基于空间自适应和内容感知的红外小目标检测

由于红外街道图像中小目标像素较少、颜色特征不丰富,容易导致模型漏检、误检以及检测效果不佳等问题,因此提出了一种基于空间自适应和内容感知的红外小目标检测算法。首先,通过堆叠局部注意力与可变形注意力设计一种基于空间自适应的转换器,以增强对长距离依赖特征的建模能力,捕获到更多空间位置信息。其次,采用内容感知特征重组算子进行特征上采样,实现在大感受野内聚合上下文信息以及利用浅层特征信息来自适应地重组特征。最后增加160×160的高分辨率预测头,将输入特征的像素点映射到更细小的检测区域,进一步改善小目标的检测效果。在FILR数据集上的实验结果表明,改进算法的平均精度均值达到85.6%,相较于YOLOX-s算法提高了3.9%,验证了所提算法在红外小目标检测上的优越性。

空间自适应和正则化技术的盲图像复原

在原非负支撑域递归逆滤波(NAS-RIF)算法基础上,提出了一种基于空间自适应和正则化技术的改进的盲图像复原算法。该算法在原NAS-RIF算法的代价函数中引入两项空间自适应加权项,分别用来确保图像复原的逼真和平滑。自适应加权项可根据观察图像的局部特性和噪声方差求得;加入正则化项,则用于抑制噪声。提出了根据观察图像来估计噪声方差的方法,不需要知道噪声方差的先验条件,采用共轭梯度算法来进行求解。对3幅不同背景和不同信噪比的图像进行了仿真实验。实验结果表明:采用改进算法得到的信噪比增益(ΔSNR)比原算法分别提高了0.207 3 dB,1.023 9 dB和2.862 8 dB,取得了更优的图像复原效果。

基于数据空间自适应与共空间模式的脑电情感分类

为缓解日间脑电信号波动和差异导致情感分类性能下降的问题,在数据空间自适应(DSA)与共空间模式(CSP)迭代的基础上,提出一种用于脑电情感分类的特征提取算法。针对12个受试者连续5 d的情感脑电信号,采用DSA算法对脑电信号进行空间线性变换,再使用CSP将脑电信号变换到最优子空间,提取日间差异最小且类间差异最大的脑电功率谱密度特征及微分偏侧与差异因果特征。实验结果表明,该算法能提高脑电信号情感分类的准确率和稳定性。

空间自适应光学研究

文章阐述了空间成像光学系统发展状况,揭示了空间自适应光学的重要意义;从误差源、系统一体化建模与仿真、关键技术及地面实验验证系统四方面探讨了空间自适应光学的主要研究内容,并提出了其未来的前沿研究方向。

基于图象分割的空间自适应冗余小波降噪方法

提出了一种基于图象分割的空间自适应冗余小波图象降噪方法。标准的正交小波降噪方法通过对图象的小波系数进行阈值操作来达到降噪的目的。但是标准正交小波降噪方法由于缺少平移不变性和采用全局的阈值使降噪效果受到影响。为此引入冗余小波变换和空间自适应阈值的思想,文章中讨论了这种降噪技术的理论基础和技术细节。实验结果显示这种方法在性能上要大大优于标准正交小波降噪方法。

空间自适应卷积核滤波红外弱小目标检测

为了减少复杂红外图像中平滑背景边缘的影响,将具有各向异性特性的PM扩散模型应用到红外弱小目标检测,提出了空间自适应卷积核滤波检测算法,并对扩散系数进行了优化。针对模型中扩散参数难以确定的问题,提出了一种利用Sobel边缘检测算子估计扩散参数的方法。滤波后采用信噪比(SNR,Signal Noise Ratio)和接受机工作特性(ROC,Receiver Operating Characteristic)曲线进行性能评价,实验结果表明,与PM扩散模型滤波和中值滤波相比,该算法有效抑制了边缘,大大提高了信噪比,提高了检测概率,降低了虚警概率,具有更好的性能。

一种空间自适应正则化图象盲复原算法

图象盲复原所面临的主要问题是可利用信息的不足 ,所以必须充分利用图象本身及成像系统的先验信息 .为此 ,结合模糊先验辨识的思想 ,给出了一种新的空间自适应正则化算法 ,该算法先用交替最小化的迭代方法对模糊进行先验辨识 ,然后利用辨识结果 ,用各向异性扩散进行图象复原 .算法充分利用了图象及成像系统 (或点扩散函数 PSF)的分段平滑特性 ,同时又利用各向异性扩散的概念 ,使得正则化不仅在程度上 ,而且在方向上都是空间自适应的 ,从而能够有效地进行图象盲复原 .仿真结果表明 ,该算法的复原效果优于空间自适应各向同性正则化 (SAR)算法 ,其收敛性能优于空间自适应各向异性正则化 (SAAR)算法 .

