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。     

SIFT算法研究及在目标识别中的应用

随着卫星技术的快速发展,遥感成像的清晰度在不断提高,海上舰船成像分辨率的增大为利用舰船的局部特征进行识别奠定了基础。本文研究SIFT特征提取算法的原理及应用,并对经典SIFT匹配算法进行介绍。针对经典匹配算法在进行SIFT特征匹配时的问题,通过计算图像尺度比的近似值用以改变图像的初始尺度,重新提取特征点,并进行二次特征匹配。最后,通过实验仿真证明,本文算法能有效提取高分辨率舰船卫星图像的稳定特征点,提高匹配算法的性能。     

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Web语义的舰船雷达目标识别系统设计

针对舰船雷达信号目标的识别方式简单、识别度低的情况,文中提出基于Web语义的舰船雷达回波自动识别系统。因为雷达信号目标特征信息点分散且繁杂,在语义Web网下取得雷达信号目标图像的数据特征,运用改进FastICA算法提取特征数据后,通过智能雷达回波视频图像识别系统,对舰船目标图像进行分析。实验证明,基于Web语义的舰船雷达目标识别系统,能使大量信息被系统充分利用,达到精确识别舰船雷达图像目标的目的。     

基于 Web语义的舰船雷达目标识别系统设计

针对舰船雷达信号目标的识别方式简单、识别度低的情况,文中提出基于 Web语义的舰船雷达回波自动识别系统。因为雷达信号目标特征信息点分散且繁杂,在语义 Web网下取得雷达信号目标图像的数据特征,运用改进 FastICA算法提取特征数据后,通过智能雷达回波视频图像识别系统,对舰船目标图像进行分析。实验证明,基于 Web语义的舰船雷达目标识别系统,能使大量信息被系统充分利用,达到精确识别舰船雷达图像目标的目的。     

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。     

海上舰船目标的多尺度图像识别算法

常规图像识别算法存在图像尺度分割不明确的问题,导致识别算法的准确率较低,构建一种新的海上舰船目标的多尺度图像识别算法。采集图像信息,获取图像噪声类型,利用样本分散数据,降维图像线性投影,提取像素点位置,分割多尺度图像构建识别算法。实验结果表明,此次构建的多尺度图像识别算法,在3种不同的图像分辨率条件下,识别准确率分别比其他2种常规识别算法高出16.52%,18.17%,14.79%,证明此次构建的图像识别准确率更高,更适合应用在海上舰船目标图像识别的任务中。     

三维动态舰船图像颜色特征自动提取及应用研究

以提升舰船颜色特征的应用技术水平,研究三维动态舰船图像颜色特征自动提取和应用方法。通过相机采集三维动态舰船图像颜色特征后,先使用PCA算法获取三维动态舰船图像的颜色特征子空间,再通过K-means聚类算法得到三维动态舰船图像颜色特征,以该颜色特征作为基础,分别利用支持向量机算法和二阶常速模型实现舰船目标识别和航迹跟踪。实验结果表明,该方法可有效提取三维动态舰船图像颜色特征的R、G、B分量,提取舰船图像颜色特征能力较强。将提取到的三维动态舰船图像颜色特征,应用到舰船目标识别和航迹跟踪,可有效识别舰船和跟踪舰船航迹,应用效果较为显著。     

复杂背景下无人艇视频视觉目标图像识别算法

为精准跟踪海域环境中的各类舰船目标,生成连续性的视觉目标图像视频,提出复杂背景下的无人艇视频视觉目标图像识别算法。利用增强滤波处理无人艇图像中的数据信息,再通过特殊信息标记的方式,完成无人艇视频的图像数据集设计。在此基础上,改进原识别提取网络,借助边界框预测实值,完成待识别目标图像的特征提取,实现复杂背景下无人艇视频视觉目标图像识别算法的顺利应用。对比实验结果表明,与KCF目标跟踪算法相比,应用新型目标图像识别算法后,YOI船体识别参数增大至8.56,实现了对海域环境中各类舰船目标的精准跟踪,大幅促进了连续性视觉目标图像视频的生成。     

多波段舰船图像目标局部特征识别方法

针对传统的多波段舰船图像局部特征识别方法存在的识别速度慢的缺点,提出一种多波段舰船图像目标局部特征识别方法。通过检测关键点和特征匹配,提取多波段舰船图像目标的局部特征;利用多分类器组合,通过线性分类器和非线性分类器对局部特征开展训练和识别。通过对比实验,与传统的多波段舰船图像局部特征识别方法作比较。实验结果表明,提出的多波段舰船图像局部特征识别方法具有更快的识别速度。     

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。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

舰船监控视频传输中虚假图像识别方法研究

传统的舰船监控视频传输中虚假图像识别方法图像识别精准度低,为此设计一种舰船监控视频传输中虚假图像识别方法。采用加权平均值法对虚假图像灰度化处理,并利用直方图均衡化处理的方法对虚假图像中的灰度直方图转换。同时,采用二维双树小波变换方法对虚假图像重建以及图像分割,对舰船监控视频传输中虚假图像背景更新,完成了舰船监控视频传输中虚假图像识别。实验证明,此次设计的图像识别方法比传统方法的识别精准度高,实际应用意义大。     

