集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMeMBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMeMBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。

基于梯度倒数的无人机遥感图像融合滤波方法

为了实现对无人机遥感图像去噪处理时兼顾滤波和边缘保持效果,提出了一种基于梯度倒数的无人机遥感图像融合滤波方法——梯度倒数自适应开关均中值滤波。首先计算出模板内中心像素点与邻近像素点的梯度导数;然后选取局部梯度变化阈值,并定义标志数组来标记各像素点是否超过梯度变换阈值。最后,如果当前滤波像素点超过梯度阈值,则采用提出的自适应开关均中值滤波;否则采用梯度倒数加权平滑方法处理。该方法结合了图像的梯度信息,利用图像的连通性和相关性原理以及自适应开关均中值滤波算法去噪的优点,在去除高斯噪声和脉冲噪声同时可以很好地保持图像的边缘和细节信息。实验结果表明:与传统梯度倒数加权平滑方法相比,算法滤波后图像的平均梯度提升3. 16%,MSE下降了约5%,可以有效提升滤波后无人机遥感图像质量,应用价值明显。

多层多源信息融合旋翼无人机测高算法

针对现有无人机在采用单一传感器测量飞行高度时不够精确且易受干扰,而当前多传感器融合算法测量精度提升有限的问题,提出了一种多层多源信息融合旋翼无人机测高算法。首先结合无人机测高过程中数据量不大的特点,提出一种基于二步延迟自适应时空算法,作为第一层融合,采用更多的历史数据完成信号处理,使融合精度更高。然后进行基于参数辨识的自适应互补滤波第二层融合,利用加速度计数据的辅助测高,实现了多步时间和空间双重融合模型,使旋翼无人机在悬停过程中测高数据更加准确,保证飞行和任务执行的稳定性。通过对高空悬停实测数据进行计算分析表明,该算法相对于一步延迟融合方法,均方根误差减小43.6%,最大误差减小53.6%。同时,该算法数据量小,方法也并不复杂,易于工程实现。

一种无人机遥感图像去雾方法

无人机航拍技术广泛应用于图像处理领域,但在实际中易受到雾霾的影响,致使获取图像明显降质,而传统去雾算法在处理图像时效率低且效果不明显。针对该问题,提出了一种自适应无人机遥感图像去雾算法。首先,建立对应的降质模型,结合传统暗通道去雾和引导滤波算法计算透射率。其次,基于快速引导滤波算法优化处理透射率,得到一个全局的透射率,并增强图像的边缘,进而大幅度降低了复杂度,提高了算法的精确性和时效性。最后,对去雾后的图像进行图像增强处理,提高图像的清晰度。实验结果表明,该算法有效可行。

无人机深度学习去雾算法

为解决由于无人机实际飞行过程中受到雾霾的影响,使获取的图像明显降质问题,提出了一种深度学习神经网络模型DLDN,利用神经网络模型实现无人机深度学习去雾算法。首先结合暗通道先验进行去雾网络模型设计,在保证去雾精度和效果下,对网络结构进行优化;然后对含雾图像间隔多尺度卷积特征提取,采取最大池化层的方式对特征降维;最后通过修正线性单元和全连接对进行处理,得到回归结果。实验结果表明,该算法与原图相似度最高、鲁棒性较好且去雾效果明显,满足实际工程实时性要求。

雾霾线求解透射率的二次优化方法

针对现有图像去雾算法采用局部先验理论求解的透射率精度不高、复原含雾图像能见度较低的问题,提出了一种雾霾线求解透射率的二次优化方法。首先通过雾霾线先验理论对透射率进行粗估计;然后结合粗估计与最小通道求解的透射率,代入新的可靠性函数进行计算,修正数值较低的像素,完成一次优化,保留边缘信息的同时减少噪点数量;最后,利用纹理区域相对总变分正则项的输出差异,使模型自适应滤除纹理信息,进一步提升透射率估计精度,完成二次优化,有效改善含雾图像能见度。实验结果表明,与目前主流去雾算法相比,所提方法提高了浓雾及景深突变区域的复原图像质量,在主观评价更加清晰的前提下,客观评价指标雾霾感知密度、平均梯度、信息熵和模糊系数分别平均提升了10%,10.16%,0.98%和22.93%。

引入改进飞蛾扑火的K均值交叉迭代聚类算法

针对现有K均值聚类(KMC)算法在选取初始聚类中心时随机性较大、全局搜索能力差、聚类精度低等问题,提出了一种引入改进飞蛾扑火的K均值交叉迭代聚类(IMFO-KMC)算法。利用最大最小距离积法初始化聚类中心,避免了KMC算法对随机初始聚类中心较为敏感的问题;利用样条插值预测的思想改进飞蛾扑火算法,提高了算法的收敛速度及寻优精度;以类内平均距离为适应度函数,引导插值扑火算法优化KMC迭代过程中的聚类中心,提高了聚类精度。将IMFOKMC与KMC、K-means++算法、模糊c均值聚类算法在国际标准数据集Iris、Wine和Seeds上进行了实验对比,结果表明:IMFO-KMC算法在Iris数据集上的性能提升最为明显,相比其他算法准确率提高了0.67%~4.18%,标准化互信息提高了1.5%~4.01%。

