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。     

基于神经网络的船舶红外图像边缘检测方法

本文提出一种基于卷积神经网络的船舶红外图像边缘检测方法。首先,介绍船舶红外探测技术的基本原理,针对船舶红外图像的预处理进行研究,包括灰度的均衡化、红外图像的背景抑制、图像分割等。设计了一个基于卷积神经网络的红外图像边缘检测模型,该模型采用多层卷积和池化操作,以及非线性激活函数,能够有效地捕捉图像中的边缘信息。最后,通过对模型进行训练和优化,得到了准确度较高的船舶红外图像探测算法,为后续船舶的目标识别和跟踪提供了有效的基础。     

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。     

改进神经网络的舰船图像语义分割算法

针对传统图像语义分割算法耗时较长的问题,提出改进神经网络的舰船图像语义分割算法研究。首先需要将原始图像预处理,利用阈值分割法,检测出灰度值差异,分离图像主体与背景,检测主要特征,获取全局信息,增强细节捕捉能力,强化图像目标的类别属性,采用多尺度池化的网格结构,融合图像特征,利用分类器将像素分类,将全连接层更换为卷积层,完成分割结果的优化,至此结束改进神经网络的舰船图像语义分割算法的研究。设计仿真实验,将所提出算法与其他2种传统算法对照分析,验证改进神经网络的应用效果,实验结果表明,将改进神经网络应用到舰船图像语义分割过程当中后,所耗时长稳定在75～95 ms之间,明显优于传统算法。     

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.     

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。     

基于机器视觉技术的舰船行驶轨迹自动检测算法

由于传统的舰船行驶轨迹自动检测得到的目标图像局部视觉对比度低,弱小目标占据像素少,导致检测结果精度下降,无法为相关技术人员提供有效的参考价值,为此提出基于机器视觉技术的舰船行驶轨迹自动检测算法研究。利用所采集图像帧与帧之间的关联性,采集其灰度变化情况,获取有效信息,提取灰度矩阵特征,选择目标层次中的相邻帧,获得短时轨迹,计算得出灰度坐标,使所得轨迹光滑连续,分析单帧检测结果,完成基于机器视觉技术的舰船行驶轨迹自动检测算法研究。设计对照实验,验证所提出算法的应用效果,实验结果表明,在应用机器视觉技术后,检测得到的图像局部视觉对比度有着显著提高,能够证实所提出算法的行驶轨迹检测性能优于传统算法。     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

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。     

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。