图像局部特征自适应的快速SIFT图像拼接方法

针对目前图像拼接中计算量较大、实时性较差的问题，本文提出了一种图像局部特征自适应的快速尺度不变特征变换（SIFT）拼接方法。首先，对待拼接图像分块，确定图像局部块的特征类型；接着自适应采用不同的简化方法提取各局部块的特征点。然后，通过特征匹配求出变换矩阵，并结合RANSAC算法去除伪匹配对。最后，通过图像融合得到最终的拼接图像。文中使用提出的方法对3组待拼接图像进行实验。从实验结果可以看出：与标准拼接方法相比，本文改进方法的计算速度提升了30％～45％。因此，这种方法能够在保证图像拼接质量的前提下，有效提高图像拼接的效率，克服图像拼接中计算复杂度高的问题，在实际图像拼接中具有一定的应用价值。

基于局部特征自适应滤波的图像水印研究

设计了基于局部特征自适应滤波的图像水印算法。该算法假定已知电子设备的退化参数,利用二值化自动生成数字水印信号,然后利用电子设备获取的图像局部特征的自适应滤波特性,设计了水印信号嵌入算法和水印信号提取算法。最后,对提出算法进行验证。验证结果表明,算法具有较好的不可见性和鲁棒性。

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图(FPFH)综合描述每个特征点的局部信息,结合随机抽样一致性(RANSAC)算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。

基于局部自适应特征加权算法的遥感图像目标检测

遥感图像目标检测已成为目标检测领域的重要组成部分。为了解决复杂背景下高分辨率遥感图像中小尺度目标的漏检与误检问题,结合YOLOv5s算法并在检测端提出一种局部自适应特征加权算法,通过学习已有的标注框信息将含有目标特征的前景与背景分离,获得前景中具有关键信息的目标局部特征,并自适应计算各层局部特征的空间尺度和权重。同时在主干部分引入全局注意力机制用于加强通道与空间之间的跨维度特征信息交互能力,增强特征间的关联性,以弥补检测端局部特征的全局信息丢失,从而降低目标的漏检率和误检率。实验表明:该改进算法的准确率和召回率均得到一定的提升,其均值平均检测精度mAP达到72.33%,相较于传统YOLOv5s算法提升了2.66%。

APLCD-WPT在滚动轴承特征提取算法中的应用

针对滚动轴承特征频率提取问题,提出自适应部分集成局部特征尺度分解(adaptive partly-ensemble local charact-eristic-scale decomposition,简称APLCD)与小波包变换(wavelet package transform,简称WPT)结合的APLCD-WPT方法。首先,利用APLCD对滚动轴承振动信号进行处理,通过添加幅值随频率变化的噪声改善信号极值点分布,再提取内禀尺度分量(intrinsic mode component,简称ISC);其次,对ISC分量中模态混淆部分使用WPT进行修正,提取滚动轴承特征频率信号。应用提出方法对实测的卧式螺旋离心机振动信号进行研究,结果表明,基于APLCD-WPT的算法能够有效地解决模态混淆问题,实现特征频率信号的精确提取。

基于ELCDCAN与EAM-FMD的电能质量扰动分析

针对集总局部特征尺度分解方法分解残余噪声大的问题,将正负自适应噪声对引入分解过程,提出一种互补自适应噪声的集总局部特征尺度分解方法。该方法在集总平均次数较少的情况下,能够减少单个内禀尺度分量的残余噪声,提高分解速度并保证分量的准确度。结合经验调幅-调频分解,提出一种基于自适应噪声的集总局部特征尺度分解和经验调幅-调频分解的电能质量扰动检测方法。首先利用自适应噪声的集总局部特征尺度分解方法对含噪电能质量扰动信号进行分解,获得不同特征时间尺度的内禀尺度分量;其次采用相关系数法剔除高频噪声及虚假分量,得到真实的电能质量扰动分量;最后利用经验调幅-调频分解对各阶内禀尺度分量进行解调,可以准确得到稳态扰动的瞬时幅值和瞬时频率等特征参数,并根据瞬时频率突变点对暂态扰动进行定位。仿真及实测数据检测结果验证了本文所提方法的可行性和有效性。