤除大部分非裂缝区域,采用不同的高斯核得到不同尺度的输入图像。在渗透模型的基础上,利用多尺度输入图像生成高精度且仅包含裂缝信息的二值裂缝地图,并利用梯度信息提取裂缝的面积、最大宽度及长度等信息。实例验证结果表明,该方法可有效提高检测精确度和稳定性。

基于小波多尺度图像配准的运动小目标检测

探讨了一种红外图像序列中独立运动小目标检测的新方法。通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响。同时,利用改进的Fisher算法及小波变换对低频的图像进行分割,最终将目标从背景中分离出来,并对配准后分割的图像差分,获得目标运动轨迹。实验表明了该方法的有效性。

大尺度图像编辑的泊松方程并行多重网格求解算法

随着获取设备的发展,大尺度、高分辨率数字图像已逐步进入人们的生活,大尺度图像的梯度域编辑显得更为重要,求解大规模未知数的泊松方程是大尺度图像梯度域编辑的关键。传统多重网格算法的迭代、约束和插值操作单独进行,内存和外存间通讯量大,算法效率低,为此提出了一种面向大尺度图像梯度域编辑的并行多重网格求解泊松方程的算法。该算法利用多重网格的迭代、约束和插值过程的内存数据访问局部性和更新相关性,构造滑动工作窗口,使迭代、约束和插值操作并行运行,提高了多重网格算法求解泊松方程的计算效率。全景图拼接实验表明,所提算法的运行效率高于超松弛迭代、高斯塞德尔迭代和传统多重网格算法。

近红外成像的便携式大尺度粒子图像测速仪

开发了一种用于河流表面流速场测量的便携式大尺度粒子图像测速仪(large-scale particle image velocimeter,LSPIV)。该仪器基于一台以图像处理专用DSP为核心的智能相机,代替PC高效地完成图像采集和处理的任务。首先利用近红外波段下水流示踪物(弱小目标)和水体光强反射率的差异,在单色CMOS传感器前加装红外滤镜抑制水面光学噪声,增强弱小目标与背景间的对比度,提高了后续运动矢量估计中相关曲面的峰值信噪比。其次,提出了一种基于时空联合滤波的时均流场重建方法,利用河流流场中的先验和冗余信息识别并修正错误矢量,改善了天然河流中由于示踪物密度过低或分布不均造成的表面流速估值过低问题。最后,通过静水和动水条件下的2组现场实测验证了近红外成像系统及图像处理算法的有效性。

基于非参数聚类和多尺度图像的目标跟踪

为了实现复杂背景下的目标空间定位和尺度定位,提出了一种基于非参数聚类和多尺度图像的目标跟踪算法.该算法首先利用改进的非参数颜色聚类方法自动划分目标颜色空间;然后使用高斯函数对颜色直方图中的每个颜色特征位的空域分布进行建模,并根据Bhattacharyya系数得到目标模型与候选模型的相似性函数;最后利用多尺度图像进行由粗到细的目标空间定位,同时利用推导的核函数自动带宽选择公式进行目标尺度定位.实验结果表明该算法优于典型的均值漂移跟踪方法.