基于增量维纳滤波和空间自适应规整的超分辨率图像复原

该文提出一种新的超分辨率图像复原方案,该方案利用了空间自适应规整方法的空间分段平滑特性和增量维纳滤波的快速收敛能力,将解的先验约束结合到迭代过程中,通过多幅低分辨率降晰图像来估计一幅高分辨率图像。计算机仿真结果表明,该方法可以有效实现超分辨率图像复原,有效地提高了复原的自适应控制能力和收敛性能。

一种空间自适应正则化MAP超分辨率重建算法

提出一种简单、通用的基于正则化技术的自适应MAP超分辨率重建算法。与以往算法不同,该方法引入了局部空间自适应正则化参数,弥补了传统算法对图像自身的局部特性缺乏考虑的不足。算法通过迭代的方式,利用中间重建结果不断对正则化参数进行更新,并最终得到重建图像。实验结果表明,该方法可以根据不同图像序列的特点以及图像的局部灰度特性,自适应地确定相应的正则化参数,并找到最优解,有效地保护了高分辨率图像的细节信息。

基于空间自适应Bayesian缩减的NSCT域图像去噪方法

提出了一种基于空间自适应Bayesian缩减的NSCT域图像去噪方法。该方法运用了广义高斯分布对NSCT域图像的子带系数进行建模,并通过构造各向异性的椭圆窗口来描述各个子带内系数的局部背景特性,从而建立了NSCT域空间自适应Bayesian缩减机制的图像去噪方法。通过图像去噪实验验证了所提出方法的有效性。同时,与4种具有平移不变性的Contourlet去噪方法做了对比,进一步证实了所提出方法的优良去噪性能。

分解子空间自适应核函数综合支持向量机算法

针对单一整体核函数相对于高维原始空间特征局部分布缺乏自适应性,导致特征利用效率低、分类性能下降明显的问题,提出分解子空间自适应核函数综合支持向量机解决思路.首先将原始空间的高维特征分成一系列有意义的低维子空间;然后针对不同子空间选择不同的核函数和核参数,根据子空间SVM分类性能进行置信度加权;最后,综合所有有效子空间形成的综合核矩阵构造综合支持向量机.由于不同输入子空间构造的核函数具有更大灵活性,综合核矩阵较好利用了高效子空间特征的分类能力.实验结果表明,该方法能够较好地改进高维模式识别的性能,是一种值得实际应用推广的方法.

空间自适应的快速粒子Level Set方法

Level set作为一种有效的界面追踪方法,已经被广泛地应用到单相流的自由表面追踪或多相流的交界面追踪.快速粒子level set方法(FPLS)是一种改进的level set方法,既具有较高的界面追踪精度,又有较高的计算效率.将其与自适应网格结合起来,提出了一种基于树型结构空间自适应的快速粒子level set方法(SA-FPLS).通过在交界面附近设置高分辨率网格带,且只在高分辨率网格带内求解level set方程,既进一步提高了交界面模拟精度,又可以节省计算机内存,同时保持较高计算效率.

一种空间自适应的多光谱遥感影像端元提取方法

针对现行的凸锥体分析方法提取多光谱影像端元数目的有限性,提出了基于空间全局聚类分析的多光谱遥感影像端元自适应提取方法。该方法首先通过主成分分析对多光谱遥感影像进行降维处理,去除波段间的相关性;然后根据空间光谱间相似性,采用经典的空间聚类算法ISODATA对影像全局聚类,合并聚类后小斑块,实现影像自动分块;最后根据分块对象地物类型分布的复杂程度和散点图特征分析,自适应确定端元数目,再通过沙漏算法迅速地提取端元。通过TM影像端元提取实验表明该方法能够有效的提取多光谱影像的端元;同时克服了端元数目限制,提高了端元提取的精度,为多光谱遥感影像端元提取提供了新思路。

