基于视觉搜索的舰船跟踪方法研究与仿真

基于视觉图像处理方法实现对舰船目标的跟踪识别,提高对舰船目标的搜索和打击能力。传统方法采用舰船目标轮廓亮点检测方法实现对目标的视觉搜索,在图像模糊和背景干扰较强时,检测效果不好。本文提出一种基于相邻帧补偿和尺度不变特征变换的舰船视觉搜索跟踪算法。为提高舰船目标图像视觉特征采集的清晰度和稳定性,采用电子稳像技术对舰船视觉信息采集进行直方图均衡处理,采用尺度不变特征变换SIFT技术对舰船目标进行角点特征提取。采用相邻帧补偿技术进行背景干扰滤波,在相邻两帧之间求解舰船的运动参量,实现对舰船目标的视觉搜索和跟踪。仿真实验表明,采用该算法实现对舰船目标的视觉搜索跟踪,舰船视觉特征的稳像性能较好,对舰船目标的准确识别率较高,展示了较好的应用价值。     

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。     

船舶运动图像快速位移补偿方法

为了提高船舶运动成像的电子稳像能力,进行运动图像位移补偿处理,提出基于相邻帧多尺度补偿的船舶运动图像快速位移补偿方法,对采集的原始船舶运动图像采用小波降噪方法进行图像降噪处理,对降噪的船舶运动图像进行多尺度的经验模态分解,结合运动图像相邻帧的像素特征进行电子稳像补偿,根据电子稳像输出结果进行图像位移的快速补偿,提高船舶运动图像的成像质量。仿真结果表明,采用该方法进行船舶运动图像位移补偿,对运动帧的连续成像效果较好,输出图像的峰值信噪比较高,表明对船舶运动图像的成像质量较高,能克服快速位移对运动图像成像质量的影响。     

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。     

基于卷积神经网络的舰船图像增强算法

为了改善舰船图像增强效果,提出基于卷积神经网络的舰船图像增强算法,首先采用同态滤波器对原始舰船图像进行预处理,有效压缩舰船图像的动态范围,丰富舰船图像的细节信息,然后引入卷积神经网络对舰船图像色彩进行校正处理和补偿,解决舰船图像偏色问题,最后进行舰船图像增强仿真模拟实验。结果表明,卷积神经网络可以提高舰船图像的对比度,凸显了舰船图像细节,舰船图像的视觉效果优,舰船图像的增强结果要优于对比算法,同时降低了舰船图像增强的时间复杂度,舰船图像增强效率得以提升。     

循环卷积算法在舰船图像无损压缩中的应用

针对目前舰船图像无损压缩方法压缩后分辨率过低,导致压缩时间增加的问题,提出了基于循环卷积算法的舰船图像无损压缩方法。采用循环卷积算法,采集待无损压缩的舰船图像信息,根据循环卷积层循环训练方法,将待压缩的舰船图像信息进行分层归类。通过对舰船图像的关键信息完成捕获,输出有效初始化函数,利用神经网络池化层对采集到的图像信息完成循环遍历操作,通过池化处理,输出训练后的图像信息,完成图像的无损压缩。实验结果表明,基于循环卷积算法的舰船图像无损压缩方法能够有效保证压缩过后的图像分辨率,缩短压缩时间。     

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。     

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。     

舰船阴影检测算法在视频图像中的应用

海上舰船的监控有利于加强船舶监管水平,提供船舶航行的安全性,随着视频传感器与计算机技术的发展,海上舰船视频监控覆盖的范围越来越广,与此同时,视频监控的目标识别与图像处理技术也得到了一定的发展。视频图像中的阴影会降低目标识别的精度,因此,在进行舰船视频图像处理时必须要利用阴影消除算法,来改善舰船目标识别的水平。本文介绍一种基于色彩空间的阴影消除算法,并结合信号降噪技术,提升了监控视频图像中舰船目标检测的精度。