基于机器视觉的闸坝表面位移非接触式监测方法

针对闸坝表面位移常规监测方法劳动密度高、监测频次低,且难以实现长期稳定监测等问题,提出一种融合时空特征的闸坝表面位移非接触式智能监测方法。该方法采用人工靶标作为标志物,以摄像机为采集设备,通过无线传输图像信息,利用加权分布的自适应伽马修正(AGCWD)与边缘感知因子改进的加权引导滤波(WGIF)增强低照度图像的特征表达能力,通过计算机搭载基于贝叶斯框架的时空上下文信息(STC)算法深度挖掘靶标图像上下文时空信息,进一步地,引入曲面拟合获取靶标的亚像素级位移时程信息,实现闸坝水平和垂直双向表面位移的亚像素级非接触式监测。实验室与现场试验结果表明,不同实验场景下位移监测数据与校验数据高度一致,误差小于0.05 mm;相比于图像优化处理方法,基于AGCWD与WGIF的图像优化处理方法的峰值信噪比提升2.70%,信息熵增加4.91%,标准差降低2.63%;相比于目标追踪算法,基于曲面拟合的STC目标追踪算法的现场监测数据较同类目标追踪算法精度提升48%,可为闸坝表面位移监测提供高精度的解决方案。

基于深度学习的PBX裂纹像素级识别方法

高聚物粘结炸药(Polymer Bonded Explosive,PBX)内部裂纹对其性能及可靠性具有明显影响,裂纹的精确识别是PBX内部质量检测的关键。针对PBX内部裂纹识别,基于U-Net和SegNet两种像素级图像识别网络,建立了5种深度学习网络,对比研究了网络连接方式和预训练模型对裂纹识别的影响。基于CT获取的PBX裂纹图建立了数据集,对5种网络进行了训练,采用准确率(A)、F1值(F1)和平均交并比(MIoU)指标对网络进行了评估,在此基础上选择细节识别性能最优的网络用于PBX裂纹的识别和量化分析。结果表明,针对裂纹像素级识别,U-Net型网络优于Seg-Net型网络,网络中Concatenate操作比Pooling Indices操作保留更多图像细节信息,采用预训练模型MobileNet和ResNet可以提高网络训练速度,但导致其裂纹像素级识别性能降低。利用建立的识别方法开展PBX裂纹识别研究,实现了对PBX裂纹的像素级识别,裂纹检出率0.9570,单像素识别准确率为0.9936,MIoU为0.9873,相对裂纹面积为0.7585。

逐像元自适应增益成像系统的星上辐射定标方法

逐像元自适应增益成像系统通过在每个像元的电子链路中集成四档不同容积的积分电容,可以在确保高信噪比的前提下实现大动态范围的遥感成像需求。此成像系统在发射前测试时,由于甚低增益(ULG)的动态范围过大而实验室积分球能量有限,只能通过与低增益(LG)的比例系数递推来间接对ULG后半量程的输出特性标定;星载太阳定标器反射能量过大会导致高增益(HG)和中增益(MG)输出饱和也无法直接测定辐射定标系数,只可通过比例系数推定。提出一种星上增益比例系数测定的方案,分别利用四档增益的输出作为特征对实验图像分类,将不同成像目标的输出码值作为多个定标能级,利用最小二乘法线性拟合相邻增益输出后得到相邻增益的比例系数。此方案验证了实验室增益比例系数测定结果,同时在外场成像实验中用该方法计算得到的比例系数用于相邻两档增益中较低增益图像反演较高增益图像,结果与实际较高增益图像对比归一化均方误差大部分小于0.01、两图像结构相关系数基本在90%左右、数据相关系数达到90%。证明该方法测定的相邻两增益比例相关系数有较高准确性,在星上辐射定标时用于高增益辐射定标系数的递推求取有极大的可行性,解决了星上不能直接对HG、MG辐射定标的问题。

基于多光谱数据和融合像素差卷积的壁画线稿提取

使用现有边缘检测方法提取古代壁画的线稿,存在噪声干扰大且丢失信息较多的问题。本文提出一种融合像素差卷积的壁画最优波段线稿提取方法,利用最小噪声分离方法将壁画多光谱数据的有效信息和噪声分离,选择最优主成分波段进行线稿的提取。针对传统卷积提取图像梯度信息的问题,引入像素差卷积提高边缘检测的图像梯度信息。在侧输出网络加入尺度增强模块(SEM)丰富多尺度特征,同时针对像素级别不平衡引起的像素错误分类问题,设计了基于图像相似度的Dice损失函数策略,逐级最小化像素距离获得清晰图像边缘,并利用壁画数据集先验知识微调模型解决数据集不足的问题。实验结果表明,本文方法可以在壁画褪色和噪声较多的场景下提取出较为清晰的线稿,线稿图像的SSIM和RMSE均优于其他算法,分别提高了2%~10%和2%~4%;在公开数据集BIPED上对模型进行验证,所提方法的ODS和OIS较PiDiNet分别提高0.005和0.007。该方法对褪色及具有病害的壁画可以提取出清晰完整的线稿图像。

