极低信噪比下的“极大检测—二次相关”帧同步算法

研究极低信噪比条件下的帧同步问题,设计帧标识码为13比特巴克码与优选48比特同步序列的扩展复合序列,提出"相关阵列"的概念并由此导出"二次相关"的检测方法,同时用极大值判决法替代传统的最大相关值法,获得10 d B的同步性能增益。采取"帧同步多状态"检测机制,进一步获得5 d B的性能改善,并实现对同步态的保护。

一种多方向的合成孔径雷达图像边缘检测方法

经典的边缘检测方法 (Canny,Roberts,Prewitt等)受合成孔径雷达(SAR)图像斑点噪声的影响致使其检测效果不佳;基于SAR图像的假设检验方法 (Ratio算法等)其检测性能不随图像强度的变化而变化,边缘检测错误率低,但检测到的边缘片段较粗;针对上述问题,结合小波的多分辨分析特性以及Contourlet变换的充分捕获高维奇异信号的能力,提出一种改进的Contourlet变换与改进小波变换的模极大值方法对SAR图像进行边缘检测,在16个方向上对SAR图像进行边缘提取,进而保证了边缘信息的丰富性;试验结果表明,该方法提取的SAR图像边缘位置精确,运算速度较快,利于后续的图像匹配。

基于像素距离图和四维动态卷积网络的密集人群计数与定位方法

基于卷积神经网络(CNN)获得回归密度图的方法已成为人群计数与定位的主流方法,但现有方法仍存在两个问题:首先传统方法获得的密度图在人群密集区域存在粘连和重叠问题,导致网络最终人群计数和定位错误;其次,常规卷积由于其权重不变,无法实现对图像特征的自适应提取,难以处理复杂背景和人群密度分布不均匀的图像。为解决上述问题,提出一种基于像素距离图(PDMap)和四维动态卷积网络(FDDCNet)的密集人群计数与定位方法。首先定义了一种新的PDMap,利用像素级标注点之间的空间距离关系,通过取反操作提高人头中心点周围像素的平滑度,避免人群密集区域的粘连重叠;其次,设计了一种FDDC模块,自适应地改变卷积四个维度的权重,提取不同视图提供的先验知识,应对复杂场景和分布不均匀导致的计数与定位困难,提高网络模型的泛化能力和鲁棒性;最后,采用阈值过滤局部不确定预测值,进一步提高计数与定位的准确性。在NWPU-Crowd数据集的测试集上:在人群计数方面,所提方法的平均绝对误差(MAE)和均方误差(MSE)分别为82.4和334.7,比MFP-Net(Multi-scale Feature Pyramid Network)分别降低了8.7%和26.9%;在人群定位方面,所提方法的综合评价指标F1值和精确率分别为71.2%和73.6%,比TopoCount(Topological Count)方法分别提升了3.0%和5.9%。实验结果表明,所提方法能够处理复杂背景的密集人群图像,取得了更高的计数准确率和定位精准度。

Application of wavelet transform modulus maxima in boundary detection of potential fields

This study presents the use of the method of wavelet transform modulus maxima(WTMM) to detect boundaries of potential field sources.The boundaries of causative sources can be judged by calculating the local modulus maxima of wavelet coefficients at different scales.For the potential field data with noise,the detected boundaries at small scales are easy to be distorted by noise,however,at large scales,the noise can be suppressed greatly and presents more accurate boundary detection results.Therefore,we can get a better boundary judgment by considering the detected boundaries at all scales.Applying the WTMM method to synthetic models and a real data set of Meishan iron deposit,both get a good effect.

基于多尺度小波变换和结构化森林的表面裂纹分割

为实现复杂背景下裂纹目标的有效检测,提出一种融合小波边缘检测与多尺度结构化森林的裂纹分割方法,以提高裂纹检测稳健性。该方法利用多幅裂纹图像和人工标注结果提取裂纹图像特征通道并离散化映射标准结果;利用三角滤波器和降采样方法获取常规和相关性候选特征;并将该特征与离散化后的标签进行结构化森林分类器的训练和验证,进而获得多个尺度的裂纹分割。在776幅结构体裂纹图像和600幅钢梁裂纹图像数据集上进行实验,结果表明,相比于单一多尺度结构化森林方法和其他几种分割方法,本文方法能够在较短的时间内获得最高的分割精度。