基于SIFT特征的SAR图像匹配

SAR图像在海上舰船武器导航领域中具有重要作用,其中SAR图像的配准是准确导航的关键技术。为获取准确高效的SAR图像匹配结果,本文提出一种利用SIFT算法进行雷达SAR图像的匹配方法。首先,通过SIFT算法从SAR图像中获取大量的尺度不变极值点,生成SAR图像的特征描述符;然后,为更有效的进行特征匹配,本文采用单系数法作为特征匹配的距离度量;最后,通过实验对算法进行仿真,初步实验结果表明本文算法能够取得较好的匹配效果。     

基于双边滤波的船舶图像混合域去噪方法

船舶SAR图像由于高斯噪声、相干斑噪声以及SAR雷达的阴影特性等原因,SAR图像中存在着大量噪声,这些噪声信号会干扰基于SAR图像的海上船舶目标识别与监测。针对这一问题,本文提出一种基于双边滤波算法的船舶SAR图像混合区域去噪算法,阐述双边滤波算法的原理,进行SAR图像噪声的来源建模,在实际船舶SAR图像的处理过程中取得了良好的降噪效果。     

基于小波阈值法和LMS自适应滤波法的舰船去噪方法

在海上行驶过程中,为确保安全稳定航行,有必要高度重视舰船去噪的重要性。其中,在舰船去噪过程中,将信噪比增益当做小波基函数的一个重要参数进行研究,可以将改进后的小波阈值算法应用到舰船的背景信号去噪算法中,进而改善去噪的效果。而LMS自适应滤波器则能够结合环境改变对滤波器的系数进行自动调整,结构相对简单且运算量不大,容易满足硬件需求,所以也在噪声对消与信号预测、增强等诸多领域中得到广泛应用。在舰船去噪中,将小波阈值去噪方法与LMS自适应滤波算法应用于其中具有一定的可行性,值得展开进一步研究与探讨。     

智能视频监控中舰船假目标图像检测算法

传统舰船假目标图像检测算法存在检测精准度低的缺陷,为此提出智能视频监控中舰船假目标图像检测算法研究。将智能视频监控中采集的图像采用灰度化处理得到灰度图像,利用直方图均衡化处理灰度图像,提升图像的质量。采用滤波处理方法将得到的图像进行去噪,完成图像的预处理,为图像检测做准备。采用小波变换方法对上述得到的图像进行特征提取,将得到的图像特征输入到图像检测模型中,与真目标图像特征进行逐一比较,输出假目标图像,实现了对舰船假目标图像的检测。实验结果表明,提出的舰船假目标图像检测算法检测精准度比传统算法高出21.8%,说明提出的舰船假目标图像检测算法具备极高的有效性。     

低照度的舰船图像增强研究

传统舰船图像低照度增强算法多为单一增强算法,因此在对图像动态范围处理上存在一定误差,导致动态范围外的图像色域噪点处理效果不佳,图像整体增强效果无法达到舰船图像应用要求。为了获得低照度下舰船图像的最佳增强效果,提出低照度的舰船图像增强研究。首先,对低照度图像建立Retinex模型,获得低照度图像增强的理论基础数据;接着将Retinex模型参量引入低照度舰船图像,建立图像光照基础模型,根据光照基础模型获得的各图层光照分布状态,对其亮度进行调整,滤除图层噪点;然后,通过神经网络算法,对增强图像图层进行重建计算,完成低照度舰船图像增强计算。最后,通过对比实验数据,证明提出方法能够提升低照度舰船图像增强处理效果。     

船舶噪声视频图像的去噪锐化方法

传统视频图像降噪处理普遍采用小波滤波算法完成降噪计算,虽然像素通道内的噪声被有效去除,但是滤波过程中有效像素的损耗导致图像通道的收敛性降低,不利于后期图像的锐化处理。为了解决此问题,提出船舶噪声视频图像的去噪锐化方法。为了避免去噪过程中对正常像素的损伤,本文提出的方法采用拉氏去噪算子去噪算法,完成噪声像素点的去除计算。通过梯度锐化并行算法在去噪算法的基础上,完成对图像像素的锐化计算。对比实验表明,提出的去噪锐化方法比传统去噪锐化方法,提升图像整体去噪锐化效果好,实用性更强。     

随机矩阵理论在舰船复杂网络去噪中的应用

通信信号质量直接关系到海上舰船与岸上基站之间的通信是否有效,提出一种基于随机矩阵理论的舰船复杂网络去噪方法。首先采集舰船复杂网络中的通信信号并进行处理,转换成随机矩阵形式,然后通过计算距离提取被噪声"感染"的信号特征,最后计算噪声感染程度特征值,选取噪声信号,并进行滤波处理,实现去噪。结果表明:所研究方法应用下,去噪后的通信信号信噪比为7.821 dB,信息熵为15.362,大于传统方法应用下的去噪效果,由此说明该方法可以同时达成去噪效果和保证信息完整性的双重目标。     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

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。     

基于频域滤波的噪声识别去噪算法

在频域滤波的基础上,对图像的高频部分进行噪声识别,区分边缘与噪声,进而通过改进的空间滤波算法实施去噪,使图像边缘细节部分得到保护,再将处理后的高频图像与其对应的低频图像进行融合,以获得完整的高质量图像.实验结果表明通过新算法处理后的图像可以达到较好的降噪效果.     

