避免完美分割的图像识别方法

在目标大小已知、视点相同的情况下,通过对输入图像中各个与目标大小相同的子窗口进行局部分割,并确定每一子窗口局部分割结果与目标模板间的公共区域,分别提取两者在极坐标下的特征,根据两者特征的相似性,在一定的相似性门限下,实现对子窗口的识别。实验证明,该方法在背景复杂、目标分割质量较差的情况下,仍能取得较好的识别效果。

一种统计特征点网格分布的表格图像识别方法

提出一种统计特征点网格分布的表格图像识别方法 ,该方法以表格框线间的交叉点类型作为表格分类的主要结构特征 ,把表格图像外接矩形区域归一化为N×N的网格 ,并统计每一网格内各种类型特征点的分布情况 ,由此形成的N×N个向量作为表格识别的特征向量 .采用了类似度的方法作为表格分类的判别准则 ,将未知表格类型的特征向量与预先经过学习建立的表格模板库中的标准特征向量进行相似性度量 ,取其类似度最高的模板类型作为识别结果 .实验表明该方法可行、高效 .

基于YOLOv5架构的大幅面SAR图像车辆目标识别方法

SAR图像车辆目标识别是极具挑战性的前沿研究领域,论文提出了一种基于YOLOv5架构的大幅面SAR图像车辆目标识别方法。以卷积神经网络YOLOv5作为大幅面SAR图像车辆目标识别的基本模型,采用迁移学习方法获得模型的初始参数,有效减少了训练样本数量同时提高了模型收敛速度。为了测试算法性能,构建了一个含车辆目标的大幅面SAR图像数据集。在该数据集上进行了仿真实验,并与一些经典的深度学习网络进行了对比,实验结果表明所提大幅面SAR图像车辆目标识别算法识别精度更高、速度更快。

基于图像识别的震象云地震预测方法

利用卫星热红外异常判别技术进行地震预测的方法都是纯手工或半手工的,在分析处理海量遥感数据时具有局限性,并且传统方法对地震三要素的预测准确率不高,尤其是震中位置的预测。针对上述问题,提出一种综合震象云颜色、纹理以及浮现频率等特征来自动预测地震的方法。利用灰度共生矩阵对热红外数据进行纹理特征提取,使用BP神经网络模型训练目标神经网络,将纹理特征输入目标神经网络进行识别,提取疑似目标,同时滤掉非目标并跟踪,将疑似目标浮现频率超过5次的区域精确定位为目标出现的位置,从而实现智能化和自动化的地震预测。反演实验验证结果表明,该方法是一种震中位置预测较为准确的中短期地震预测方法。

运动模糊图像点扩展函数的自动识别方法

在获取图像的过程中,传感器和场景的相对运动所造成的图像模糊是一类常见的图像退化模式。为对模糊图像进行恢复,首先要给出精确的点扩展函数估计。针对匀速运动降晰的情况,提出了一种新的误差-参数曲线法,并依据这种曲线提出了一种点扩展函数的自动估计算法。通过引入奇异因子、光滑因子以及平坦因子来实现点扩展函数的估计。实验结果表明,该方法可以取得较为精确的估计效果。

基于不变矩的前视红外图像机场目标识别

根据远距离前视红外图像中机场跑道的成像特点,提出了一种基于仿射不变矩的红外序列图像机场目标识别方法.该方法对图像进行多次双阈值分割,搜索分割图像中各潜在目标区域轮廓链,计算其仿射不变矩和目标背景梯度特征,并利用前后帧目标大小的约束关系等先验知识,对各候选目标区域进行识别,最终获取机场目标.试验结果表明:该算法对复杂背景下的远距离前视机场目标的正确识别率优于96%,误识率低于2%.

一种新的车牌图像字符分割与识别算法

提出了一种新的字符分割算法,该算法利用由中间向两端搜索的方法确定字符的上下边界,且利用一维循环清零法及先验知识垂直分割得到单个的字符。实验结果表明,该算法较好的解决了以上问题,适用于各种质量的车牌图像,分割的正确率较高。

基于可见光图像模板匹配的目标识别算法

结合相关匹配算法特点提出了一种改进的基于可见光图像制备的参考模板进行二值匹配的目标检测识别算法,算法包括实时图像分辨率、同质变换、OTSU聚类、结构匹配定位等一系列处理过程。所提出的算法结构简单、计算量小、易于并行实现,在基于TMS320C6713的多DSP系统上处理一帧实时图像仅耗时14ms,可以应用于工程实际之中。

自动目标识别算法性能评估中的图像度量

图像度量是自动目标识别(ATR)性能评估中的重要组成部分。图像度量是否与ATR算法性能紧密相关将直接影响系统后续的评价工作。先介绍了传统的图像度量,并分析了作为传统度量代表的目标局部背景对比度度量(TBC)在复杂场景条件下与算法性能不满足单调关系的不足,针对其局限性,提出了基于灰度共生矩阵的图像杂波度量(TIC),并针对TBC和TIC设计了两组实验。结果表明,无论在指定场景还是复杂场景条件下,TIC与算法性能都具有良好的单调关系,有效地克服了TBC的局限性,从而能更好地评价ATR算法性能.

