一种改进的Laplacian SVM的SAR图像分割算法

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplacian Support Vector Machine,Im-proved Laplacian SVM),首先采用分水岭算法将原始SAR图像分成多个小原型块,提取每个小原型块的图像特征作为训练样本.再采用改进的Laplacian SVM算法得到小原型块的分类结果.通过3幅SAR图像验证了提出的方法,实验表明该方法不仅提高了分割的准确性同时减少了Laplacian SVM算法用于图像分割时的运行时间.

Laplacian优化变形算法研究

人脸图像变形技术是人脸动画制作过程中最关键的技术之一,文章研究了基于Laplacian优化变形算法,首先制定一个局部缺陷模型,通过改变模型结构和纹理的参数,使其与其它部位一样,然后将修改后的缺陷部位拼接目标颜面来恢复变形.实验表明,该方法相对于其它变形方法可以高精度恢复人脸图像.

基于Laplacian算法的水下偏振图像复原

为了解决船舶航行过程中水下图像质量退化的问题,开展了基于偏振成像的图像对比度提高技术和图像增强算法的研究。该技术中提出了基于偏振信息将不同角度的融合图像分解为多尺度的金字塔图像序列,通过高斯卷积和Laplacian Pyramid算法进行图像融合,结合权重融合系数算法实现对偏振图像的细节特征增强处理;并与小波变换图像融合算法进行对比,可以得出该算法明显改善了水下图像的SNR值和SSIM值。实验表明,该水下偏振系统在衰减系数为2.1的海水环境中,水下成像距离达到6m,能清晰识别水中物体及其特征识别,且系统运行稳定。

基于改进Laplacian算子的弱小目标检测

由于图像中的背景复杂、目标弱小,在面对具有强噪声或者目标存在遮掩的情况下没有很好的检测算法。提出一种改进的Laplacian算子和Hog特征及Adaboost分类器相结合的算法。该方法根据拉普拉斯算子的边缘检测特性,先通过中值滤波滤掉一部分随机噪声,然后利用改进的Laplacian算子对图像进行卷积,获取图像使用稀疏矩阵表示的Hog特征,输入到Adaboost分类器后最终得到一个最准确的目标,并且在仿真实验中的准确率高达93.5%。

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像(Near infrared-hyperspectral imaging,NIR-HSI)技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物(三聚氰胺、香兰素和淀粉)的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域(Region of interest,ROI),提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数(Laplacian score)(无监督)和ReliefF(有监督)挑选建模关键变量,建立偏最小二乘回归模型(Partial least squares,PLS)。开发包含自定义选择层的一维卷积神经网络模型(One-dimensional convolutional neural networks,1DCNN)。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、0.0644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择1210、1474、1524、1680 nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。

基于天牛须优化算法和LP-SWT-SVD的鲁棒图像水印技术

为了有效保护数字媒体的知识产权,提出一种基于拉普拉斯金字塔和平稳小波变换(Stationary Wavelet Transform,SWT)及奇异值分解(Singular Value Decomposition,SVD)的图像水印嵌入算法。该算法首先对原始图像进行拉普拉斯金字塔分解,然后对得到的残差图像进行一级平稳小波变换,得到低频子带LL1和高频子带HH1,分别对其进行SVD分解,并将SVD分解后的水印分别嵌入低频和高频子带的奇异值矩阵中,使用天牛须算法(Beetle Antennae Search,BAS)优化水印嵌入过程。水印检测时,将从LL1和HH1子带中提取的水印进行比较,选择效果较好的作为最终结果。仿真实验与其他文献的对比分析证明该算法不可见性和鲁棒性都较好。

基于神经辐射场算法的混合现实三维重建技术

针对目前在混合现实(MR)环境中高效率建立高质量三维(3D)模型的需求,基于神经辐射场算法(NeRF)的三维重建技术,提出了一种基于Laplacian算子的数据集优化算法。首先,围绕某线切割设备录制了一段1 min 51 s的视频,并采取等距提取视频帧的方式,获取了训练数据集;然后,使用Laplacian算子对数据集进行了优化,同时保留了原始数据集作为对比,使用了基于NeRF算法的重建方式与传统的基于COLMAP的稠密点云重建方式,分别对两组数据集进行了三维重建;最后,在重建精度与重建速度方面,对不同重建方式、不同重建数据集的重建结果进行了比较。研究结果表明:COLMAP稠密点云重建耗时是基于NeRF重建耗时的9.98倍,而相较于COLMAP稠密点云重建,使用NeRF重建方式的模型表面缺陷较少;此外,使用Laplacian算子优化的数据集的NeRF重建在峰值信噪比(PSNR)和结构相似性(SSIM)指标上分别提升了2.43%、0.72%,有利于提升重建模型的质量。研究结果支持混合现实技术在制造业数字化转型中的应用,可为其提供有益的参考。

数据驱动的粮食产能组合预测模型

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对LSTM进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75%、19%,相较于其他优化LSTM的组合模型,RMSE大幅下降,该组合模型在粮食产能预测上具有更高的预测精度.

