局部放电在线监测中小波阈值去噪法的最优阈值自适应选择

小波系数阈值是决定小波阈值去噪法处理后的去噪信号失真度及误差的关键因素。针对局部放电脉冲频谱特征,提出用于局部放电信号去噪的小波最优阈值选择方法,阐述了自适应阈值搜索中的尺度选择方案;采用四种人工模拟加噪信号和两种典型局部放电脉冲仿真信号对该方法的去噪效果进行了定量分析,并采用了自适应阈值法对实测局部放电信号进行了处理,结果表明,该方法在局部放电在线监测中具有良好的去噪效果和实用价值。

基于自适应形态学滤波器的布匹瑕疵检测算法

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。

基于机器学习的自适应双模协同无线充电调度策略

为了打破无线传感器网络的能量瓶颈,考虑无线充电效率对充电距离的敏感性,提出一种基于机器学习的自适应双模式设备协同调度的无线充电方案。首先,基于剩余能量、能耗以及充电效率来定义节点状态,提出一种计及节点状态的自适应阈值选择充电算法。然后设计改进式遗传算法,以最大化能量效用为目标为各节点选择合适的充电模式。此外,为进一步降低充电算法时间复杂度,利用基于支持向量机的机器学习方法学习上述充电模式切换机制,构建节点状态智能预测模型。仿真结果表明,所提算法可在保证较低充电时延的基础上,有效提升多无线充电设备的能量效用,增强传感网络的可持续性。

基于旋转框表示的光学遥感图像目标检测

旋转目标检测是遥感图像智能解译的关键步骤,然而遥感图像背景复杂、目标方向具有任意性、尺度差异大,实现准确的旋转目标检测有一定的困难。提出的ERDet结合显示视觉中心,提取遥感图像的全局信息与局部信息,结合自适应阈值样本选择的水平目标检测算法和长边定义法,预测遥感图像目标的类别、位置和旋转角度。在DOTA-v1.0数据集上的实验表明,该方法能够对不同尺度和方向的目标进行准确提取,实现了对遥感目标的精准检测。

一种改进复杂场景下小目标检测模型的方法

复杂场景下小目标检测是目标检测领域的研究难点和热点。传统的two-stage和one-stage检测模型都是通过预先设定锚点框与真实目标框的交并比(intersection over union,IoU)阈值来划分正负样本集,同时这组预定义的固定锚点框还用于获取候选框,进而得到检测结果。然而,在复杂场景下,预先设定的IoU阈值会带来正负样本不均衡问题;针对小尺寸目标(船舶)检测,预定义的锚点框也很难保证覆盖目标的位置和密度,因此限制了检测模型的准确率。为了解决上述问题,提出自适应锚点框(adaptive anchor boxes,AAB)的方法优化目标检测网络,采用基于形状相似度距离的聚类算法生成锚点框,提高目标区域定位技术;采用利用聚类的锚点框计算自适应IoU阈值(adaptive threshold selection,ATS),划分正负样本,保证样本均衡。对复杂场景下的小目标(船舶目标)进行检测,实验结果表明,采用自适应锚点框方法和自适应阈值选择方法的目标检测模型在复杂场景中检测均能提升准确,对比faster R-CNN、FPN、Yolo3和pp-Yolo,融合了上述新方法的模型均提升了检测准确率,分别提升了9.6、2.6、9.8和9.9个百分点。

改进的基于AVS2的去块效应滤波算法

在H.265/AVS视频编码标准中,去块效应滤波是环路滤波模块最先进行的,对提高整体编码效果起至关重要的作用。针对现有去块效应滤波算法对提高图像质量方面的不足,提出一种改进的基于像素梯度和色度分量预测、变换单元划分方式的滤波算法。对于亮度块,该算法主要通过建立亮度平坦度阈值的回归模型,根据不同图像的纹理复杂度,为每帧图像自适应地选择不同的阈值,从而更精确地判断出每条边界的滤波强度。对于色度块,采用与亮度不同的滤波块尺寸及滤波强度的判断方式,在不增加色度滤波复杂度的同时,提高色度分量的滤波质量。实验结果表明,与AVS2标准下的滤波计算结果相比,改进的算法不仅提高了6%的亮度和24%的色度去块效应滤波性能,而且减少了24%的编码时间。

改进Canny算法的图像边缘增强方法

边缘检测是图像特征提取的关键技术之一。为强化所提取的边缘特征,设计一种联合Otsu算法和多尺度细节增强的策略对传统Canny算法进行改进。首先针对高斯滤波模糊图像细节的不足,利用多尺度细节增强算法对遥感图像进行处理,增强图像的细节信息,降低高斯算法的影响;然后针对传统Canny算法的人为选择阈值带来的不足,利用Otsu算法进行自适应阈值选择,以提高算法的适应性。实验证明,在主观视觉效果以及客观评价指标下,所设计的改进方法对于不同场景的图像边缘特征增强都具备良好的效果。

基于可调Q因子小波变换的海杂波抑制算法

针对海杂波背景下弱目标检测中存在的信杂比低的问题,提出了改进的基于可调Q因子小波变换的海杂波抑制算法。由于海杂波能量远大于目标信号能量,提出选取与海杂波振荡特性相匹配的参数进行可调Q因子小波变换,得到各小波子带的系数,并对小波系数进行稀疏优化后重构海杂波信号。为了判断弱目标信号是否存在,提出一种自适应的阈值检测方法,将原始回波信号与海杂波重构信号的差作为检测样本,实现对弱目标信号的检测。该算法不依赖海杂波具体模型。最后对某实测海杂波数据集进行实验,验证了所提算法的正确性。

复合域的显著性目标检测方法

目的针对显著性目标检测方法生成显著图时存在背景杂乱、检测区域不准确的问题,提出基于复合域的显著性目标检测方法。方法首先,在空间域用多尺度视网膜增强算法对原图像进行初步处理;然后,在初步处理过的图像上建立无向图并提取节点特征,重构超复数傅里叶变换到频域上得到平滑振幅谱、相位谱和欧拉谱,通过多尺度高斯核的平滑,得到背景抑制图;同时,利用小波变换在小波域上的具有多层级特性对图像提取多特征,并计算出多特征的显著性图;最后,利用提出的自适应阈值选择法将背景抑制图与多特征的显著性图进行融合,选择得到最终的显著图。结果对标准测试数据集MSRA10K和THUR15K中的图像进行显著性目标检测实验,同目前较流行的6种显著性目标检测方法对比,结果表明上述问题通过本文方法得到了很好地解决,即使在背景复杂的情况下,本文算法的准确率、召回率均高于对比算法,在MSRA10K数据集中,平均绝对误差(MAE)值为0.106,在THUR15K数据集中,平均绝对误差(MAE)值降低至0.068,平均结构性指标S-measure值为0.844 9。结论基于复合域的显著性目标检测方法,融合多个域的优势,在抑制杂乱的背景的同时提高了准确率,适用于自然景物、生物、建筑以及交通工具等显著性目标图像的检测。