基于多尺度特征融合的水下细粒度目标识别方法

复杂水下环境和光照条件给水下细粒度目标识别带来严峻挑战。本文在光学传感器数据和红外传感器数据的基础上,采用多模态信息融合技术提出基于多尺度特征融合的水下目标识别方法。首先,在3个尺度下分别融合水下目标多模态特征,为了减小水下多模态特征的信息丢失,对低级多模态特征进行融合以获取目标边缘细节信息,考虑水下复杂环境导致目标间的较大差异,融合中级多模态特征以获取提高特征表达能力和准确性,为了利用丰富的语义信息,引入协同注意力机制对高级多模态特征的像素级相关性进行建模,提取细粒度的水下目标类别信息。其次,在解码器中将不同尺度下融合后的特征表示逐步上采样以提高特征的空间信息,并与同尺度特征表示进行相加融合,进一步增强特征表达的准确性和稳定性。最终,将特征表示与标签特征图进行比较,获得像素级的分类结果,完成水下细粒度目标识别任务。通过单模态和多模态水下数据的实验结果对比分析,验证本文提出的方法在水下目标识别任务上取得了更优的识别性能。

一种高帧频大动态范围像素级数字化读出电路设计

与短波和中波器件相比,长波红外探测器具有较大的光电流和暗电流,故需要强大的电荷存储能力。而使用传统的模拟像元读出电路技术会严重受限于电荷存储能力,使得长波探测器的动态范围和信噪比难以提升,从而制约着长波红外成像系统的发展和应用。提出一种像素级数字读出电路技术,通过数字积分克服了传统模拟积分方案电荷存储能力受限的缺陷,实现了探测器的数字信号输出,能够极大提高探测器的动态范围、抗干扰能力和帧频。该技术是提升长波探测器性能的有效途径。基于该技术设计了一款像元间距为30 m的320×256数字读出电路,其输出以低压差分信号(Low Voltage Differential Signal,LVDS)方式传输。仿真结果显示,该电路的最高帧频可达1000 Hz,动态范围大于95 dB。

基于扩散模型确定性病变表征的眼底病灶分割方法

获取全面的眼底病变分割图是开发自动化、可解释的视网膜病症诊断工具的关键步骤。然而,眼底图像上病变的多样性及复杂性,导致了精确标注的稀缺,限制了传统监督学习方法的发展及应用。近期研究表明,表征学习通过从大规模未标注数据中预训练强大的图像表征提取模型,在下游任务中仅需少量标注数据即可取得优异的性能表现。本研究提出了一种新颖的基于去噪扩散概率模型的表征学习分割框架。这一框架的目标是通过生成式建模,更精准地捕捉医学图像中的局部和微妙变化,为眼底图像的病灶分割提供精确的特征表示。采用未标记的眼底图像来学习预定义的马尔科夫扩散的逆过程,从而为从眼底图像中提取像素级表征奠定基础。此外,考虑到视网膜病变的严重性和病灶的相关性,引入一个病变分级网络,以指导逆扩散过程,增强与病灶紧密相关的表征能力。这些经过引导的表征作为眼底图像内在语义信息的存储库,为下游视网膜分割任务提供坚实的图像像素级表征基础。在多个眼底图像数据集上的实验中,所提出的方法在视杯和视盘分割任务上仅使用50个样本取得了0.872和0.877的平均Dice系数。在糖尿病性视网膜病变病灶分割中,平均Dice系数为0.664,而在年龄相关性黄斑变性病灶分割任务中,模型达到了0.513的平均Dice系数。研究结果证明了扩散模型所学习到的表征在多种复杂眼底病变分割任务上的通用性和有效性。

