小波变换在零件边缘检测中的应用

目前对机械零件的尺寸、口径等参数的测量大多采用接触测量,而利用零件图像的边缘信息进行非接触测量,则是一种新的更好的检测方式。用此方法可以对机械零件图像的边缘进行精确的检测,再根据相应的数学关系得到相关参数的值,不但可以提高零件检测的精度,还可以大大节省人力和物力。模拟边缘检测技术的具体过程,依次采用最佳阈值迭代算法、小波变换模极大值法、边缘连接局部处理法对零件图像边缘信息进行边缘检测和提取,并对检测过程进行了重点分述。最后,通过一个具体实验,验证了小波技术与其他技术结合使用所获得的良好效果,从而进一步显示了小波变换在边缘检测技术中应用的巨大潜力。     

提高水雷探测效果的声纳图像增强算法

对灭雷具系统中显控台对高分辨率图像声纳信号进行转换的计算机辅助探测算法进行了探索,重点介绍了一种能够增强声纳图像中目标信号显示效果的先进算法.从而可以使声纳对目标扫描后的图像更加清晰,与背景对比效果更加明显.为便于理解和比较,同时还引用了已经被国外普遍应用的三种其它算法.     

基于尺度无关损失优化的无锚图像目标检测

遥感影像中的目标检测是图像分析领域的一个基本而又具有挑战性的问题,特别是针对任意对象的海上目标检测近年来受到广泛关注。针对任意对象的图像目标尺度和形状不规则导致的目标检测参数敏感以及复杂背景和密集排列在非极大值抑制过程中出现假阴性的问题,提出了基于尺度基于尺度无关损失优化的无锚图像目标检测算法。将旋转边界框回归引入到典型的无锚网络全卷积单级目标检测器中,提出了与尺度无关的GIoU (SGIoU)损失用于图像目标检测的边界框回归,可以快速将预测框的形状调整为开始时与真实相似的形状,解决回归损失函数与检测器最终最优目标之间的不相容性的问题,并在回归过程中加快收敛速度。数据集实验表明：本方法在各类别P-R曲线下面积的平均值(mAP),优于现有的广义交并比(GIoU)损失函数和完全交并比(CIoU)损失函数函数。     

航拍图像去云方法研究综述

云区的存在严重影响了航拍图像的后期解译工作,如何高质量地去除云区干扰是当前航拍图像研究的重要内容之一。随着深度学习等技术的成熟和专用数据集的出现,航拍图像去云任务引起了研究者的广泛关注,也取得了阶段性成果。首先,介绍了几种常用数据集,结合数量、分辨率大小、获取媒介及特点进行了对比分析,同时给出了下载链接;然后,依据去云模型是否使用深度学习方法将去云方法分为基于经典理论的去云方法和基于深度学习的去云方法,突出阐述了基于深度学习的方法,并按照互补数据来源、应用场景、使用数据集、自身特点对各方法进行对比分析,重点对相关模型进行了说明,之后,介绍了常用的几种评价指标。最后,对现有方法中存在的问题进行讨论分析,并对未来的发展方向进行了展望。     

图像跟踪系统中机动目标预测的实现

针对装甲车上的图像跟踪系统,提出了一种机动目标预测方法.将目标的运动分解为两部分,即全局运动和局部运动,并根据各自的动态特性分别进行预测.以局部运动预测为重点,通过对机动目标跟踪技术的研究,建立起性能优良的跟踪滤波器,并将其扩展到预测滤波器中对目标的未来运动状态进行预测,从而提出了"交互式多模型预测算法".仿真结果表明,该算法具有预测精度高、自适应能力强的特点,同时给出了计算方法.     

一种新的高分辨率SAR图像目标自动鉴别方法

目标鉴别是SAR图像目标识别系统的关键环节,用以消除预筛选阶段因异常检测产生的大量虚假的感兴趣区域切片。针对目标鉴别问题,提出了一种新的目标自动鉴别方法,首先对CFAR检测的结果做基于面积特征的预鉴别处理,而后对获得的ROI目标切片提取鉴别特征,并在特征分析的基础上设定特征判决阈值,实现序贯鉴别处理。利用X波段SAR图像数据检验了上述方法,给出了鉴别输出的ROI切片。     

像素级图像融合方法分类与比较

图像融合的目的是将同一场景的多幅图像的互补信息合并成一幅新图像 ,以便更好地对场景进行监视和侦察。介绍了像素级图像融合的几种方法 ,按空间域和变换域对各种方法进行了分类 ,并对各种方法进行了比较。重点评述了小波用于图像融合的优点     

潜望镜图像序列的时域Kalman滤波

根据潜望镜图像序列的噪声模型,提出了用非线性模糊滤波器和自适应Kalman在空域和时域对其进行滤波的方法.