基于图像检测的船舶特征提取算法优化

传统船舶特征提取算法,无法完全对船舶特征进行提取,存在精度不够、无法有效提取特征点等问题。为有效解决此问题,提出基于图像检测的船舶特征提取优化算法。计算不同波段下船舶图像的灰度值,依据灰度值结合霍夫曼及分裂排序编码构建船舶图像特征提取示意图;设计基于图像的船舶特征点检测提取模型,确定图像中船舶特征点相关性。依据相关性进行船舶特征点的有效提取,并利用图像特征提取,完成船舶特征提取的优化算法,设计对比实验结果表明,改进后方法与传统方法相比,大幅提高船舶特征提取的准确性。     

基于图像检测的船舶特征分割与提取优化算法

船舶图像特征分割和提取算法是图像检测领域中的基础工作。由于船舶航运环境和船舶自身结构组成相对复杂,船舶图像的全自动分割方法在图像检测过程中经常出现边缘模糊、准确性低等问题。因此提出基于图像检测的船舶特征分割与提取优化算法,结合免疫算法获取更多图像特征信息,达到快速、准确的对船舶图像特征进行提取和分割的目的。为验证算法的准确性进行仿真实验,结合船舶区域图像对图像边界特征进行提取和分割,并与传统方法进行比较。实验结果证明基于图像检测的船舶特征分割与提取优化算法可以有效达到特征融合、全局最优、算法效率高等优良特性,使图像具有更强的实用性。     

数据挖掘在无人船舶目标图像识别中的应用

为了缩短无人船舶目标图像的识别时间,提高目标图像的质量,提出了数据挖掘在无人船舶目标图像识别中的应用。利用数据挖掘技术确定无人船舶目标图像的阈值,根据目标图像的阈值误差分割了目标图像,采用图像边缘点提取公式将图像边缘点连接成线,提取出目标图像的外轮廓,完成无人船舶目标图像的预处理;通过目标图像识别算法的改进设计,得到了目标图像的识别流程,实现了数据挖掘在无人船舶目标图像的识别中的应用研究。仿真实验结果表明,数据挖掘在无人船舶目标图像识别方法与基于航拍技术的目标图像识别方法相比,目标图像的识别时间缩短了35.1%。     

基于红外图像的船舶特征识别方法

传统船舶特征识别结果准确性较低,且相关人员不能根据此结果,快速完成船舶图像复原。为解决此问题,设计基于红外图像的船舶特征识别方法。通过ROI低分辨率红外图像提取、图像特征相邻方向指示2个步骤,完成基于低分辨率红外图像的船舶特征识别。通过ROI高分辨率红外图像提取、图像增强预处理2个步骤,完成基于高分辨率红外图像的船舶特征识别。设计对比实验结果表明,基于红外图像的船舶特征识别方法,与传统方法相比,能够保证特征识别结果的准确性,为快速完成船舶图像复原操作提供可能。     

基于图像纹理特征提取的船舶目标定位方法

普通船舶目标定位方法,确定目标船舶所处位置时,易发生较大偏差,且所需定位时间过长。为有效解决此问题,设计基于图像纹理特征提取的船舶目标定位方法。通过船舶图像纹理特征的确定,完成基于Gabor船舶图像纹理特征的提取。通过目标阵列稀疏信号的确定、稀疏信号方位角的确定,完成基于图像纹理特征提取的船舶目标定位方法的搭建。设计对比实验结果表明,新型船舶目标定位方法与普通方法相比,一定程度上,缩小目标船舶定位误差及所需定位时间。     

基于红外图像的海上船舶特征识别算法研究

传统海上船舶特征识别算法受到可见光强弱的影响,在暗光条件下对船舶图像识别能力远远不如白天,加之船舶搜救等应用场景多为夜晚。因此,提出基于红外图像的海上船舶特征识别算法研究。首先,基于红外图像识别算法,将红外识别与可见光参量进行高精度融合计算;其次,对融合后的红外识别特征参量进行增强计算;最后,通过粒子群算法对大场景中的目标进行特征绑定,从而实现暗光条件下快速准确识别船舶特征的效果。通过实验对提出算法进行测试对比,证明提出算法在暗光条件下对船舶特征的识别能力高于传统识别算法。     

