基于模糊数学模型的舰船红外成像目标智能识别方法

利用传统基于SVM和基于神经网络的方法对舰船红外成像目标进行智能识别,识别距离较短,导致识别范围受限。针对上述问题,提出基于模糊数学模型的舰船红外成像目标智能识别方法。该方法分为3步:1)对舰船红外图像进行预处理,包括图像滤波、图像增强、图像分割;2)利用基于几何特性方法提取处理后的图像特征;3)以图像特征作为模糊数学模型特征因子,构建模糊集合,并利用贴近度原则对被识别对象进行归属判决,完成目标识别。结果表明:与基于SVM和基于神经网络的方法相比,利用本方法进行舰船红外成像目标智能识别,识别距离延长10 m和20 m,识别范围扩大。     

基于人眼视觉特性的舰船图像增强方法

传统舰船图像增强方法没有考虑人眼视觉特征,导致图像人眼视觉识别率较低,对此提出新型舰船图像增强方法。通过对舰船图像数据的标准化和白化操作,完成舰船图像人眼视觉化处理,提取处理图像数据的颜色特征和纹理特征,消除干扰项,提高图像特征维,根据图像H值,将升维后的图像数据,转换到RGB色彩空间中,合成图像色度、饱和度和强度,实现图像增强。实验数据表明,与传统图像增强方式相比,利用新设计的舰船图像增强方法,图像人眼视觉识别度提高27%,具有应用优势性。     

基于视觉传达技术的红外舰船图像多级融合方法

针对多光谱红外舰船图像质量差影响应用性的问题,提出基于视觉传达技术的红外舰船图像多级融合方法。利用多光谱红外热成像仪采集舰船图像数据,对红外舰船图像实施中值滤波处理,增强图像的视觉传达效果。通过非下采样变换方法,将红外舰船图像划分为高频方向子带与低频子带。依据高频子带融合方法和低频子带融合方法,分别融合红外舰船图像的高频方向子带与低频子带。对融合后的高频方向子带与低频子带实施非下采样逆变换处理,获取红外舰船图像的多级融合结果。实验结果表明,该方法可以实现不同光谱频段红外舰船图像的多级融合,融合后图像的互信息量、边缘信息保留量均高于0.7,有效提升红外舰船图像的应用性。     

大数据背景下的舰船图像特征识别研究

传统舰船图像特征识别方法仅能对图像大范围特征像素信息进行识别,而对图像细微像素特征识别效果,远远达不到实际应用要求。导致大量细节特征舰船图像,无法准确完成特征的识别处理,影响整体应用效果。为了解决细节特征信息识别问题,提出大数据背景下的舰船图像特征识别研究。利用大数据计算能力,对图像特征结构分布进行特征模型建立;根据特征分布特点,利用大数据算法,确定细节图像区域构成像素点特征。最后根据特征信息,分散检索全局目标图像像素信息,完成识别输出过程。通过与传统图像识别方法的10张图像359 035万个像素点的识别测试表明,提出方法能够在最短的时间内,完成预设细节图像特征点的识别任务,且识别准确率达到98.72%以上。     

改进Retinex的红外舰船图像增强算法

传统Retinex的红外舰船图像增强算法能改善图像的视觉效果,但受环境影响因素大,对复杂红外图像处理效果不明显,为此提出改进Retinex的红外舰船图像增强算法。根据灰度映射特殊函数关系,改进Retinex灰度图像增益关系,改善环境参数变化造成的图像阴影;采用傅里叶频域函数实现逆变增强,通过巴特沃斯频域函数去除低频分量,完成频域图像增强算法改进,从而解决复杂红外图像处理不清问题。实验数据表明,该设计算法比传统算法的分辨力高出63.9%,且能够识别更加复杂的图像信息,消除恶劣环境影响。     

基于支持向量机的红外图像舰船统计特征分析

海上舰船的航行统计特征和目标识别对于海上交通管理与监察部门有重要作用,一方面,舰船的航行统计特征是海上航线管理与调度的基础,可以减少海上船舶的碰撞事故;另一方面,舰船目标的特征识别可以帮助监察部门分辨敌我船舶,维护海上领域的安全。随着计算机技术与探测技术的发展,海上舰船的目标识别与特征提取技术取得了明显的进步,本文重点研究了基于支持向量机的舰船红外图像统计特征识别与提取技术,包括图像样本分类等方面,并进行了舰船红外图像边缘像素识别的仿真试验。     

