基于视觉传达的船舶航行图像优化研究

为了改善船舶航行图像质量,准确分辨图像信息,提出基于视觉传达的船舶航行图像优化方法。利用双边滤波器与冲击滤波器处理模糊船舶航行图像,达到图像去噪、纹理平滑以及边缘特征增强的目的。根据模糊核的稀疏性特点,通过正则化交替迭代方式实现模糊最佳估计结果的确定后,基于梯度稀疏的反卷积方法实现模糊图像的复原,运用HSV色彩模型对复原后的船舶航行图像作优化处理,获得高质量船舶航行图像。实验结果表明,该方法可实现模糊船舶航行图像视觉传达优化,优化后图像的结构相似度、信息熵指标最高可达0.967、9.49,边缘强度、梯度均值、彩色熵指标达到设定要求,图像视觉优化效果突出。     

基于视觉传达技术的船舶图像匹配研究

为准确实现船舶图像匹配,提出基于视觉传达技术的船舶图像匹配方法。考虑人眼的激励感知与抑制感知状态,在脉冲耦合神经网络内添设侧抑制信号等感知函数,实现低对比度的船舶图像增强处理;采用基于灰度差值直方图的特征提取方法判断增强后船舶图像边缘的粗细程度,提取船舶图像边缘特征;选取斯皮尔曼等级相关系数确定原始船舶图像与待匹配船舶图像的相关系数,以此判断船舶图像间的匹配度。测试结果表明,本文方法对简单与复杂背景的船舶图像均能实现图像增强,并充分获取图像内的边缘信息,实现准确的图像匹配。     

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。     

基于视觉传达的大型船舶航行图像融合研究

图像融合是图像识别的重要环节,为提升船舶航行图像识别精度,提出了基于视觉传达的大型船舶航行图像融合算法。通过离散滤波获取图像高频部分并盲估计模糊核,依照模糊核,通过总变分正则化法对图像实施非盲去卷积处理,获取去模糊后的图像;针对去模糊处理过程导致图像亮度发生变化的问题,采用伽马校正算法调整图像亮度,提升图像视觉传达效果。针对校正后的图像,对比2幅待融合图像的熵值,获取熵值较大图像的残余分量,通过基于方向滤波的二维局部均值分解法,将残余分量和熵值较小的待融合图像分解成低频子带与高频子带并分别融合,通过逆变换运算得到融合图像。实验结果显示该方法可有效提升大型船舶航行图像的细节清晰度,令图像的视觉传达效果增强,并显著提升图像识别精度。     

基于视觉传达技术的舰船图像质量提升方法

由于舰船行驶过程所拍摄图像容易受到各种外界因素影响,降低舰船图像质量,无法获取舰船重要信息,因此,有效利用多种视觉传达技术提升舰船图像质量。结合大气弹射模型,采用改进的四叉树搜索方法估计有雾舰船图像的大气光值,通过子窗口引导滤波器估计有雾舰船图像的透射率,反推大气散射模型,获取去雾后的舰船图像;通过视觉传达技术中低通滤波器将去雾后舰船图像分解为低频部分和高频部分,将舰船图像的低频部分输入到编码-解码深度网络中,修正舰船图像的颜色,将舰船图像的高频部分输入到残差网络中,增强舰船图像的清晰度;再经视觉传达技术中改进的双伽马函数调整舰船图像的亮度,实现舰船图像的质量提升。实验结果表明：该方法使舰船图像的纹理细节丰富,颜色鲜明,具有较高的清晰度和对比度,符合人眼的视觉感受;与原始舰船图像的结构相似性均在0.91以上,保证了舰船图像的真实性。     

基于视觉传达的船舶自动导航系统

为了提升自动导航效果,设计基于视觉传达的船舶自动导航系统。利用视觉传达技术采集船舶图像,通过回溯处理模块获取高精度图像信息;利用系统软件线程实现模块间通信,依据图像信息制定航行计划,依据高精度图像信息实现航线设置、航线偏移报警与保存航迹功能;采用船舶目标跟踪方法得到船舶的位置和航向角信息,利用人机交互模块完成海图漫游、查询与航线管理等操作。实验证明,该系统可合理设计船舶航线,航行轨迹跟踪精度高。     