船舶多目标图像特征并行提取算法

一片海域中包含多个船舶目标,同时提取多个目标过程极其复杂。传统的船舶多目标图像特征并行提取算法提取出来图像特征清晰度很差。为解决此问题,研究了一种新的船舶多目标图像特征并行提取算法,介绍了船舶图像多目标特征提取架构图,重点分析颜色特征提取过程、纹理特征提取过程和形状特征提取过程。特征并行提取流程共分为初始分析、目标特征识别、图像特征确认、描述显示4个步骤,通过计算目标船舶所在位置,分析灰度值,提取船舶特征。利用与传统算法的对比实验验证了该算法的可行性。实验结果表明,给出的算法提取的目标图像清晰度更高。     

基于人工智能技术的舰船图像语义分割算法

随着对舰船研究的深入,原有的舰船图像语义分割结果已无法满足现有的研究要求。原有的舰船图像语义分割算法在图像预处理过程中较为粗糙,导致图像分割结果交叉联合度量值较低,图像分割损失值较大。因而,设计基于人工智能技术的舰船图像语义分割算法。引用人工智能技术中的卷积神经网络对图像预处理部分展开优化;对预处理后的图像进行多尺度拟合,获取图像特征;使用改进代价函数实现舰船图像语义分割。构建算例测试环节,通过与原有算法以及使用其他技术设计的分割算法进行对比可知,此算法的交叉联合度量值较高,图像分割损失值较低。由此可知,此方法的舰船图像语义分割能力较佳。     

基于深度神经网络的船舶图像识别检索研究

对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。     

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。     

基于特征融合技术的船舶图像拼接方法

海上交通运输业的快速发展,对船舶航行安全性提出更高的要求。船舶图像系统作为辅助船员安全驾驶的措施之一,必须保证图像的分辨率和清晰度。为实现这一目标,可以利用特征融合技术,选取适宜的特征提取算法,对图像中的特征点进行准确提取,为图像融合拼接提供有利条件。在图像拼接的过程中,通过预处理,消除影响拼接效果的因素,以此来确保图像的拼接质量,为船舶安全航行提供支撑。本文的研究对于船舶图像系统性能的全面提升具有重要的现实意义。     

小波分解和多尺度形态学的舰船图像自动识别

传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。通过与传统单一算法的图像识别方法对比证明,在相同时间内,提出方法的识别准确率最高,并可将识别准确率控制在98%以上。     

船舶视频监控图像的多特征集成研究

传统视频监控图像多特征集成技术对舰船图像集成后清晰度较差,并伴随一定的图像阴影,为此提出船舶视频监控图像多特征集成技术。根据舰船图像的底层视觉特征进行图像自动标注,为特征提取提供定义数据,对图像进行序列选定,避免集成图像生成阴影;使用空间分布特性进行图像视觉特征表达,使用纹理特征方式实现船舶监控图像多特征集成。试验数据表明,设计的图像多特征集成技术能够完成船舶图像的高清特征集成。     

基于云计算的船舶通信网络入侵特征提取方法

普通船舶通信特征提取方法,不能根据入侵数据所处位置,快速完成数据特征的提取。为有效解决上述问题,设计基于云计算的船舶通信网络入侵特征提取方法。通过船舶通信入侵问题描述、特征数据的信号处理,完成云计算环境下,船舶通信入侵特征数据的确定。通过入侵特征架构的搭建、多序列船舶数据入侵特征提取,完成基于云计算的船舶通信网络入侵特征提取方法的搭建。设计对比实验结果表明,新型特征提取方法,与传统方法相比,可更加准确的确定入侵数据所处位置,并适当缩短完成数据特征提取所需时间。     

视觉传达技术船舶航行环境实时模拟系统

在船舶航行环境实时模拟过程中,对于船舶波模拟能力较差,造成船舶航行环境实时模拟系统图像绘制时间过长。因而,设计基于视觉传达技术的船舶航行环境实时模拟系统。引用图像绘制数位板以及GPS船舶定位装置完成系统硬件优化。构建船舶航行模型,计算船舶波宽度。引用视觉传达技术,设置波图像信息点,完成船舶航行波绘制。寻找目标船舶,设定船舶以高速与低速2种状态展开航行,对此系统与原有系统展开测试。由测试结果可知,此系统的船舶波模拟精度与图像绘制时长均优于原有系统。     