亚像素级数字图像弱边缘小目标快速检测算法

小目标往往在图像中占据较少的像素区域,与背景色彩相近,导致对其检测面临目标分辨率低、目标与背景相似度高等问题,使得传统的像素级定位方法无法满足亚像素精度的检测需求。为此,文中研究亚像素级数字图像弱边缘小目标快速检测算法。基于三次B样条小波模极大值方法多层分解并计算图像弱边缘的模极大值,获取弱边缘细节图像,将其输入亚像素级的Franklin矩方法中,对其旋转处理,检测亚像素弱边缘目标点,采用最大类间方差法确定最佳灰度差阈值,提升图像弱边缘小目标快速检测能力。测试结果显示:图像信杂比增益均在0.017以下;背景抑制因子结果均在0.922以上;亚像素坐标计算结果和实际结果之间的误差均低于(0.11,0.13),清晰呈现了弱边缘小目标的分布情况。

无控制点场景下基于多运动目标的卫星视频稳像算法

为了解决无控制点场景下现有卫星视频稳像算法失效的问题,提出了一种基于多运动目标的卫星视频稳像算法,该算法构建了目标检测、轨迹平滑和范数优化的框架,将多目标卡尔曼滤波、rlowess轨迹平滑与L1-L2范数优化相结合,最终实现卫星视频稳像。利用海上多目标舰船观测数据集开展实验,结果表明基于多运动目标的卫星视频稳像算法在X、Y方向上的稳像误差均不超过0.3个像素,验证了该算法的有效性。本研究填补了无控制点场景下卫星视频稳像的技术空白,具有重要的工程应用价值。

多光谱图像与全色图像的像素级融合研究

以高空间分辨率的全色图像与高光谱分辨率的多光谱图像进行像素级双源融合为例 ,详细地总结了卫星多源遥感图像融合领域像素级融合的步骤、基本融合模型和优缺点 ,重点分析了各种常见像素级融合方法的原理和特点 ,并归纳了像素级融合结果的主客观评价标准和评价方法 ,以及像素级融合的主要应用领域 ,最后讨论了像素级融合目前存在的问题和今后的发展方向。

一种空域和频域相结合的运动图像亚像素配准技术

针对视频图像运动检测问题,提出了一种结合空域灰度投影和频域相位相关的亚像素图像配准方法。首先,采用灰度投影算法在空域对运动图像进行粗配准,即在图像行和列方向上计算图像灰度投影特征数据,根据灰度相关函数最小化准则,估计像素级运动量;然后,在经过粗配准的两幅图像中心选取尺寸相同的区域,进行快速傅里叶变换,在频域采用扩展的相位相关算法对图像进行精确配准。该方法利用图像的功率谱信息,减少对图像内容的依赖,运用基于最小二乘的曲面拟合法,实现亚像素图像配准参数估计,具有从粗到精的特点,有效提高了图像检测精度。文中最后对样本图像进行了图像配准对比实验,结果表明,该方法可以检测0.01 pixel的运动量,最大配准误差为0.004 8 pixel。

动载体光电平台视轴稳定精度的检测

提出一种动载体光电平台视轴稳定精度的检测方法。介绍了光学测量原理,讨论了光电平台视轴稳定精度检测系统的实施路线,并对该系统使用的自准直光学成像系统、高速数字CMOS相机和光斑检测算法进行了研究。由安装在光电平台照准架上的平面反射镜反映光电平台视轴指向角度的变化,用高速数字CMOS相机采集图像,并通过计算图像之间归一化的互功率谱和采用相位相关配准算法检测光斑的亚像元级位移量实现了光电平台视轴指向角度的精确测量。将该方法应用于光电平台视轴稳定精度检测系统进行Leica经纬仪标定实验,结果显示,在视场检测范围为±1°、图像采样频率为500frame/s时,检测误差<2μrad,表明该方法实现了动态测量并满足高精度、大视场的检测要求。

ETM＋影像亚像元级城市土地覆盖组分丰度提取--以南京市为例

城市景观复杂,地物具有强烈的空间异质性,利用中等空间分辨率遥感影像(如ETM+)进行城市土地覆盖研究会出现大量混合像元。针对该问题,以南京市为例,通过混合像元分解提取城市土地覆盖组分丰度,进行城市土地覆盖研究,并从各个波段的残差、平均残差、相对误差、均方根误差等方面分析模型误差。利用IKONOS影像对提取的组分丰度图像进行精度验证,发现不同城市土地覆盖组分丰度图像具有一定的可靠性,与城市实际情况吻合。城市土地覆盖组分丰度图像还能作为一种新的数据源用于城市功能分区、城市人口数据空间化和城市环境监测与评估等研究中。

