时空域联合编码扩频单光子计数成像方法

本文结合空间编码单像素成像技术和扩频时间编码扫描成像技术,提出一种时空域联合编码扩频单光子计数成像方法.该方法具备可避免距离模糊、大时宽带宽积的优势,并且在噪声干扰下,能够准确恢复距离像.本文推导了基于单光子探测的时空域联合相关非线性探测模型、成像正向模型和信噪比模型,并通过凸优化反演算法恢复深度图像,理论模型和仿真实验均证明,与传统的基于空间编码的单像素成像方法相比,本方法提高了重建的质量.其中,采用m序列作为时间编码,成像的噪声鲁棒性更高.和传统的空间编码单像素成像技术相比,本文提出方法的成像均方误差降低了4/5,引入二次相关方法后,成像均方误差降低了9/10.本文所提出的成像架构为非扫描激光雷达成像方法提供了新思路.

基于时空域联合信息的高原鼠兔运动目标检测

自然场景下的高原鼠兔序列图像对比度低,边缘较弱,目标包含多色彩且目标运动具有突变性。针对传统运动目标检测方法不能精确提取多色彩目标轮廓的问题,提出一种基于时空域联合信息的运动目标检测方法。首先,利用背景减法确定当前帧图像中目标的形心位置,得到粗分割图像及初始轮廓,然后用改进Chan-Vese(CV)模型对粗分割图像进行分割,改进Chan-Vese模型对多色彩目标图像适应性强,从而获得精确的目标轮廓。鉴于几何活动轮廓模型在图像分割过程中需不断初始化水平集函数,且初始化计算量随图像规模的增大而增多,该文在背景减法获得目标形心的基础上,以形心为中心,截取包含目标的图像块作为粗分割图像,然后利用改进Chan-Vese模型对粗分割图像精确分割,以减少分割耗时。该文对包含50帧图像的视频处理,试验结果显示:该文方法耗时仅为15.25 s,相似度指数平均为0.852 929,Jaccard指数平均为0.744 57。和背景减与CV模型相结合的运动目标检测方法相比,该文方法过分割率低,无冗余轮廓,且耗时短;和背景减与改进CV模型相结合的运动目标检测方法相比,该文实时性更高;该文所提出的目标检测方法可精确提取目标轮廓且实时性高。

基于时空域联合建模的领域知识演化脉络分析

同一领域不同知识概念之间存在演化关系,分析演化关系能有效地梳理领域知识的发展脉络,然而网络知识的碎片化、无序性、大规模等特性使得用户很难准确地分析并获取知识之间的这种关系。针对该问题,本文提出一种基于时空域联合建模的领域知识演化脉络分析方法,该方法首先考虑将知识系统以时空域联合知识网络的形式进行表达,随后采用骨架聚类方法提取历年知识网络演化路径,并按知识概念的发展进行演化路径衔接及路径分析。以数字媒体领域知识为例的实验分析表明,该方法能有效提取按年份发展的领域知识演化路径,对于辅助用户进行领域知识的理解与学习,以及个性化推荐具有显著的价值。

强干扰情况下用于CDMA系统的时空域联合处理

本文提出了一个时空域联合处理技术来对抗码分多址通信系统中的多址干扰 .它由智能天线和多用户联合检测结合而成 ,智能天线可以压制与有用信号来向不同的干扰 ,余下的与用户信号来向相同的干扰可以被多用户联合检测系统消除 .这种结构在干扰严重的信道仍能得到令人满意的效果 .

基于时空联合学习的城市交通流短时预测模型

时空联合分析可反映研究对象在时空维的变化规律,对揭示区域过程的时空交互关系和机制具有重要意义。聚焦时空联合特征的学习与交通流物理特性的建模问题,提出一种层次化的动态网络模型JST-DHNet,以融合不同尺度下的时空联合学习与内嵌领域知识学习。利用基于图乘积运算替代以往矩阵拼接方式构建多种时空图结构。结合时空小波变换与时空傅里叶变换,设计2种不同层次的时空同步学习模块,分别学习交通流的全域与局域时空特征。针对交通流的宏观流体动力学性质,通过基于图的广义偏微分方程设计一种新的时空扩散卷积,以学习真实场景下的交通波传播机制。在此基础上,采用注意力机制将不同尺度的时空联合特征进行融合。在4种不同路网规模的真实交通流数据集上进行测试,结果表明,JST-DHNet的预测性能优于采用时空分离式学习模块的预测模型,相比STSGCN时空联合学习模型,JST-DHNet预测精度的平均绝对百分比误差、平均绝对误差和均方根误差分别降低4.46%、6.65%、10.11%,且训练时间缩短近80%。

