基于滤波与BP神经网络的水下探测信号检测算法

针对水下探测系统探测船舶磁场信号时信噪比较低的问题,首先根据磁异常信号的频域特征,设计了约束最小二乘FIR滤波器,通过对含噪信号进行带通滤波,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取船舶目标特征信号。将该算法应用于船模实测实验,结果表明:该算法可以显著提高信噪比,增强对船舶磁场信号的检测能力。     

基于1.5维谱的船舶轴频电场信号实时检测

为有效地从海洋环境电场中检测出船舶轴频电场信号,在采用正态概率图法分析海洋环境电场高斯性的基础上,利用1.5维谱在抑制高斯噪声和加强谐波信号基频分量等方面的优势,提取特征频段(1～7Hz)范围内的1.5维谱的平均值为特征值,利用滑动检测方法对信号进行了实时检测,并通过实测数据对该检测算法进行验证。结果表明:该方法在信噪比较高和较低的情况下均能较好地实时检测到目标信号,并且在没有目标信号的情况下不会出现虚警。     

AFM探针针尖曲率半径显微测量方法

探针针尖曲率半径是影响原子力显微镜分析与观测精度的关键要素之一,微小光学零件采用的精密测量技术不适于分析非透明探针针尖曲率半径。以高分辨率扫描电子显微镜图像为分析对象,采用灰质化、滤波降噪等图像预处理和Canny边缘检测技术获取针尖轮廓,对轮廓坐标采样后利用非线性高阶多项式函数拟合轮廓曲线,根据扫描电镜图像的度量标尺换算得到针尖实际曲率半径。结果表明：该方法对AFM探针针尖曲率半径的测量偏差不超过15％,具有较高测试精度和广泛应用前景。     

基于边缘检测技术的温度计自动检定装置研制

为了解决人工检定温度计存在的工作效率低、劳动强度高、读数误差大和检定油烟重等问题,运用边缘检测技术,先对图像作预处理,再利用经典的Sobel边缘检测算子和三线识别方法,将温度计液柱图像转换为数字化的温度计示值;对温度计检定槽进行自动化改造,由计算机控制温度计插槽旋转角度和摄像机运动高度,再由单片机控制执行指令,将采集的图像传给计算机,从而研制出温度计自动检定装置,并实现计算机自动处理检定信息、打印原始记录和检定证书。     

基于ANFIS的空袭目标攻击意图量化方法

为准确评估空袭目标的威胁程度和提高指挥员的防空决策水平,采用自适应神经模糊推理系统(ANFIS)对空袭目标的攻击意图量化分析。该方法将模糊推理和人工神经网络有机地结合起来,充分利用专家知识,综合集成了航向角攻击意图系数和高度攻击意图系数。仿真结果表明,建立的攻击意图量化系统反映了影响因素和攻击意图的映射规律,方法合理有效,能够为防空作战提供决策支持。     

基于视频的运动目标检测算法的比较与分析

帧差法和背景差分法是目前常用的基于视频的运动目标检测方法。首先从帧差法和背景差分法中选取了几种具有代表性的算法;然后针对典型场景条件对这些方法进行了实验测试,并利用实验结果对算法进行了定性和定量的比较和分析。实验结果表明,ViBe算法、码本模型、混合高斯模型、自适应混合高斯模型、中值滤波和自适应背景建模具有较好的检测效果,但任何一种方法都有其局限性。     

一种探雷声纳图像分割方法及应用

提出一种适用于探雷声纳图像的疑似水雷目标扫描分割方法。该方法以图像区域生长法为基础,根据探雷声纳的成像原理及水雷目标的图像特性,对区域生长法中的参数做了特别设定,分搜索和定位两步对图像中疑似目标进行扫描分割,讨论了搜索和定位两种扫描窗口的尺寸及扫描方法。将该方法应用于实际探雷声纳图像,可得到符合预定信混比要求的疑似目标区域,为基于探雷声纳图像的水雷自动判别奠定了基础。     

面元法的红外制导图像边缘检测

红外图像通常存在着噪声大、目标和背景之间具有较小的灰度差、边缘较模糊的特点,使现有的方法不能有效地提取红外图像的边缘。而图像的表面积特征能较好地针对红外图像的这些特征提取出边缘,因此利用图像的表面积特征提出了一种实用的面元边缘检测法。在对图像灰度值变化情况进行分析的基础上,使用了一种十字面积计算公式以满足边缘检测的需要。通过噪声误差对面元法和梯度法计算结果的影响分别进行分析,发现面元法比梯度法的噪声抑制能力至少高两倍,而且在边缘处的噪声抑制能力更高。将面元法几种常用模板算子法的红外图像边缘检测结果进行实际对比后发现,所提出的面元法对红外图像的目标边缘检测能取得良好的结果。     

基于Hough变换的高分辨SAR图像道路目标检测

给出了一种检测高分辨率SAR图像道路目标的方法。该方法首先对原始图像进行一系列的预处理,然后利用Hough变换识别道路。在提取感兴趣区域时,该算法采用了高斯概率迭代方法代替了一般的CFAR检测或阈值分割;在进行Hough变换时,该算法用平均Hough变换代替一般的Hough变换;在检测变换域峰值点时,采用了结合全局CFAR检测的最大值点搜索的方法;最后对检测出来的准道路,该算法根据道路的独具性质进行鉴别,以确定其是否确实为道路。使用MSTARRedstone实测杂波图进行实验,取得了满意的效果。     

自然场景车标数据集的构建及其应用

车标作为车辆身份的关键特征之一,在车辆的监控与辨识中发挥着重要作用。由于自然场景复杂多变,对其中的车标进行准确识别仍具有很大的挑战性。目前公开数据库很少且存在诸多局限,导致研究缺乏可信度和实用性。本文建立了一个面向自然场景的全新数据集,包含多种采集环境下的10 324幅、67类车辆图像。基于此数据集开展应用研究,提出一个目标检测与深度学习相结合的车标识别方法,包括车标区域定位和车标种类预测两大步骤。实验表明,该方法对复杂背景有较强的适应性,在涉及30种车标的分类任务中达到89.0%的总体识别率。