基于假设检验的SAR图像机场跑道自动识别

针对复杂条件下合成孔径雷达图像中机场目标自动检测识别问题,提出了一种基于假设检验的机场跑道自动识别算法,利用雷达图像中跑道灰度特性和结构知识,通过迭代分割和形态学滤波提取感兴趣区域,抑制具有类似灰度特性的水域对跑道线检测的影响,并结合Hough变换和线段跟踪连接提取候选跑道,最后采用假设检验方法对机场跑道进行识别.试验结果表明该方法可快速有效地检测识别复杂背景下低分辨率、低信噪比合成孔径雷达(SAR)图像中的机场跑道.

从高分辨率遥感图像中自动识别水上桥梁

提出一种高分辨率遥感图像中水上桥梁的自动识别方法.根据水域的均质性将图像分割成水域和非水域两部分,扫描非水域部分对桥梁进行粗提取.以粗提取所获得的区域中心为起始点进行区域增长,用全方向扫描获取临界区域,进而计算桥梁方向.最后沿桥梁方向往桥梁两边延伸,获得精确的桥梁区域.实验表明该方法可以自动识别出高分辨率遥感图像中的水上桥梁目标,精确度高,鲁棒性好.

三维运动目标的多尺度智能递推识别新方法

在实际成像条件下,运动中的三维目标,其投影形状(Silhouette)是变化的,因而其可识别性也处于变动中．为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念．讨论了建立多尺度三维目标特性视图特征模型的必要性,以及将目标运动特性一般约束用于目标序列图像识别的合理性．据此,提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR)．构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元．在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量．在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的．与文献中的基于单尺度特性视图的三维目标识别方法相比,本文的方法训练过程简单,只需较少的目标特性视图模型样本,不仅能处理单帧图像,更能有效处理序列图像．对几类飞机目标的大规模模拟实验结果证实了本文方法的合理性和有效性．

科技奖励的智能评审模型

本文首先给出了科技奖励的综合评价指标体系,之后利用模糊神经网络提出了科技奖励的智能评审模型。为了更好地利用这个评审模型,文章的最后介绍了怎样使用本文的方法获得综合评审的最终结果。

前视红外图像中机场的自动识别

特定目标的检测识别是自动目标识别(ATR)的关键技术之一。机场作为典型的地面目标,一直是自动目标识别领域的热点研究课题。跑道作为最重要的特征被用于机场识别,主要因为其边缘由长直线组成,而且面积大易寻找.在基于启发式的边缘跟踪、直线拟合、合并的基础上,提出了一种新的四边形识别算法.对比由跑道的先验知识经透视变换得到的四边形与检测的四边形对应边长是否一致,来进行前视红外(FLIR)图像中机场的识别.试验表明,本算法充分利用跑道更多的特征信息,增加了机场识别的鲁棒性,并具有良好的识别性能.

基于知识的红外数字图像中铁路的识别

文中主要针对铁路红外图像的特点 ,在原有的自动目标识别算法上 ,将图像处理技术与人工智能相结合 ,提出一种基于知识的智能识别方法。采用先建立完善的结构知识库 ,再以知识库为基础 ,采用写生式策略来建立各种规则 ,并结合规则指导图像分割和特征提取 ,推断铁路的存在并指导铁路片断的连接。其基本思路可用于一般目标的识别。

一种基于复杂地物背景图像的目标识别方法

为解决复杂地物背景目标识别问题,提出一种基于复杂自然场景图像的目标识别方法。首先,进行多视点多尺度目标动态特征描述和目标轮廓特性视图制备;然后,采用灰度级顶帽形态学重构运算对输入图像进行处理,对处理后的图像进行分割,获得感兴趣区;最后,通过感兴趣区轮廓提取和基于Hausdorff距离匹配识别目标。实验结果表明,提出的方法能有效地从复杂自然场景中识别出目标。

模式识别与智能系统研究展望和对策

分析了自动化技术发展中的智能化趋势 ,具体阐明了模式识别与智能系统正在成为推动自动化领域发展的核心科学技术 .通过一些研究和应用的例子说明国外在模式识别与智能系统方面的发展状况 .最后指出我国在自动化领域面临的挑战和对策 .

基于泰勒级数展开的图像质心和角度偏移识别算法

为了解决气动光学效应所引起的红外图像偏移问题,文中采用图像离散模型泰勒级数展开的方法解决成像系统与真实目标相对运动造成的图像小变量质心偏移和角度偏移的识别运算。该方法仅使用两幅图像的数据参与运算且避免了图像质心的位置计算,处理结果表明该方法能够快速有效地计算出图像偏移参数量的数值。

动态特征空间和三维运动目标的智能递推识别方法

在实际成像条件下,运动中的三维目标,其投影形状(silhouette)是变化的,因而其可识别性也处于变动中.为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念.提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR).构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元.在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量.在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的.