基于NProd相关系数和人工免疫的激光图像匹配算法

为克服同源激光图像灰度匹配的匹配速度慢、易被干扰等不足,建议一种基于NProd相关系数和人工免疫的灰度校准匹配方法。NProd相关系数作为相似性度量函数,具有匹配准确、鲁棒性好的优势。对人工免疫算法进行改进,引入动态种群变异操作进行并行搜索,提高了灰度匹配算法的匹配速度。仿真实验表明:该算法具有匹配精度高、鲁棒性强和实时性高的优点。

前视红外末制导Nprod目标识别算法适应性研究

描述了前视红外末制导景象匹配中归一化积相关(Nprod)目标识别算法的基本原理。由实际拍摄的典型目标前视红外图像匹配结果得出:当目标所占面积越大、与背景灰度反差越大、边缘越清晰,Nprod算法匹配效果越好;在目标与背景的灰度分布集中或者目标较远的情况下,匹配效果不甚理想。给出了Nprod目标识别算法的基准图预处理方法,对远距离情况下建筑物目标的匹配进行了匹配方法研究,实验表明具有较好的匹配效果。

基于区域模糊阈值的前视红外目标识别

针对用前视红外(FLIR)目标法识别复杂地面时,存在无直接可用基准图、背景干扰严重、目标与背景灰度差异小等问题,提出了一种基于区域模糊阈值的目标识别方法。首先,在建立多尺度空间的基础上,设计多阈值算法,生成显著图;其次,引入基于图像模糊率的区域模糊阈值方法,改进Itti模型,构建候选目标筛选模型;最后,对检测结果运用积分归一化积相关(Nprod)算法进行精匹配,确定识别目标。实验结果表明,与Hausdorff距离算法相比,该识别算法匹配率提高了近20%,花费时间缩短了3/4;与积分Nprod算法相比,提出的算法匹配率提高了近40%,时间缩短了1/2。结果显示,对于复杂背景的前视红外目标,该方法具有匹配率高、速度快、精度高等优点。

复杂地面目标前视红外景象匹配算法

针对复杂地面目标前视红外图像边缘模糊、背景杂乱无章,无直接可用的同源基准图的情况,研究了一种灰度与形状特征相结合的由粗到精景象匹配算法。在粗匹配阶段,将积分图像引入归一化积相关算法中,并对其计算公式进行了近似,使运算速度大大加快;精匹配阶段,利用实时图与所制备基准图形状相似的特点,采用形状上下文进行匹配。实验结果显示,该算法匹配精度高、速度快,对于复杂地面目标前视红外图像的匹配识别具有一定的应用价值。

基于蚁群算法的景象匹配定位

景象匹配定位是精确制导的重要技术,通过对景象匹配定位和蚁群算法的研究,提出一种基于蚁群算法的匹配定位方法,蚁群算法具有快速全局寻优能力,应用蚁群算法计算模版图像在基准图像中的匹配位置,根据匹配定位参数的特点,建立二维的蚁群搜索空间,定义图像的归一化积相关作为相似性度量并更新蚁群的信息素,利用信息素及启发信息来计算状态转移概率,蚁群最终聚集到适应度函数最大的路径上。实验结果表明:蚁群算法可以准确有效地估计匹配位置。

抗光线干扰的复杂背景下运动靶标实时跟踪技术

本文针对受光线干扰影响的复杂背景下目标检测问题,实现运动靶标的实时跟踪。研究采用方向滤波器克服场景光照以及大气湍流对目标特征造成模糊的影响。采用归一化积相关法计算目标模板与实时图像的相关性定位靶标位置,并研究分层金字塔模板搜索方法减少计算量实现了靶标的快速跟踪。为了提高系统的鲁棒性,消除场景变化对目标跟踪位置产生的偏差及错判,本文采用了目标轨迹运动预测技术。通过实验验证,结果表明本系统目标跟踪稳定可靠,计算效率高,满足工程中的实际应用需要。

基于改进PSO的导弹下视景象匹配仿真

介绍了导弹下视景象匹配和常用算法,在分析基本粒子群算法(PSO)的基础上,调节学习因子、惯性权重和引入自适应变异算子,对基本PSO算法做了改进,将其作为导弹景象匹配的搜索策略,并简化了归一化积相关算法,提出了基于改进PSO的下视景象匹配算法,经过仿真分析,发现该种方法比隔点搜索等一般方法能有效提高匹配精确度,且算法简单有效。

多聚焦图像融合的最佳小波分解层数

多聚焦图像融合的最佳小波分解层数的确定是图像融合研究中的一个热点,本文提出了一种确定多聚焦图像融合的最佳小波分解层数的方法。本文采用四种经典的图像相似性度量指标计算不同小波分解层的低频子带信号的相似度,根据相似性度量的计算结果来确定最佳的小波分解层数。然后比较不同分解层的融合后的图像与原始图像,来验证最佳小波分解层数的选择的合理性。实验结果表明了该方法是可行的、有效的。

归一化积相关算法的精度优化策略研究

归一化积相关(Nprod)算法是图像匹配中一种常用的算法,其硬件实现精度管理对设计性能存在很大的影响。结合现场可编程门阵列(FPGA)的结构特点,以保证Nprod算法匹配精度和匹配性能为准则,本文从Nprod算法的数学优化、可变字长位数管理和FPGA设计原则三方面开展探讨,并对相关IP核做了仿真验证和对比测试。所得到的研究结论对Nprod匹配算法的实际工程应用具有重要的参考价值。