基于大数据的舰船红外图像目标实时跟踪方法

舰船红外图像目标实时跟踪具有重要的研究意义,针对当前舰船红外图像目标实时跟踪算法存在的易丢失跟踪目标、目标跟踪精度低、计算时间少等缺陷,为了改善舰船红外图像目标实时跟踪效果,设计了基于大数据的舰船红外图像目标实时跟踪方法。首先分析了目前一些经典舰船红外图像目标实时跟踪方法的缺陷,找到引起它们不足的原因,然后提取舰船红外图像目标跟踪特征,并采用大数据分析技术根据特征实现舰船红外图像目标实时跟踪,最后对舰船红外图像目标跟踪误差和实时性进行实例分析,结果表明,本文方法的舰船红外图像目标跟踪精度高,跟踪误差处于实际应用要求的最小区间内,且舰船红外图像目标跟踪计算时间短,可以对目标进行实时有效的跟踪,获得比其它方法更优的舰船红外图像目标实时跟踪结果。     

基于机器学习的多光谱舰船图像异常目标检测方法

针对现有舰船异常目标检测方法,出现高相似度异常目标辨识度低的问题。提出基于机器学习的多光谱舰船图像异常目标检测方法,基于机器学习技术,对现有图像分析算法进行优化改进,通过采用多光谱AI协同CRD算法对图像构成原子进行划类提取,明确目标图像边缘。在此基础上,利用精准图源RX处理算法,精准确认图像内异常目标特征,完成提出的方法设计。对比实验证明,提出的基于机器学习的多光谱舰船图像异常目标检测方法,能够准确识别恶劣环境下的图像目标异常,具备高精度识别高相似度图像内的异常目标的要求,并且在处理速度、运算稳定性与后期学习能力上都优于传统舰船图像异常目标检测方法。     

基于神经网络的红外图像舰船统计特征分析

目前研究的红外图像舰船统计特征分析方法全面性较差,准确性较低。为了提高舰船统计特征提取的准确度和精度,本文借鉴神经网络工作原理,进一步对红外图像识别到的舰船目标进行统计特征提取,实现预期设计的效果。本文首先了解舰船红外成像的工作原理,然后利用图像滤波、图像增强技术以及图像分割操作对舰船图像数据进行预处理分析,利用特征目标模糊分类识别方法初步实现红外图像舰船统计特征的识别,然后调用神经网络技术,完善红外图像舰船统计特征提取流程。实验表明,设计方法具有很好的全面性和准确性,实现研究目标,可以投入使用。     

基于遥感图像的舰船运行信息提取方法

舰船运行过程体系复杂,通过对舰船运行信息提取,实现对舰船的实时状态监测,提出基于遥感图像的舰船运行信息提取方法。采用遥感探测方法进行舰船运行的图像采集,对采集的舰船遥感图像进行级联小波降噪处理,采用模板匹配方法进行舰船运行遥感图像的分块融合,实现运行状态特征量的图像反馈识别。根据对遥感图像的边缘轮廓检测结果进行舰船运行状态的实时监测和信息提取,提高舰船运行状态的可视化量化分析能力。仿真结果表明,采用该方法进行舰船运行信息提取能准确检测到舰船的运行特征信息,输出图像的信噪比较高,舰船运行状态的视觉监测性能较好。     

应用区域生长的无人船红外图像精确分割方法

为了更准确地掌握无人船航行动态,提出应用区域生长的无人船红外图像精确分割方法。对无人船红外图像特征进行有效提取与识别,采集应用区域生背景图像特征数值,有效提高图像边缘背景灰度和分辨率,将区域生长法与图像轮廓灰度信息相结合,进行无人船红外图像精确分割处理,保证分割结果精准合理。最后通过实验检测证实,应用区域生长的无人船红外图像精确分割方法在实际应用过程中具有更高的抗扰性和准确性。     