基于空间自适应正则化和Hopfield网络的图像盲复原方法

本文在研究空间自适应正则化和Hopfield神经网络图像复原算法的基础上,综合两者的优点,提出了一种退化图像的盲复原方案,先对退化图像利用SAR算法进行先验辨识,再利用基于连续函数的全并行自反馈改进Hopfield神经网络算法进行精确的复原。仿真证明,此方案的盲复原结果图像的质量有很大改善。

一种空间自适应的Retinex变分校正模型

针对传统Retinex变分模型采用相同的权重容易引起虚假痕迹的缺陷,通过引入差分特征值作为边缘指示算子,构造了一种具有空间自适应调节能力的Retinex变分校正模型。该模型能够利用影像空间域信息来控制变分校正模型在不同像素点的约束强度,在边缘区域施加较小的正则化约束保持影像的边缘特征;而在平坦区域施加较大的正则化约束。同时根据反射分量的物理性质,在变分校正模型中对其施加均值逼近灰度中值约束防止局部曝光过度。采用分裂Bregman迭代法实现对该变分校正模型的最优化求解,利用模拟影像和真实影像进行实验,并与传统方法进行比较,结果表明,该方法能够消除影像灰度不均匀现象,同时大幅提高计算效率。

改进的空间自适应规整化图像复原

在对空间自适应规整化图像复原算法的研究中发现,如果图像中混杂有椒盐噪声,则自适应算法的复原效果并不理想。针对这一问题,提出了一种新的可见度函数,用模糊熵代替均方差作为评价图像灰度值变化程度的判据,使得算法在提高复原图像质量的同时,能够适应更多类型噪声的干扰。仿真实验结果表明,在椒盐噪声存在的情况下,新算法的性能远优于原算法,对模糊-噪声图像的复原结果也在实验中给出。

基于空间自适应变分的条带噪声去除方法

遥感图像经常被条带噪声污染,导致图像质量下降。为了去除条带噪声,本文提出了一种基于空间自适应变分的噪声抑制方法。首先,对条带噪声建模,并利用信噪比较高的区域估计出模型的增益和偏置;然后,在变分法的框架下,构建能量函数,并引入空间自适应正则因子,根据图像空间信息自适应调整正则参数;最后,采用分裂式Bregman算法优化能量函数,得到去噪图像的最优解。实验表明,本文算法可以将实际遥感图像等效视数由37.26提高到76.48,辐射质量提升因子提高到8.52 d B。本文算法能够有效去除条带噪声,保留图像细节,改善图像质量。

基于确定性约束和局部空间自适应正则化的图像盲复原算法

给出了一种用于图像盲复原的基于非负支撑域受限递归逆滤波 (NAS-RIF)算法的改进算法。通过在代价函数中加入空间自适应的正则化项来改进算法的抗噪性能和复原效果 ,并利用迭代算法的中间结果 ,进一步精确寻找图像边界 ,有效地达到了保存边界并抑制噪声的目的。使用 n步重新开始的共轭梯度法可以提高算法的收敛速度。由实验结果可以看出 ,对于信噪比较低的退化图像 ,改进的 NAS-RIF算法具有更好的复原效果和稳定性。

基于边缘检测的空间自适应小波去噪

一般的图像去噪方法在去除噪声的同时也使得边缘变得模糊,结合边缘检测和空间自适应思想,提出一种新的基于小波变换的图像去噪方法。先用小波边缘检测方法提取出图像各个尺度上的边缘,将小波系数分为边缘点和非边缘点,再根据边缘将小波系数分为各个小区域,这样将小波系数分为边缘点和各个区间内的非边缘点,分别对它们进行阈值处理。根据自适应准则,各个系数的阈值由它相邻的、有相同性质的系数决定,这使得在去噪的同时对图像的边缘特征予以保护。实验结果表明,该方法去噪后的图像信噪比更高,视觉效果也更好,在一定程度上解决了去噪时的边缘模糊问题。

一种基于空间自适应的盲图像复原算法

针对非负有限支持域约束递归逆滤波(NAS-RIF)图像盲复原算法〔1〕对噪声敏感问题,提出一种基于空间自适应的改进算法。利用最优阈值估计图像支持域,在代价函数中引入空间自适应加权因子和尺度因子,结合正则化技术对图像复原进行局部控制,并对不同信噪比和背景的图像进行了实验。结果表明,在较低信噪比情况下,改进的NAS-RIF算法仍具有较好的复原效果,有效地达到了保存图像细节并抑制噪声的目的。