基于小波变换与数学形态学的红外图像分割方法

提出一种基于小波变换和形态学相结合的红外图像分割方法,该方法利用小波变换和形态学消除红外图像的混合噪声,抑制背景干扰和增强目标;通过选择适当的结构元素进行系列形态组合运算,自适应确定阈值,提取目标;利用形态学水线区域分割法对图像进行分割,分离目标区域。实验结果表明,该方法能有效检测和分割出低信噪比复杂背景红外图像中的目标。     

基于Deformable DETR的红外图像目标检测方法研究

基于Transformer架构的DETR系列网络在计算机视觉目标检测领域不断刷新目标检测的精度与速度。然而,基于红外图像的非合作目标检测的应用环境复杂,而且红外图像质量较差。针对该问题,提出了一种新的以Deformable DETR算法为基线的具有高检测精度的目标检测算法：首先设计了对红外图像进行图像增强处理的图像增强模块CLAHE-GB,并将其与Deformable DETR进行有机结合;然后在大型通用数据集上进行预训练;最后引入数据增强和迁移学习方法在自制的空中飞行物小型红外图像数据集中对检测头网络参数进行再训练,并对结果进行分析。结果表明：所提出的算法对红外图像数据具有较好的图像增强效果和检测精度。     

红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装、防欺诈等优点,这使得红外图像人脸识别可在很大程度上弥补可见光人脸识别技术的缺陷和不足,是今后人脸识别研究的一个重要方向。在深入分析红外人脸图像特性的基础上,研究了红外图像人脸识别的特点,并提出了一种新的红外图像统计人脸识别方法。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。     

图像电阻阵驱动控制器的设计

讨论研究了一个满足200Hz帧频的128*128点阵图像电阻阵驱动控制器的设计方案.采用嵌入式计算机和FPGA 相结合的构架,充分利用100M以太网技术、乒乓缓冲技术、硬件查表技术,解决了图像数据的高速稳定传输的问题,采用高速串行DA技术解决了200Hz帧频的128路行驱动信号生成问题.     

一种基于单幅跑道图像的无人机降落位姿测量新方法

提出了一种在无人机降落并接近跑道的过程中,在已知跑道宽度的前提下,基于单幅跑道图像测量其位姿参数的新方法.通过分析跑道消影点与无人机位姿的关系,得到消影点的图像坐标与姿态角的关系.依据摄像机共线方程,推导出了无人机位姿与跑道的世界坐标方程系数及像直线方程系数的关系.通过合理假设,对位姿参数进行了简化,求解出无人机降落过程中的位姿状态.仿真实验结果证明,方法易于实现,可满足无人机自主降落导航的应用需求.     

PCNN图像分割新方法

为了解决脉冲耦合神经网络(PCNN)难以确定最优分割结果以及脉冲产生门限由非线性方法计算得到的问题,提出了一种基于PCNN的图像分割新方法.该算法采用线性方式动态调整脉冲门限,采用二维最大相关准则确定PCNN网络的循环迭代次数,并引用中值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响.实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性.     

超图约束和改进归一化互相关方法相结合的图像配准算法

为提高图像配准算法的精度和适应能力，将超图约束和改进归一化互相关方法应用于图像配准。利用Hessian-Affine检测得到的仿射不变区域代替固定窗口来改进归一化互相关方法，获得初始匹配点对；通过马氏距离计算超边间的相似度，采用超图约束计算匹配分数对匹配对进行排序；利用分数高的部分匹配点对初始化变换矩阵，通过过滤匹配对来循环更新得到最优变换矩阵实现配准。实验结果表明，该方法具有较好的匹配和剔除错误匹配的效果，在不同类型的图像配准中也有较好的配准效果。     

侧壁激波诱导下凹腔燃烧室冷态流场实验观测

在单凹腔燃烧室中引入侧壁激波,为研究燃烧室内部流动特性,采用纳米粒子平面激光散射技术和粒子图像测速技术对全尺寸玻璃燃烧室模型进行流场观测,获得了冷态流场展向和法向的瞬态灰度图及平均速度场。实验结果表明:在远壁面区域,凹腔内部速度与密度都较低;引入侧壁激波后,近壁面区域凹腔与主流的质量与动量交换增强,速度与密度升高;受到侧壁激波影响,燃烧室底壁边界层不再均匀,凹腔中后部产生大规模低速区,具有明显三维特性。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。