船舶视觉系统目标图像边缘检测方法

船舶视觉系统是船舶航行的重要辅助部分,视觉系统的工作效果很大程度上取决于边缘检测方法的准确性。常见的图像边缘检测方法通过像素梯度变化检测目标边缘,在对复杂图像处理时容易受到噪声干扰,导致检测精度和效率较低。为解决上述问题,提出船舶视觉系统目标图像边缘检测方法。对图像进行背景区域与目标区域的划分,提取目标所在区域。选择图像边缘的Harr和HOG特征后,利用蚁群算法检测图像边缘。对比仿真实验结果表明,研究的边缘检测方法检测准确率均高于85%,并且检测效率均高于对比方法,具有明显的应用优势。     

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。     

视觉传达技术的雾天舰船图像恢复研究

由于使用基于空间角度恢复方法、基于变换领域恢复方法受到大量像素影响,特征点提取结果不精准,会导致图像恢复效果较差。为了解决该问题,提出视觉传达技术的雾天舰船图像恢复研究。剪裁提取目标区域,计算像素间隔,得到图像的物理坐标。以此坐标为基础进行三维图像面的重建。通过信息交互,确定重建面的同体元坐标点,完成三维重建。基于重建结果,调整局部区域亮度,区分明暗原色,结合视觉传达技术,设计了雾天舰船图像恢复流程,避免了边缘提取不连续的问题。由实验结果可知,该方法特征点提取结果与图像比例下实际值一致,误差为0,图像恢复效果较好。     

卷积神经网络船舶遥感图像目标检测

本文提出卷积神经网络的船舶遥感图像目标检测方法。采用拉普拉斯算子增强处理船舶遥感图像,使得船舶目标特征信息更加清晰;基于Snake模型分割出遥感图像中的船舶目标,通过Gabor滤波器提取船舶遥感图像目标特征向量;基于卷积神经网络搭建船舶遥感图像目标检测架构,统一化处理分支网络置信度,对卷积神经网络进行训练,获取最优权重系数;将遥感图像输入至训练好的卷积神经网络中,即可实现船舶目标的检测。实验数据显示：应用本文方法获得的F1 Score参量与IoU参量数值全部大于给定标准数值,充分证实本文方法具有较好的船舶遥感图像目标检测效果。     

数据挖掘在无人船舶目标图像识别中的应用

为了缩短无人船舶目标图像的识别时间,提高目标图像的质量,提出了数据挖掘在无人船舶目标图像识别中的应用。利用数据挖掘技术确定无人船舶目标图像的阈值,根据目标图像的阈值误差分割了目标图像,采用图像边缘点提取公式将图像边缘点连接成线,提取出目标图像的外轮廓,完成无人船舶目标图像的预处理;通过目标图像识别算法的改进设计,得到了目标图像的识别流程,实现了数据挖掘在无人船舶目标图像的识别中的应用研究。仿真实验结果表明,数据挖掘在无人船舶目标图像识别方法与基于航拍技术的目标图像识别方法相比,目标图像的识别时间缩短了35.1%。     

船舶三维视觉图像模糊目标清晰处理仿真

为保证船舶目标的识别效果,需提高船舶图像目标的清晰度。因此,研究船舶三维视觉图像模糊目标清晰处理方法。该方法采用立体双目视觉在2个视点下观测同一个目标,依据2个观测面的模糊核路径和三维空间内的船舶运动路径相对应的原理,获取船舶模糊图像的三维信息;采用局部模糊探测方法,依据获取的三维信息分割模糊目标图像,并将分割结果输入残差聚集网络模型中,通过模型的处理获取清晰化高质量目标图像。测试结果显示,该方法清晰处理后的目标图像对比度、边缘强度以及图像方差3个指标的结果均在0.933以上,可有效完成图像模糊目标的清晰处理,获取清晰的目标结果。     

噪声干扰下船舶遥感图像的目标边缘检测方法

目前边缘检测方法根据图像极值点筛选图像边缘点,导致检测到的边缘图像不清晰,平均能量值偏低,提出噪声干扰下船舶遥感图像的目标边缘检测方法。采用频域Fourier变换去除图像噪声;选择Canny算子,设计目标边缘检测流程;平滑去噪图像,根据图像边缘梯度极大值点,筛选图像目标边缘点,分割图像目标和背景,实现目标边缘检测。实验结果表明,在1%和10%梯度下的校验噪声模拟的噪声干扰下船舶遥感图像中,研究方法相较此次实验选择的方法,检测到的目标边缘图像平均能量值高。     