改进的海雾图像去除方法

针对传统去雾处理复原得到的图像清晰度和对比度较低、整体颜色偏暗的问题,提出了一种改进的图像去雾方法,应用于海上含雾图像处理中。首先,获取含雾图像的暗通道及最小值图像,将含雾图像转换到HSV颜色空间计算各个像素点的颜色衰减率,对其按降序排序取前10%中的最小值作为亮暗部分界阈值,据此计算出HSV暗部图像区域(I_(HSV_dark))。通过引入变差函数来判断像素点是否来自于高亮区域,并获得基于变差函数的变差暗部图像区域(I_(VAM_dark))。对两个暗部图像区域做并运算,得到用于估计暗区域大气环境光值的暗部图像I_(dark)。将像素值进行递减排序,选取前1‰的像素点所对应雾化降质图像像素点集合的平均值作为A_(dark)的值。其次,提出一种基于多级权重相对总变差模型的去纹理方法,对最小值图进行滤波作为粗估计的透射率图,并使用透射率函数对其进行调整,弱化亮部图像的去雾,增强暗部图像的去雾。最后,提出一种最小方差中值引导滤波算法对调整后的透射率进行优化,根据雾天图像降质模型得到复原后的清晰图像。实验结果表明,提出的算法与基于暗通道先验理论以及融合变差函数和形态学滤波的去雾算法相比,获得的复原图像信息熵、平均梯度、对比度及雾霾浓度评价指标(FADE)等指标均有显著提升,更加清晰。

一种含雾交通图像梯度双边滤波算法

针对雾霾天气下传统滤波算法处理过程中容易受到噪声干扰,边缘像素点保持效果不理想且容易出现噪声斑块的问题,提出了一种含雾交通图像梯度双边滤波算法来实现雾霾天气下交通图像降噪滤波处理。算法提出了一种梯度相似度核,并基于此设计了一种梯度双边滤波器,将RGB颜色空间的交通图像转换到Lab颜色空间进行滤波处理。将处理过的Lab颜色空间的交通图像转换到RGB颜色空间,得到处理后的雾霾天气下交通图像。与传统方法相比,本文算法处理后图像的PSNR、细节强度和SSIM平均提升了27. 12%、24. 11%和6. 45%,能够实现在滤除噪声信息的同时,尽可能的保持图像边缘,对进一步提取雾霾天气下含有大量噪声的交通图像的特征信息十分有意义。

融合全局与区域大气光值图的暗通道图像去雾方法

针对现有图像去雾方法采用单一大气光值求解、复原图像难以兼顾亮度与远景去雾效果的问题,提出一种融合全局与区域大气光值图的暗通道图像去雾方法.首先提出一种基于最小方差投影的大气光估计方法,减少大气光估计值受极值点的影响,提高大气光估计精度;其次,提出一种基于场景深度的区域大气光估计方法,对不同景深区域独立求解大气光估计,引入景深信息,兼顾改善近景亮度与远景去雾效果;同时,将两者融合,按照大气光值图对高亮区域透射率进行调整优化,既增加了位置相关信息,又提高了区域间的相关性,增强了复原图像亮度的均匀程度,改善了图像质量.实验结果表明,提出的算法与多种文献去雾算法相比,能够较好地平衡复原图像亮度与远景区域去雾效果,有效提高复原图像能见度,雾霾浓度评价指标(FADE)、平均梯度、信息熵及模糊系数等指标均有显著提升,复原图像更加清晰.

针对KMC局部最优问题的飞蛾捕焰优化方法

针对传统飞蛾捕焰(MFO)算法求解复杂函数时后期收敛速度慢与求解精度较低等问题,提出了一种基于快速收敛的飞蛾捕焰(RMFO)算法。采用最大最小距离积的方法来初始化飞蛾群,能够提高算法全局收敛速度并且优化解的质量,同时构造出MFO算法的适应度函数作为寻优函数。将RMFO算法和有K均值聚类算法(KMC)进行交叉迭代,构建基于RMFO优化的KMC算法,求解聚类中心时能够改善聚类性能,可以解决现有KMC算法选取初始聚类中心不确定陷入结果局部最优的问题。实验结果表明,通过用UCI国际通用测试数据库的Iris、Wine和Glass 3种数据集,对RMFO算法和优化KMC算法进行性能测试,提出的RMFO算法更加精准,收敛速度快,不易陷入局部最优解,同时,优化KMC算法的聚类性能更好。

融入运动信息和模型自适应的相关滤波跟踪

为解决余弦窗的影响和复杂场景中的目标遮挡问题,提出了一种融入运动信息和模型自适应的相关滤波跟踪算法。采用HOG特征和颜色直方图特征互补结合的框架,引入卡尔曼滤波和上下文感知滤波器,可以解决余弦窗的影响;引入一种高置信度检测方法和一种新的模型自适应更新方法,可以解决目标遮挡的问题。将提出的算法在OTB2015测试集与其他6种相关滤波类算法进行比较,实验结果表明,该算法精确度和成功率分别为0.821和0.615。相对于StapleCA算法,精确度提升了1.3%,成功率提升了2.8%,同时,算法速度为54.34帧/s,满足实际工程实时性要求。