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。     

基于Camshift的红外舰船目标跟踪

在海空红外图像中舰船的轮廓和纹理特征信息较少,给舰船目标的识别和跟踪带来了极大的挑战。针对这一问题,本文在研究红外系统成像机理及红外图像特性的基础上,利用滤波和直方图均衡化来减少红外图像的噪声,提高红外图像的对比度。此外,详细分析了Camshift算法,设计基于Camshift的舰船目标跟踪方案。     

基于图像分析的机场跑道毁伤效果评估研究

该文利用图像处理和分析技术,研究基于最长跑道距离的机场跑道毁伤效果评估方法。按照机场跑道的毁伤特征,引入机场的最长跑道距离,通过比较机场的最长跑道距离和某型飞机最小起降窗口的长度来评估机场跑道的毁伤等级,并仿真实现,评估结果比较准确。     

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.     

遥感图像融合最新进展及展望

文章综述了遥感图像融合的基本概念,研究了遥感图像融合的分类及常用方法,对遥感图像融合评价进行了探讨,系统深入地分析了遥感图像融合面临的问题,指出了未来的发展趋势及解决问题的方向。     

一种基于特征的全景图拼接算法研究

提出并实现了一种基于特征的全景图拼接算法,该算法应用sobel算子对待拼接的两幅图像分别进行处理,以获取图像边缘及特征点,确定两幅图像重叠部分的灰度差以去除伪特征点并消除外界噪声,选取方差最小的两组特征点作为缝合点,从而确定两图像的相对位置,通过对图像重叠部分进行平滑处理实现了全景图的无缝生成。实验结果证明算法合理,运算速度快,效果良好。     

基于自注意力机制的自动驾驶场景点云语义分割方法

对车载激光雷达场景点云进行语义分割是自动驾驶环境感知环节的基础性工作。针对现有处理大规模自动驾驶场景点云方法对局部特征提取能力不足和难以捕捉全局上下文信息的问题,本文基于自注意力机制设计了局部和全局自注意力编码器,并搭建了特征聚合模块进行特征提取。实验结果表明,与同样采用局部特征聚合的网络RandLA-Net相比,在SemanticKITTI数据集上本文的方法可将平均交并比提升5.7个百分点,局部自注意力编码器的加入也使车辆和行人等小目标的分割精度提高2个百分点以上。     

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。