基于时域和空域混合的低信噪比视频降噪算法及其分析

论述了几种基于时域和空域混合的对低信噪比视频图像进行降噪处理的算法。考虑单独使用时域或空域降噪算法对视频图像进行处理的缺点和不足。在时域上,由于视频图像帧与帧之间有较强的相关性,采用递归加权算法;在空域上,分别采用第二代Curvelet变换理论的Wrap算法(Wrapping-Based Transform)、全变差(TV)算法、Lee降噪算法、基于偏微分方程各向同性非线性扩散去噪算法(PM-AOS算法)以及中值滤波等降噪算法。实验结果表明时域和空域混合的降噪算法可提供较好的视觉效果,较好地保留视频图像的边缘、纹理等细节信息,超过单独使用时域或空域对视频图像降噪的算法,且部分算法处理时间相对较短,具有在硬件平台上移植的可行性。

一种天文光电图像序列弱小目标实时检测算法

地基大视场天文光电观测系统获取的序列图像中,空间目标和数目众多的恒星目标成像特性相似,大部分都表现为弱、小目标特性,实现它们稳健实时检测具有较大的难度。本文在深入分析天文光电图像弱小目标成像特点的基础上,结合实际工程对目标检测的强实时性和高检测概率需求,针对恒星目标和空间目标的时空域特性差异,提出了一种基于时空域联合滤波的弱小目标检测算法,首先在空域上通过抑制背景增强目标,然后在时域上分别通过多帧相关运算和多帧差分运算,快速有效地检测恒星目标和空间目标。最后结合实测数据和硬件平台,验证了该方法的有效性及实时性。

复杂场景下基于局部运动补偿的目标检测

为了应对视频图像中的复杂场景,提出一种基于局部运动补偿的二次分割目标检测方法。首先,针对光照、阴影变化及目标伪装色的影响,提取了视频图像的像素级色度特征信息和局部纹理梯度特征。同时建立多维高斯分布的背景概率模型以及均匀分布与高斯分布相结合的前景概率模型,并根据贝叶斯决策理论对当前帧图像进行预分割得到静态背景和动态像素。其次,为了从动态像素中进一步区分出实际的前景目标,采用块匹配运动估计算法得到各动态像素点的帧间运动矢量,并将其补偿回运动初始区域。随后在动态像素的特征向量中引入运动矢量特征,建立局部运动补偿后的时空域联合前、背景概率模型,进行二次分割得到实际前景目标。最后给出了模型的初始化过程,并提出一种各模型参数的自适应实时更新策略以提高算法的鲁棒性。实验结果表明,该方法能够良好地适应不同的复杂场景,且具有较好的检测效果和实时性能。

视频对象分割技术研究

视频对象分割是新一代视频编码、视频检索、互联网多媒体交互等新兴领域的关键技术。介绍了视频对象分割的相关理论概念,对其各种算法分类进行了详细阐述,并对现有的基于运动分割算法进行了分析。重点研究了时下比较热门的2种算法,即基于时域信息分割法和时空域信息联合分割算法,同时分析了当前视频分割技术的研究现状、尚存在的问题,有针对性地提出了未来工作应重点研究的几方面内容。

基于检测与跟踪相互迭代的极暗弱目标搜索算法

针对极低信噪比(LSNR)情况下暗弱运动目标和背景噪声的强度难以区分的问题,提出了一种基于检测与跟踪相互迭代的极暗弱目标搜索算法,总体上采用将时域检测与空域跟踪的过程联合、迭代进行的新型策略。首先,在检测过程中计算检测窗口内信号片段与已经提取的背景估计特征的差别;然后,在跟踪过程中运用动态规划算法保留使得轨迹能量累积最大的轨迹;最后,自适应地调整下一检测过程中被保留轨迹的检测器阈值参数,使该轨迹内的像素能以更宽容的策略被保留到下一检测跟踪阶段。实验测试结果表明,所提算法可以在1%~2%的虚警率和约70%的检测率下探测到低至0 dB的暗弱运动目标。可见该算法可有效改善对LSNR暗弱目标的检测能力。