基于像元级SAR图像时间序列相似性分析的水体提取

针对SAR图像数据集的特点,提出了一种基于像元级图像时间序列相似性的水体提取方法。其基本思想是:构建像元级SAR图像时间序列,选取动态时间归整(dynamic time warping,DTW)算法作为时间序列相似度的度量方法,计算所有像元与标准水体像元时间序列的相似性;将水体边缘混合像元的DTW距离值设定为参考阈值,采用阈值法提取相似性较高的时间序列数据,其对应的像元即被识别为水体像元;最后利用每个像元的DTW距离值代替其后向散射值,采用8邻域搜索方法提高水体识别的精度。以2008年1—12月获取的25景分辨率为150 m的ENVISAT ASAR图像进行水体像元提取试验,结果表明,该方法的完整率和正确率均较高,能够应用于大范围区域水体的提取与制图。

复杂场景下的快速目标检测算法

针对场景发生改变的目标检测,提出了一种快速的目标检测算法。该算法将像素点划分为背景点和前景点两类,使用聚类的方法并采取像素级收敛条件分别建立背景和前景模型。背景模型的更新适用于全局发生缓慢的变化,稳定的前景模型向背景模型的转化对光照等其他场景突变具有很好的鲁棒性,使背景模型实时逼近真实背景,同时改进连通域扫描分割算法,提高目标分割速度。实验结果表明,该方法具有很好的鲁棒性,能够快速准确地检测出运动目标,为在DSP等嵌入式系统上实现实时目标检测提供了有利条件。

基于DMD的高动态范围场景成像技术

为了对高动态范围场景进行实时有效的观测,设计了一种采用数字微镜器件作为空间光调制器的成像系统.通过改进数字微镜器件的驱动时序,提高数字微镜扩展成像系统动态范围能力.针对光学系统存在畸变,采用多项式拟合法获得数字微镜器件到图像传感器的精确映射关系.针对一般调光算法导致调光后图像可视性差的问题,引入色阶映射算子生成调光模板,获得符合人眼视觉特性的调光结果.实验结果表明,在10帧/s的条件下采用数字微镜器件可提高传统成像系统动态范围66dB,成像系统总的动态范围达到126dB,图像传感器控制准确度达到0.69个像素级别,调光后场景高亮目标与暗背景可同时观测到,调光后采集图像的信息熵得到提高,系统满足对高动态范围场景实时成像观测的需求.

基于数据融合的遥感图象处理技术

简要地回顾了数据融合技术产生、发展的必然性 ,以及学者们提出的几种相关定义 ;尽可能详细地分析了数据融合的框架结构 ,包括像素层、特征层和决策层三层数据融合 ,并重点分析了各个数据融合层中的融合方法 ,以及这些方法在遥感图象处理中的应用 .由于数据融合与遥感图象分类、目标检测、变化检测、目标识别的密切相关性 ,还对数据融合与这些应用的结合作了一定的分析 .最后给出了结论和展望 .

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。

融合显著性与运动信息的相关滤波跟踪算法

主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征,无法有效区分目标与背景像素,在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题,导致跟踪失败.与此同时,像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号,并没有在主流目标跟踪算法中得到有效的集成利用.针对上述问题,提出目标的像素级概率性表征模型,并且建立与之对应的像素级目标概率推断方法,能够有效利用像素级的显著性与运动观测信息,实现与主流的相关滤波跟踪算法的融合;提出基于显著性的观测模型,通过背景先验与提出的背景距离模型,能够在背景复杂的情况下得到高辨识度的像素级图像观测;利用目标与相机运动的连续性来计算目标和背景的运动模式,并以此为基础建立基于运动估计的图像观测模型.实验结果表明,提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息,提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器,对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.

甚高灵敏度红外探测器读出电路研究进展

在读出电路有限的像元面积内获得尽可能大的电荷存储量是实现甚高灵敏度红外探测器的关键。基于脉冲频率调制的像元级模数转换(ADC)是实现甚高灵敏度红外探测器读出电路的主要方法,阐述了像元级脉冲频率调制ADC的原理,介绍了美国麻省理工学院林肯实验室、法国CEA-LETI在像元级数字读出电路的研究进展。作为从立体空间拓展电路密度的新技术,介绍了三维读出电路的研究进展。最后介绍了昆明物理研究所甚高灵敏度红外探测器读出电路的研究进展。利用像元级ADC技术和数字域时间延迟积分(TDI)技术,昆明物理研究所研制的长波512×8数字化TDI红外探测器组件,峰值灵敏度达到1.5 mK。