特征匹配的舰船图像识别算法

针对传统的舰船图像识别算法的鲁棒性较差的问题,研究特征匹配的舰船图像识别算法。对待识别的舰船图像做降噪和边缘强化处理,建立高斯金字塔使用SIFT方法提取预处理后的图像中的特征,并对提取的特征进行匹配。在神经网络中对匹配后特征对过滤,对过滤后的匹配特征对分类处理完成对舰船图像的识别。通过与传统图像识别算法的对比实验,证明了研究的特征匹配的舰船图像识别算法具有更佳的鲁棒性。     

复杂海情条件下遥感图像小目标舰船边缘识别

受复杂海情影响,以往使用Harr分类器、梯度直方图特征方法,无法剔除遥感舰船目标不均匀边缘,导致识别效果不佳。针对该问题,提出了复杂海情条件下遥感图像小目标舰船边缘识别。依据深度神经网络,提取复杂海情条件下目标特征。获取多尺度特征后,选出建议候选框,判断每个建议候选框类别,通过平移变换和缩放变换结果,输出边界框。使用顶帽算法剔除不均匀边缘,抑制海杂波的尾迹。由实验结果可知,该方法具有良好识别效果,且最高召回率为0.98,适用于复杂海情条件下舰船边缘识别。     

基于视觉传达的模糊舰船图像目标分类检测

模糊舰船图像的有效分类识别可提高对目标的准确打击和辨识能力,提出基于视觉传达和图像增强的模糊舰船图像目标分类检测模型。构建模糊舰船图像的多传感视觉采集模型,采用目标图像与背景图像差分分析方法实现对舰船图像的目标特征提取和聚类处理,根据视觉聚类传达和目标图像的特征点增强结果,结合模糊C均值聚类算法,实现对舰船目标图像的分类检测。测试得知,该方法进行舰船目标分类检测的聚类性较好,识别精度较高,视觉传达效果显著增强。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

基于改进视觉注意模型的舰船目标图像识别算法

以往使用基于局部Radon变换识别方法、基于SAR光学遥感图像识别方法受到复杂背景影响,使图像识别结果存在较多噪点和杂色,导致识别精准度较低,针对该问题,提出了基于改进视觉注意模型的舰船目标图像识别算法设计。构建改进视觉注意模型,初始分割阈值,采用中心周边算子,避免图像识别出现噪点。考虑双敌色效应,计算不同图像中心周边差异,避免图像识别出现杂色,提取舰船目标图像特征,再次阈值分割,识别出舰船目标图像。由实验结果可知,该算法识别效果好,最高识别效果为0.97,具有精准识别效果。     

基于时空域滤波的雾天舰船图像视觉传达方法

为提升雾天舰船图像视觉传达质量,提出基于时空域滤波的雾天舰船图像视觉传达方法。中值滤波算法分解雾天舰船图像,获取基础层与细节层雾天舰船图像;利用时空域滤波算法确定舰船图像需增强区域,并对其进行图像增强;以加权融合方式到增强后雾天舰船图像;提取增强后雾天舰船图像的边缘轮廓特征,依据量化融合方式处理提取的边缘轮廓特征,输出雾天舰船图像视觉传达结果。实验证明,该方法可有效分解雾天舰船图像,并增强图像,有效完成现雾天舰船图像视觉传达,提升图像边缘强度与彩色熵,即图像视觉传达效果较优。     

聚类分析算法在舰船识别中的应用

为了缩短舰船识别时间,提高舰船识别的成功率,提出聚类分析算法在舰船识别中的应用。通过聚类分析算法计算出舰船图像的分辨率,获取舰船图像的横向分辨率,完成舰船目标形态特征的提取;采用聚类方程表达式,得到舰船能量函数,基于聚类分析算法,确定处理舰船图像的聚类模型,通过分析聚类系数值的大小,完成舰船图像的处理;最后通过舰船识别流程设计,实现基于聚类分析算法的舰船识别。实验结果表明,基于聚类分析算法的舰船识别技术可以提高舰船识别的成功率。     

基于舰船红外图像的耦合Sine混沌映射加密方法

为了保证船舶在航行过程中对图像的准确识别,提高信息处理的安全性,结合颜色图像分量原理,设计一种舰船红外图像耦合Sine混沌映射加密方法。通过识别和采集舰船红外图像进,并针对不同三维混沌映射加密处理,优化混沌映射加密步骤,保证图像处理效果。最后通过实验证实,舰船红外图像的耦合Sine混沌映射加密方法具有较高的加密安全性。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能