特征量积和IHS变换的多源遥感图像融合方法

以高空间分辨率的SAR图像和高光谱分辨率的TM图像为例,提出了一种基于特征量积和IHS变换的多源遥感图像融合方法.该方法首先对TM图像作IHS变换,得到亮度I、色度H与饱和度S三个分量;其次,依据特征量积准则融合TM图像的亮度分量和SAR图像,并用融合结果替代TM图像的亮度分量;最后,作IHS反变换得到融合图像.实验结果表明,与IHS法和小波变换法相比,方法快速、简洁,在保持光谱信息与增强空间细节信息两个方面的综合性能均得到提高.     

光学系统的副像及其消除方法的探讨

视准式光学系统瞄准具的成像有主像和副像两种情形,主像是对目标瞄准的必要标志,副像则对目标的瞄准产生不良影响,为消除或减弱光学系统所成的副像对瞄准精度的影响,主要分析了光学系统中中心反射镜的反射和有无平行差时产生副像的原因.提出了消除或减弱副像的多项措施,并针对中心反射镜提出了两种截然相反地改进方法.可有效地消除或减弱副像所引起的不良干扰对飞行人员视觉的影响,有效地提高了观察效果和瞄准精度.     

基于RCS序列的空间目标分类识别方法

结合三轴稳定卫星、自旋稳定卫星、翻滚目标和空间碎片的运动特征,依据强散射中心理论分别建立这四类空间目标的电磁散射模型,通过计算机仿真得到其RCS序列仿真值.针对这四类空间目标的RCS序列特点,提出了一种三轴稳定卫星与空间碎片的判别方法和利用RCS的周期性对空间目标分类识别算法,计算机仿真实验验证了算法的有效性.     

一种TM遥感影像的分割算法

从多分辨率分析角度分析图像分割概念,研究已有的图像分割方法,阐述基于二进小波变换的多分辨率分析原理,采取由粗到细的控制策略,有效地选取最优分割阈值,从而实现对TM遥感影像的分割,实验结果表明该算法对复杂遥感影像分割是有效的。     

基于差分和神经网络的同步辐射光源图像压缩方法

针对常见的图像无损压缩方法效果不佳问题,提出了一种基于图像差分和神经网络的同步辐射光源图像无损压缩方法。通过图像差分以减少图像序列内部的线性相关性,训练神经网络模型以学习图像序列内部的非线性相关性,得到预测概率分布,结合算术编码压缩。为加速预测和编码过程,将像素值按位分裂为两部分进行并行处理。基于上海同步辐射光源图像的测试表明,相较于便携式网络图形、JPEG2000和自由无损图像格式等,该方法可将压缩率提升20%以上,像素位分裂可以缩短30%的模型预测和编码时间。     

航天服静电放电点燃能力实验研究

人—航天服系统产生的静电放电能否引燃航天服关系到载人航天飞机的安全性。通过实验研究了在纯氧和普通大气条件下 ,静电放电对各种航天服的引燃能力。实验表明 ,在普通大气条件下 ,静电放电不能引燃航天服材料。在纯氧条件下 ,点燃航天服材料所需的静电能量与静电放电的模型有关 ,机器模型的引燃能力最强。静电放电航天服点燃航天服材料所需的最小能量为 4 8mJ。     

城市规划与公众参与

城市的拥有者是公众,城市空间应是吸引大众活动的舞台。现代城市正在以复杂的和变化的方式进行着不断的演化,由于这种演化的不确定性、综合性,需要对其进行面对公众开放性规划与设计。公众参与在城市空间的塑造中,以及在地域文化的延续中起着重要的作用。通过强调城市形象的审美意识认同,宏观上对城市形象的系统把握,进而深入论述如何挖掘、构筑属于市民自己的风格城市。     

上下文感知的深度弱监督图像哈希表示学习方法

针对现有深度监督图像哈希表示学习方法依赖于图像的类别信息,难以在现实中被广泛应用问题,利用与图像相关的标签信息作为监督信息,提出上下文感知的深度弱监督图像哈希表示学习方法。该方法一方面通过自适应捕获图像区域特征的相关上下文来增强它们的表示能力,另一方面通过引入判别损失来提高学习到的哈希码表示的判别性。在现有两个公开数据集上的大量实验结果证明了该方法的有效性。     

基于傅立叶图像重建的车用换热器表面缺陷检测?

针对车用换热器表面缺陷检测问题,提出一种利用傅立叶图像重建提取方向纹理表面缺陷的算法。该算法采用局部二值模式（ LBP ）描述去除光照影响并对LBP图像进行快速傅立叶变换,通过频率域滤波和图像重建有效去除方向纹理的影响,由二值化及团块分析最终提取换热器表面缺陷区域。实验结果证明,本文算法可以快速、有效地检测出换热器表面缺陷。     

基于提升五株形小波的图像融合

在提升五株形小波多尺度分解的基础上,给出一种新的像素级图像融合方法.该方法利用提升五株形小波变换对每一幅图像进行多尺度分解,按照不同的融合规则,采用多种融合算子去构造融合图像对应的各小波系数,再根据融合图像的各小波系数重构融合图像.该方法被成功地用于模糊图像的融合处理.试验结果表明该融合方法十分有效,获得的融合图像更符合人们的视觉特性、更有利于进行监视和侦察之类的视觉感知.