云计算环境下模糊舰船图像局部特征提取方法研究

为弥补SIFT算法在匹配精度上存在的不足,设计云计算环境下的模糊舰船图像局部特征提取方法。在云计算服务框架中,实现矢量描述子的分类操作,完成云计算环境下的舰船图像节点匹配处理。在此基础上,按照舰船图像的局部特征构造需求,建立模糊图像的稀疏数据库,再根据必要特征提取量的计算结果,实现新型模糊舰船图像局部特征提取方法的顺利应用。对比实验结果表明,与SIFT算法相比,应用新型局部特征提取方法后,舰船图像模糊匹配精度最大值接近75%,传统提取遗留问题得到妥善解决。     

双目视觉下多尺度舰船图像轮廓特征点提取算法

为清晰分辨船舶航行图像的边缘特征信息,提出双目视觉原理下的多尺度舰船图像轮廓特征点提取算法。依照图像信息的测距处理方案,匹配必要的视觉性像素,完成基于双目视觉的舰船图像特征点标注处置。在此基础上,根据多尺度成像坐标原理,判定舰船图像的灰度信息,再通过计算轮廓特征系数的方式,实现双目视觉下多尺度舰船图像轮廓特征点提取算法的应用。对比实验结果表明,与SIFT算法相比,应用新型特征点提取算法后,QDI系数指标出现明显提升的变化趋势,船舶航行图像的边缘特征信息得到清晰化分辨。     

舰船监控图像拼接与识别研究

针对当前舰船监控图像拼接与识别存在的弊端,如拼接错误率高、识别正确率低等,为了提高舰船监控图像拼接与识别效果,设计了一种神经网络的舰船监控图像拼接与识别方法。首先提取舰船监控图像拼接的特征,并根据拼接关键点方向直方图建立舰船监控图像拼接模型,然后引入神经网络构建舰船监控图像识别的分类器,最后进行了舰船监控图像拼接和分类仿真模拟测试实验。相对于其它舰船监控图像拼接方法,本文方法的舰船监控图像拼接正确率得到了提升,同时本文方法的舰船监控图像识别正确率超过了90%,使得舰船监控图像的误识率大幅度减少,具有一定的实际应用价值。     

蚁群算法在海面图像识别系统中的应用

在海上图像识别系统中,由于海上环境的不稳定及海上噪声的影响,对于海上拍摄图像纹理进行特征值的全面稳定提取还存在很大的提升空间。蚁群算法由于具有全局智能化的搜索能力,且同时有很好的自适应反馈能力及优良的鲁棒性特征而得到广泛应用。本文在研究现有蚁群算法基础上,提出一种新的对海面图像特征提取的有效蚁群算法,从而实现对海上图像有效识别。仿真表明,该算法不仅具有较低的算法复杂度,并且图像识别率较高。     

舰船目标图像不变特征快速识别方法

传统舰船目标图像不变特征的识别方式,图像特征识别的稳定度较低,舰船图像表面特征瑕点较多。对此提出了一种新型舰船目标图像特征快速识别技术。通过图像转化和背景帧差法对船舶目标图像进行灰化处理,提取局部特征点;再对舰船图像局部特征点的稳定度、重复度和匹配度的3项参数进行求取,并对其进行维数分析,实现舰船目标图像不变特征的快速识别。仿真实验表明,新型舰船目标图像不变特征快速识别方法与传统识别方法相比,Rtc图像离散度更低,在5 T目标图像下,最多可以减少27×106 T的瑕点,可以证明新型目标图像不变特征快速识别方法识别稳定度更高,图像产生的瑕点更少。     

基于小波和仿射不变矩特征融合的舰船型号识别

针对不变矩对仿射形变目标描述的不足,为提高舰船型号的识别精度,提出一种基于小波和仿射不变矩特征融合的舰船型号识别方法。首先对二值舰船图像进行归一化处理,并分别提取归一化舰船图像的小波矩特征值和仿射不变矩特征值;然后通过计算样本特征均值与标准差的比值,选择出鲁棒性好、稳定性高的特征,通过归一化方法进行融合;最后构造五类舰船的样本集,采用支持向量机(SVM)作为分类器识别测试样本的型号,分析不同矩特征、样本集大小、SVM参数、本文方法对识别精度、稳定性的影响。实验结果表明,文中给出的算法提高了识别精度,并且在训练样本集较小时仍能获得88%以上的识别率。     

利用虚拟现实技术的舰船图像优化

传统舰船优化算法仅能对图像二维层面进行通道增强,在三维结构层面上无法实现图像的构成像素关系的分析优化,从而出现优化后的图像结构关系不够清晰、细节特征模糊的问题。基于上述图像三维层出现的问题。引入虚拟现实技术,提出虚拟现实技术的舰船图像优化研究。利用虚拟现实技术,在图像的虚拟三维空间,提取图像三维结构特征;通过三维虚拟增强算法,对特征量进行结构变换增强优化。最后通过虚拟重构算法,对优化后的图像特征量进行图像结构重构,从而实现优化图像结构细节的效果。通过与传统图像优化算法的优化效果对比表明:提出的优化方法,在多处图像结构细节优化上,做出精准处理,处理效果符合实际应用要求,且优于传统图像处理效果,更适合舰船图像的精度化处理。