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。     

基于改进模糊聚类分析算法的船舶图像分割研究

海上船舶的红外成像技术可以为海上舰船的管理、监测提供良好的数据支撑,确保海上交通的安全性和船舶的有效管理。本文以海上船舶的红外图像处理为研究对象,介绍舰船红外成像系统的原理,采用一种改进的模糊聚类分析算法进行舰船红外图像处理,提高舰船红外图像识别的精度。     

基于图像分割的船舶吃水深度检测方法

针对传统的船舶吃水深度检测方法精准度低的情况,提出基于图像分割的船舶吃水深度检测方法。以得到精准的舰船吃水值为出发点,采集舰船吃水图像,并进行动态模板匹配,减少舰船晃动对吃水深度检测的影响,在此基础上,对船舶水尺图像字符进行校正,计算吃水线位置,得到舰船吃水深度,以此实现船舶吃水深度检测。实验对比结果表明,此次设计的基于图像分割的船舶吃水深度检测方法比传统的吃水深度检测精准度高,具有一定的实际应用意义。     

基于模式识别的图像中多目标自动分割和分类研究

为了提升多目标自动分割和分类效果,设计了基于模式识别的图像中多目标自动分割和分类方法。利用分水岭算法提取图像中多目标过分割区域;通过模式识别中改进模糊C均值聚类算法,聚类处理提取的多目标过分割区域,得到多目标自动分割结果;在模式识别中的卷积神经网络内,输入自动分割结果,输出多目标自动分类结果。实验证明：该方法可有效获取多目标过分割区域,得到多目标自动分割结果;在不同图像分辨率时,该方法自动分割的划分系数较大、划分熵较小,即自动分割效果较佳;该方法具备多目标自动分类的可行性,且自动分类精度较高。     

基于神经网络的船舶航拍图像融合研究

航拍图像融合是船舶图像研究领域中的一个重要研究方向,针对当前船舶航拍图像融合过程复杂,计算量大,融合精度低等缺陷,提出了基于神经网络的船舶航拍图像融合方法。首先分析船舶航拍图像融合原理,并对船舶航拍图像进行分解,得到低频和高频的船舶航拍图像分量,然后采用神经网络对船舶航拍图像的高频分量进行处理,并用加权平均法对船舶航拍图像的低频分量进行处理,最后通过逆变换对船舶航拍图像融合,并进行了仿真实验。实验结果表明,神经网络可以获得高精度的船舶航拍图像融合结果,船舶航拍图像融合时间短,相对于其他船舶航拍图像融合方法,神经网络的船舶航拍图像融合结果更胜一筹。     

模糊增强的Canny算法在船舶红外图像分割中的应用

航运业快速发展,水上交通密度和船舶速度不断提高,对船舶运营和管理提出了更严格的要求。红外成像系统具有探测能力强、灵敏度高、隐蔽性好等优势,被广泛应用于船舶航行安全、船舶避碰、船舶管理等领域。本文研究船舶红外图像分割算法,提出基于模糊增强的Canny算法的船舶红外图像边缘提取算法。     

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。     

船舶自动舵自适应神经网络控制算法研究

在我国船舶自动舵控制领域,其核心技术严重依赖于国外厂商,因此本文主要对船舶自动舵的工作方式进行研究。通过采用PID控制方法,建立精确的自动舵控制数学模型。在设计PID控制策略时,需要综合考虑外部非线性因素和时变不确定等影响,通过适度提高PID控制器中的反馈力度,能够显著提升自动舵的控制水平,然后针对反馈控制环节,设计自适应神经网络算法,对反馈控制参数进行自学习优化,进一步提升了船舶自动舵的预测能力。     

基于卷积神经网络的船舶图像增强研究

为了更好的识别船舶图像信息,提出基于卷积神经网络的船舶图像增强方法,利用卷积神经网络技术对船舶图像特征进行采集和建模,并对采集到的数据进行降噪,再根据图像颜色特征进行图像缺陷修复和图像的逆向恢复处理,从而获得高品质的船舶图像。最后通过实验证实,卷积神经网络能够有效改善船舶图像的显示质量,满足传播图像增强的设计目标。     

基于图像处理和模糊神经网络理论的船舶分类研究

本文将图像处理算法和模糊神经网络分类器相结合进行船舶分类,在研究过程中,首先利用图像处理技术进行图像分割、设定阈值、边缘检测等操作,然后建立了模糊神经网络结构,在此结构基础上进行模糊神经网络分类学习,最后采集到实测数据进行船舶分类,实验结果表明了本文算法的可行性和有效性。     

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。     

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。     

深度卷积网络的舰船图像自动分割研究

当前舰船图像自动分割方法存在"过分割"或者"欠分割"现象,使得舰船图像自动分割误差大。为了提高舰船图像自动分割精度,提出了基于深度卷积网络的舰船图像自动分割方法。对当前舰船图像自动分割的研究现状进行分析,找到引起舰船图像分割误差的原因。采用活动轮廓模型对舰船图像进行粗分割,并找到其中的舰船图像错误分割区域。最后,采用深度卷积网络对舰船图像的错误分割结果进行校正,实现舰船图像进行精细分割,并与活动轮廓模型的舰船图像自动分割方法进行了对比实验。结果表明,相对于活动轮廓模型,深度卷积网络的舰船图像分割精度更高,降低了舰船图像的误分割率,验证了本文舰船图像自动分割方法的优越性。     

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。     

基于多特征点的船舶焊缝图像缺陷识别技术

现有船舶焊缝图像缺陷识别技术存在着缺陷边缘定位功能差、缺陷识别效率低的缺陷。为了解决上述问题,基于多特征点研究船舶焊缝图像缺陷识别技术。以获取的船舶焊缝图像为基础,采用图像分割方法提取焊缝图像缺陷,通过锐化处理增强缺陷边缘信息,利用数学形态法提取缺陷边缘。以得到的缺陷边缘信息为依据,通过标度转换算法计算多特征点参数,实现船舶焊缝图像缺陷的识别。实验结果表明,与现有船舶焊缝图像缺陷识别技术相比,提出的船舶焊缝图像缺陷识别技术极大提升了缺陷边缘定位功能与缺陷识别效率,说明提出的船舶焊缝图像缺陷识别技术具备更好的识别性能。     

Underwater vehicle sonar self-noise prediction based on genetic algorithms and neural network

1Introduction Sonarself noiseisakeyfactorinfluencingthehiding capabilityofanunderwatervehicleanddetectioncapa bilityofsonar.Decreasingsonarself noisehasimpor tanteffectonenhancingtheprobabilityofsonardetec tionandbattleeffectivenessofunderwatervehicle.An …