自适应阈值法的舰船图像自动分割

图像分割是视觉检测领域中的重要环节。由于舰船环境和图像数据的复杂性,现阶段舰船图像自动分割技术中的抗光照性能差、精度低以及边缘模糊等问题仍普遍存在。如何有效完成对舰船图像进行自动分割成为一大难题。为了有效解决上述问题,对当前图像分割方法进行深入的研究和调查,提出通过自适应阈值法的舰船图像自动分割方法,在总结和分析了现有自适应阈值分割算法存在的优点和局限性后,给出了自适应阈值图像分割法的改进方案,以便从复杂的舰船图像背景中分离出目标区域,有效解决当前图像分割技术中光照不均匀、边缘模糊等问题。为验证方法有效性进行了仿真实验,实验结果证实该方法性能效果相对较好,充分满足对复杂舰船图像进行分割的设计目标。     

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。     

基于视觉传达技术的低分辨率舰船图像优化

对于低分辨率舰船图像的优化,常规的优化方法缺少对目标图像的色彩补偿,导致优化方法的抗噪声性能不足。为了解决这一问题,提出视觉传达技术的低分辨率舰船图像优化研究。利用视觉传达技术处理原始舰船图像,增强图像彩色像素细节。在此基础上,建立目标图像的运动公式,通过计算得到图像的变化规律,实现优化前后的图像配准和重建,实现低分辨率舰船图像的优化。实验结果表明,在图像规格逐渐增大的情况下,设计的图像优化方法峰值信噪比始终高于30 dB,并且在像素对准实验中噪点分布均匀,对图像质量影响较小,该方法的整体抗噪声性能得到了增强。     

模糊聚类算法在船舶图像分割中的应用

传统船舶图像分割方法存在分割误差大,抗噪声干扰能力差、分割效率低等缺陷,为了解决传统船舶图像分割方法存在的不足,设计了基于模糊聚类算法的船舶图像分割方法。首先对当前船舶图像分割研究进展进行分析,指出不同传统船舶图像分割方法存在的局限性,然后对船舶图像进行去噪处理,提高船舶图像质量,改善抗噪声干扰能力,最后引入模糊聚类算法进行船舶图像分割,并采用多幅标准船舶图像与传统船舶图像分割方法进行对比测试。测试结果表明,本文方法可以对船舶图像进行高精度的准确分割,能够保留船舶图像边缘的重要信息,船舶图像分割速度可以满足实际应用的要求,获得了比传统船舶图像分割方法更优的结果,具有更加广泛的应用范围。     

基于视觉传达技术的红外舰船图像多级融合方法

针对多光谱红外舰船图像质量差影响应用性的问题,提出基于视觉传达技术的红外舰船图像多级融合方法。利用多光谱红外热成像仪采集舰船图像数据,对红外舰船图像实施中值滤波处理,增强图像的视觉传达效果。通过非下采样变换方法,将红外舰船图像划分为高频方向子带与低频子带。依据高频子带融合方法和低频子带融合方法,分别融合红外舰船图像的高频方向子带与低频子带。对融合后的高频方向子带与低频子带实施非下采样逆变换处理,获取红外舰船图像的多级融合结果。实验结果表明,该方法可以实现不同光谱频段红外舰船图像的多级融合,融合后图像的互信息量、边缘信息保留量均高于0.7,有效提升红外舰船图像的应用性。     

海面弱小目标遥感图像视觉传达效果评估算法

在遥感图像视觉传达效果评估中,受到弱小目标图像识别能力的影响,评估精准率较低。因此,提出海面弱小目标遥感图像视觉传达效果评估算法。对海面弱小目标遥感图像暗区进行降维融合计算,提取图像暗部细节特征信息。同时,构建并计算图像通道,获取清晰的图像像素点。结合计算结果对图像进行三维重建计算,得到清晰的图像源。在此基础上,对图像传输过程中的视觉传达效果进行评估计算,得到最佳评估值。分析实验结果可知,所设计算法的评估值计算精度率较高,能够获得更加准确的评估结果,充分证明了该算法的可行性与有效性。