红外烟幕干扰多威胁目标研究

在当前威胁环境下,传统红外烟幕干扰理论无法有效指导水面舰艇干扰来袭红外成像导弹流;为分析传统发射理论的不足并寻求恰当的红外烟幕发射时机,制定合理的红外干扰弹补发决策,必须对红外烟幕干扰多威胁目标进行研究;在建模分析的基础上,结合仿真实例得出了特定态势下的红外烟幕干扰多威胁目标发射时机和补发需求结论;对红外烟幕干扰弹的发射决策制定和节约既定弹药具有较大现实意义.     

傅立叶红外光谱法分析六氟化钨中的氟化氢

依据WF6和HF的特殊性质,建立了利用傅立叶红外光谱法分析WF6中HF的分析方法.HF有8个特征吸收峰,为了尽量避免水蒸气的干扰,选取4038.2 cm-1处的吸收峰作为HF的特征吸收峰,并通过对不同浓度的HF标准气体的分析建立了HF浓度与其特征吸收峰的吸光度相对应的标准曲线.最后通过分析WF6中HF特征吸收峰的吸光度大小,在标准曲线上查得HF的浓度,即可以得到WF6样品中HF的含量,从而建立了WF6中HF的分析方法.     

融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测。为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势。由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构。其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充。最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64%,小目标和密集目标的漏检率明显减少。     

海上船舶目标图像多通道并行传输系统设计

图像多通道并行传输具有数据流以及数据量大的特点,传统的传输系统在图像多通道并行传输中常出现目标图像数据丢失现象,为解决这一问题,对海上船舶目标图像多通道并行传输系统设计。系统硬件主要包括核心处理器、电源模块、传输模块和图像采集模块,其中核心处理器主要调整系统的运行频率,并采集船舶航信信号;电源模块是为海上船舶目标图像多通道并行传输系统提供各个直流电平;传输模块主要实现目标图像数据通信;图像采集模块主要采集海上船舶目标图像数据。系统软件部分主要对硬件采集到的信息滤波处理,对多目标图像分类识别,以此完成海上船舶目标图像多通道并行传输。实验结果表明,传统系统比此次设计系统出现目标图像数据丢失数量多,本文设计有效解决了目标图像数据丢失的现象。     

航海气象传真图的降噪处理

气象传真图是船舶驾驶员预知航行区域的气象信息及海况的主要途径.受电磁波和收发装置的影响,气象传真图在传输、接收的过程中会产生高斯噪声和椒盐噪声,严重时会导致接收到的气象传真图模糊不清和失真,这会影响船舶驾驶员的分析和决策.为此,基于偏微分方程(PDE)建立数学模型,对含有噪声的气象传真图进行降噪处理,取得了明显的效果,这为提高气象传真图的质量提供了一种可行方法.同时,这种方法也可运用于船舶其它的电子图像设备(如电子海图,雷达,AIS),有效降噪、提高图像质量.     

基于计算机大数据的船舶视频图像类型辨识分析

传统船舶视频图像类型识别算法在图像类型识别计算过程中,存在视频图像高频尺度空间像素子带系数计算精度较低,导致图像画面差异辨识度降低,无法高精度对比图像特征参量的问题。因此,提出计算机大数据船舶视频图像类型辩识分析。通过神经网络算法,建立视频图像特征的神经网络模型;根据特征模型推导建立辨识模型。在辨识模型的基础上,通过导入大数据高频子带尺度算法,对图像特征尺度空间内的高频子带系数进行优化计算,从而提升视频图像类型的辨识精度。通过实验数据对比表明:提出的视频图像辨识算法,能够有效改善图像类型识别环境,提升图像类型辨识精度,解决了传统辨识算法辨识精度低的问题。     

基于智能图像视觉的船舱内部监控与识别

为了提高对舰船船舱内部监控管理能力,提出一种基于智能图像视觉的船舱内部监控识别方法。采用计算机视觉特征信息采集方法进行船舱内部图像原始信息采集,对采集的图像进行小波降噪处理,采用Harris角点检测方法进行船舱内部关键部位点的准确标定,结合图像子块连续遍历方法实现船舱内部异常像素特征搜索提取,实现船舱内部的智能视觉监控识别。仿真结果表明,采用该方法进行船舱内部监控,输出视觉图像的成像质量较好,对关键信息点的标定结果准确,对船舱内部异常像素的检索能力较强,具有较好的应用价值。     

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。     

稀疏表示和判别性字典学习的舰船图像自动分割算法

现有舰船图像自动分割算法存在着分割准确率低的问题,故提出稀疏表示和判别性字典学习的舰船图像自动分割算法研究。为了降低图像分割计算难度,通过图像插值、坐标转换、互信息计算配准获取的舰船图像,以此为基础,提取配准图像的灰度与梯度特征,并转换为列向量构成训练样本集,构建判别性字典学习模型,通过模型求解获取舰船图像稀疏表示,判断像素点所在区域,实现了舰船图像的自动分割。仿真实验结果显示:在自变量图像数量与图像块尺度背景下,与现有算法相比较,提出算法舰船图像分割准确率较高,充分表明提出算法图像分割效果更好。     

高杂波海天背景下红外图像中舰船目标的检测

针对高杂波背景条件下的红外图像中舰船目的检测问题进行研究。在分析海空背景下的红外图像特征的前提下,先对捕获到的红外图像进行背景抑制、海天线检测等预处理以提高舰船目标提取的准确性,然后依照检测出的海天线划定目标检测小区域,再利用相邻帧图像间舰船目标运动的相关性确定真实目标,剔除虚警目标。用Matlab软件对算法进行仿真,实验结果证明本文算法有效,在一定条件下能够取得较好的识别率。