三维地震数据离散光滑插值的共轭梯度法

针对三维地震数据插值 ,提出采用Laplacian算子进行光滑约束的插值方法 ,并借鉴Mallet研究的离散光滑插值思路 ,采用预条件共轭梯度法 ,直接生成网格节点上的值 ,从而回避寻求满足插值方程的函数 .为了实现其中Laplacian算子的快速求逆 ,文中引入Claerbout螺旋坐标系谱因式分解理论 .在螺旋坐标系下 ,Laplacian算子的表示矩阵具有Toeplitz结构 ,其快速求逆可由谱法LU分解实现 .基于二维离散光滑插值 ,文中还给出共轭梯度法与NMO相结合的沿时间切片逐层处理的离散光滑插值流程 .最后 。

改进的超拉普拉斯约束的单幅图像去模糊算法

根据图像模糊产生方式的不同,研究人员将最为常见的模糊类型划分为离焦模糊和运动模糊两大类,而本文着重研究运动模糊的去除方法.在Krishnan和Fergus等人提出的基于超拉普拉斯先验的图像去模糊算法的基础上,本文给出了一种改进的基于超拉普拉斯约束的单幅图像去模糊算法.该算法主要分成三个处理步骤:在综合考虑图像边缘幅值和梯度的基础上,筛选出用于模糊核估算的图像子区域;对模糊核的稀疏性进行超拉普拉斯约束,快速且精确地估算出所需的模糊核信息;在对图像进行快速非盲反卷积复原阶段,原有的算法是用超拉普拉斯模型直接对图像梯度进行约束,而本文使用一种新的分布约束,从而生成了质量高,视觉效果好的去模糊图像.实验结果表明,本文算法可获得较好的图像去模糊效果,同时提高了去模糊算法效率.

基于WAMS和改进拉普拉斯特征映射的同调机群在线识别

当系统发生严重级联故障导致失步运行时,需要快速准确地识别出系统中的同调机群,为下一步的自主解列控制提供基础。针对WAMS测量到的发电机动态轨迹信息往往具有非线性和非平稳性等特点,提出了一种在线识别同调机群的新方法,能充分考虑各种故障场景的动态特性和非线性系统的时变特征。首先根据WAMS量测可得到故障后发电机组的实时响应功角轨迹信息,利用基于类别信息和核空间的改进拉普拉斯特征映射算法提取特征信息,进而识别出各发电机的运行特性;再利用k-way余弦相似度因子分群算法对发电机组进行自主识别分群。最后通过新英格兰39节点系统仿真,验证了所提方法的有效性,并且适用于系统不同运行方式,能在线准确识别同调机群。

基于轮廓线特征点的交互式文物拼接

针对计算机辅助文物虚拟复原中断裂部位受损而引起的几何特征丢失问题,提出一种结合表面纹饰信息与轮廓线上特征点的交互式破损文物拼接算法。首先,通过生成拉普拉斯线得到碎片表面的纹饰特征和断裂部位表面轮廓线。领域专家根据纹饰特征的连续性标记表面约束点,再采用Douglas-Peucker算法提取断裂部位轮廓线上的特征点;然后,结合特征点至约束点的距离、特征点与邻接点的内角以及相邻特征点的欧氏距离构造能有效表示断裂部位拼合关系的特征点描述符,同时定义匹配度函数从而获取特征点匹配对集合;最后,采用四元组方法计算刚体变换矩阵,实现碎片的精确拼合。实验结果表明,拼合时间节省了约13%~16%,拼合误差小于1mm。该方法避免了传统的断裂面拼合方法因数据量大带来的高时间代价,可快速有效地实现破损文物碎片模型的虚拟复原。

图像融合系统中多分辨实时处理策略的研究

多分辨分析在像素级图像融合算法中具有良好的融合效果。文章以Laplacian金字塔多分辨算法为例,详细分析了该算法的可行性和实施的复杂度。在基于TMS320C64x高速定点DSP的像素级双通道图像融合系统中,提出了利用DSPEM IF口的EDMA功能实现的同步双缓冲策略,对图像数据的吞吐、分派与运算的块并行处理进行控制,并对算法的浮点转定点、卷积等密集性运算进行了优化,从而实现了对8位512×512的双通道灰度图像25帧/s的多分辨实时融合。结果表明,该实时处理策略也同样适用于其它的像素级多分辨图像处理系统。