基于图像匹配的多船舶图像拼接方法

传统多船舶图像拼接方法在使用实践过程中,存在无法对多艘高度相似的船舶进行特征区分,导致在拼接过程中拼接位置出现错误的问题。提出基于图像匹配的多船舶图像拼接方法,首先通过引入M-KAZE算法,对高相似度的船舶进行细节的非线性尺度特征识别计算,使每张船舶图像的特征更为清晰;接着,引入稀疏特征像素点拼接算法对多张船舶图像的稀疏特征进行关联计算,从而完成多艘船舶图像的准确拼接;最后,通过仿真实验证明提出方法的可行性。     

基于视觉传达的大型船舶航行图像融合研究

图像融合是图像识别的重要环节,为提升船舶航行图像识别精度,提出了基于视觉传达的大型船舶航行图像融合算法。通过离散滤波获取图像高频部分并盲估计模糊核,依照模糊核,通过总变分正则化法对图像实施非盲去卷积处理,获取去模糊后的图像;针对去模糊处理过程导致图像亮度发生变化的问题,采用伽马校正算法调整图像亮度,提升图像视觉传达效果。针对校正后的图像,对比2幅待融合图像的熵值,获取熵值较大图像的残余分量,通过基于方向滤波的二维局部均值分解法,将残余分量和熵值较小的待融合图像分解成低频子带与高频子带并分别融合,通过逆变换运算得到融合图像。实验结果显示该方法可有效提升大型船舶航行图像的细节清晰度,令图像的视觉传达效果增强,并显著提升图像识别精度。     

数据挖掘技术在船舶航迹拟合中的应用

近年来,针对船舶航迹拟合的研究日益增加。但原有船舶航迹拟合方法在使用中,常出现拟合结果与实际航迹相差较大的问题。因而采用数据挖掘技术展开优化,设计基于数据挖掘技术的船舶航迹拟合方法。在船舶中引用AIS系统,获取船舶行驶数据。采用数据挖掘技术中的模式挖掘算法对采集到的数据进行预处理。使用上述处理后的数据,构建船舶航迹拟合模型。至此,基于数据挖掘技术的船舶航迹拟合方法设计完成。构建实例测试分析环节,将此方法拟合结果与原有方法拟合结果和实际航迹进行对比,获取航迹相似度。通过对比可知,此方法相似度高于原有方法。由此可知,基于数据挖掘技术的船舶航迹拟合方法拟合效果更佳。     

基于无人机倾斜摄影的船舶航行图像重建研究

传统的图像重建方法应用于船舶航行图像重建,由于在图像匹配过程中的误差率较大,导致其图像匹配性能较差。为此,设计一种基于无人机倾斜摄影的船舶航行图像重建方法。首先,利用灰度变换和图像锐化,对图像预处理;其次,采用聚簇算法完成图像匹配;之后,通过反解法数字纠正方法完成图像纠正;最后,利用图像序列重建,完成船舶航行图像的三维重建。至此,完成基于无人机倾斜摄影的船舶航行图像重建方法的设计。通过对比实验,与2种传统方法相比,提出的基于无人机倾斜摄影的船舶航行图像重建方法的图像检查点精度更高,表明其匹配性能更好。     

RBF神经网络的舰船图像滤波融合

普通舰船图像滤波融合模型,不能兼顾滤波精度计算性与滤波容错性。为解决此问题,设计基于RBF神经网络的舰船图像滤波融合仿真模型。通过网络结构设计与网络学习方法设计,完成RBF神经网络的搭建;改进原有仿真模型算法、舰船图像多滤波融合形式,完成仿真模型的搭建。模拟应用环境设计对比实验结果表明,基于RBF神经网络的舰船图像滤波融合仿真模型,既提升滤波精度计算性与滤波容错性,也做到2种性能的兼顾。