船舶纹理图像自适应滤波去噪研究

由于传统的船舶纹理图像的自适应滤波去噪方法存在去噪效果差的问题,因此提出了一种新的船舶纹理图像的自适应滤波去噪方法。根据船舶纹理图像空间坐标连续性,将船舶纹理图像表示成数字图像形式,利用船舶图像纹理的主要3个标志,提取纹理特征,并给出纹理特征定量估计结果。结合图像纹理特点,对图像进行分割处理。采用极值检测方法设计噪声检测的自适应滤波,在一定程度上判断出噪声大小。通过设置阈值减小对噪声的误判,实现图像信息与噪声的有效分离。设计去噪流程,由此完成自适应滤波的去噪处理。通过实验对比结果可知,该方法的去噪效果较好。     

舰船遥感图像检测小波分析研究

本文以舰船遥感图像为具体分析对象,针对舰船图像中存在的噪声干扰和目标边缘检测问题,引入小波分析作为解决方法,通过对使用小波进行图像去噪及目标边缘检测原理的分析,采用db N小波函数为对舰船图像信号进行分解,以自适应阈值法实现高频信号去噪处理,并对降噪后的图像选择合适的平滑函数进行舰船目标边缘提取,结果表明,小波分析能够很好地实现舰船遥感图像去噪,而舰船目标对于边缘提取,虽然效果较好,但仍有进一步优化改进的空间。     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

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。     

基于改进Faster R-CNN的SAR舰船图像检测

针对传统的SAR舰船检测算法适应能力和准确率低的问题,提出一种基于改进Faster R-CNN的SAR舰船图像检测算法.改进后的算法以FasterR-CNN为检测框架,利用改进的k-means算法设计更适合舰船目标形状特点的先验锚点框;优化NMS算法以剔除重叠区域的舰船候选框,改善了舰船距离较近导致的漏检问题;同时引入Mask R-CNN算法中的RoI Align单元来消除特征图与原始图像的映射偏差.试验结果表明,改进后的算法相比 Faster R-CNN算法平均检测精度提升5.1％,达到86.64％,可以达到船舶数据量庞大情形下的检测要求.     

舰船图像系统的加密算法设计

传统的舰船图像加密算法通常由于密钥空间较小而很难抵御恶意程序的攻击,因此为了增强舰船图像系统加密算法的安全性,对舰船图像系统的加密算法进行优化设计。在舰船图像系统加密算法设计中导入混沌序列,得到迭代运算公式,生成基于混沌序列的密钥空间,以此设计图像系统加密算法。根据对比实验可知:当初始参数为1×106时,文中算法的密钥空间能够达到传统算法的1027倍,因此具备更好的防御恶意攻击的能力。     

基于深度学习网络的舰船识别方法

合成孔径雷达SAR由于穿透力强,可全天候工作,目前在海上目标探测等领域获得了非常广泛的应用,SAR图像的舰船识别技术也成为一项热点研究。本文研究侧重于利用深度学习算法和卷积神经网络,实现海上舰船SAR图像的快速、准确识别。首先介绍深度学习和卷积神经网络的原理,然后基于深度学习网络建立了SAR图像船舶快速识别算法,最后结合海上SAR图像数据进行了舰船识别的仿真试验。     

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。     

利用NSCT循环抽样进行水声图像去噪

在海上军事及海底探测领域,基于声呐图像的识别应用越来越多。但是声呐图像混入了多种海上噪声,在图像对比时首先需要去除噪声。NSCT是一种基于拉普拉斯逆变换的滤波方法,对于海上声呐图像首先按照周期进行循环抽样,然后利用NSCT变换得到图像边缘系数,再通过滤波平移对噪声进行去除。本文在研究声呐图像及海上噪声特性的基础上,利用NSCT滤波算法对其进行去噪处理,得到空域平均后的去噪图像,并给出仿真结果。     

基于大数据理论的舰船图像分类

当前舰船图像以海量的形式存在,传统分类算法的工作时间长、舰船图像分类的实时性差,为了快速、高精度的实现舰船图像分类,设计了基于大数据理论的舰船图像分类算法。首先对舰船图像分类的研究现状进行分析,采集舰船图像,建立舰船图像分类的特征库,然后对待分类舰船图像,采用大数据理论和机器学习算法进行特征匹配,将舰船图像分类相应的类别中,最后进行舰船图像分类的模拟测试。结果表明,本文算法可以短时间内实现舰船图像分类,舰船图像分类的误差远远小于实际应用的控制范围,而且舰船图像分类的整体效果要优于传统的舰船图像分类算法。