拉普拉斯边缘检测算法的改进及其在探地雷达中的应用

边缘检测是提取图像特征的重要手段,已在许多领域得到广泛应用。传统拉普拉斯边缘检测算子不具有Sobel和Prewitt等边缘检测算子的图像平滑功能,对噪声的响应敏感,会误将噪声作为边缘。文中通过求解二阶梯度的拉普拉斯变换,得到了拉普拉斯边缘检测算子,探讨了将传统拉普拉斯边缘检测与二维高斯函数结合,通过一维卷积完成改进拉普拉斯边缘检测的优化算法;同时,在已建立的QT-CUDA并行平台上开发完成了改进拉普拉斯边缘检测模块,并集成到探地雷达精细解释软件系统。对实测探地雷达数据进行处理的结果表明:该算法不仅运行效率高,而且在突出有效异常、提高探地雷达目标体的识别能力方面取得实效。

基于层次结构的三维矢量场建模

根据自然界中物体纹理的空间方向性,提出一种三维矢量场建模方法。采用纹理的空间分布特征设计深度场,在深度场的各等值面上描绘纹理走向,通过矢量积运算完成三维矢量场的建模,使用拉普拉斯算法对三维矢量场进行平滑处理,并利用流线追踪算法对第2个矢量方向进行可视化操作。用生成的矢量场引导血管体纹理样本在三维空间中进行合成,实验结果验证了该算法的可行性。

一种改进的马尔可夫随机场分割算法

针对传统马尔可夫随机场没有充分考虑图像像素之间的关系导致对噪声过于敏感的问题,提出了一种改进的MRF图像分割方法。在经典MRF中加入了观察像素的邻域信息,利用拉普拉斯算子来描述MRF中似然能量的可靠性,并使用α-βswap算法获得能量最小解。采用期望最大算法对高斯混合模型进行参数估计前,进行了样本点的可靠性评判和选择,用以提高GMM的可靠性和减少EM算法解算的时间。实验证明,对于存在噪声的遥感光学影像和SAR影像,该方法较经典的马尔可夫随机场算法分割效果表现更好,解算时间也更短。

基于线图Q-谱的点模式匹配算法

针对大多数谱方法不能够较好地处理不同大小点集匹配的问题,提出了一种基于线图Q-谱的点模式匹配算法.首先,对相关点集构造赋权完全图,再对每个点利用与其关联的前k条最短边来构造线图;然后,根据线图构造无符号Laplacian矩阵,对其进行谱分解,并利用谱分解所获得的特征值(Q-谱)来表示点的特征,通过这些特征计算点之间的匹配概率;最后,通过KM算法来寻找点集之间的最优匹配.实验结果表明,文中算法具有较高的匹配精度,可以处理不同大小点集的匹配问题.

三种算法联合迭代反演求取最佳剩余静校正量

估算剩余静校正量可看作是以激发点及接收点剩余静校正量为模型参数的、以叠加能量为目标函数的全局最优值的搜索问题．当地震记录的剩余静校正量大而信噪比较低时，应用相关统计法不能有效地拾取静校正量．本文分别采用了ＣＭＰ道集内道间互相关法、图像边缘提取的Ｌａｐｌａｃｉａｎ算法及ＤＦＰ算法，三种不同算法联合迭代反演可求取最佳的模型参数，使目标函数值达到或接近于全局最优．理论试算及实际资料处理效果表明，这种方法能够解决低信噪比及大静校正量造成的周期跳跃等静校正问题．

基于CUDA的拉普拉斯边缘检测算法

拉普拉斯边缘检测算法常用于去除CCD天文图像中的宇宙射线噪声,但其串行算法计算复杂度较高。为此,分析拉普拉斯边缘检测算法的并行性,在统一计算设备架构(CUDA)并行编程环境下,提出一种基于CUDA的拉普拉斯边缘检测图形处理单元(GPU)并行算法。分割天文图像得到多幅子图,根据GPU的硬件配置设定Block和Grid的大小,将子图依次传输到显卡进行并行计算,传回主存后拼接得到完整的图像输出。实验结果表明,图像尺寸越大,该并行算法与串行算法相比具有的速度优势越大,可获得10倍以上的加速比。

投影算法与块匹配法结合的实时数字稳像方法

为了实时地稳定摄像系统的输出视频,特别是图像序列中存在运动物体的视频,提出了一种稳像方法.首先用灰度投影算法对图像序列进行粗匹配;然后用块匹配法在粗匹配的基础上进行精确匹配;最后将两次匹配得到的运动矢量相加得到最后的运动矢量,补偿图像序列的运动.进行匹配的小块是根据参考帧的拉普拉斯变换选取的.对实时稳像实验结果的定量分析和评价表明,该方法切实可行,并具有速度快、精度高的特点.