基于局部三阶差的红外小目标图像背景抑制算法

针对复杂背景下红外小目标检测中的背景抑制难题,提出一种基于局部三阶差的红外小目标图像背景抑制算法,采用局部三阶差滤波和去虚假目标来抑制背景并增强目标.仿真结果显示该算法在背景抑制、提高图像信噪比及对比度方面有着很强有效性和稳健性.     

基于深度卷积神经网络的红外过采样扫描图像点目标检测方法

针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.     

基于RBF神经网络的肓均衡算法综述

RBF神经网络是一种局部逼近的多层前向神经网络,具有算法简单,收敛快,逼近效果好,泛化能力强等优点.RBF通过非线性基函数的线性组合实现从输入空间到输出空问的非线性转换.盲均衡则是一种不借助训练序列,仅利用接收序列和发送序列的先验知识来恢复发送序列的方法.文中基于RBF神经网络的硬究给出盲均衡的算法综述.     

一种利用神经网络提取运动模糊区域的新方法

针对传统提取区域方法受背景区域影响的现象,本文提出了一种基于频谱的人工神经网络提取模糊区域的新方法.对于局部运动模糊图像,其完全模糊区域和局部模糊区域的频谱差异较大,以此作为依据,利用径向基(RBF)神经网络其进行训练,逐步检测并提取出局部运动模糊图像的模糊区域.实验证明,该方法能较好地实现局部运动模糊图像模糊区域的提取.     

IFS图像空间结构特征及自动目标检测

一个迭代函数系—IFS(Iterated Function System ) 由一组压缩映射组成, 它描述了研究对象“整体”和“局部”之间的变换构成关系.对于图像来讲,IFS描述了图像“整体”和“局部”之间的空间变换关系,因此,IFS可以视为图像的空间结构模型,而与IFS有关的参数可以视为反映图像空间结构的特征.IFS的提出起源于分形图像压缩的研究,因此IFS与分形之间存在着密切的和内在的联系.IFS的理论中有两个重要的结论: 一是如果IFS中的压缩映射均为仿射变换,则IFS的吸引子将是一个分形集合;二是实际中所遇到的图像都可以用IFS的吸引子逼近.根据这两个结论,如果限定IFS中的压缩变换均为仿射变换,又图像本身具有分形结构,即图像“整体”和“细节”之间存在仿射变换关系,则用IFS的吸引子逼近图像所产生的误差很小(理论误差值= 0);如果图像本身不具有分形结构,则逼近误差很大.所以,根据IFS逼近误差的大小,即可判定被研究的图像是否具有分形结构特征.大量的理论研究和实验数据分析表明,自然背景的图像符合分形模型,而人造目标的图像不符合分形模型.因此,可以根据IFS逼近误差的大小实现对自然背景中人造目标的检测.提取图像IFS的算法有多种.本文采用Bath FractalTransform (BFT)算法,它是一个原理简单、实现方便、运算速度快的     

基于局部自适应中值滤波的红外背景抑制方法

介绍了利用中值滤波进行背景预测和背景抑制的基本原理,分析了局部中值滤波和局部最大中值滤波器处理图像的特点.根据这些特点,设计了一种能充分利用两种滤波器优越性的局部自适应中值滤波器.实验证明,利用这种滤波方法进行背景抑制具有处理速度快,滤波效果好的特点.     

卷积神经网络（CNN）训练中卷积核初始化方法研究

本文提出了一种基于样本图像局部模式聚类的卷积核初始化方法,该方法可用于卷积神经网络（Convolutional neural network, CNN）训练中卷积核的初始化。在卷积神经网络中,卷积核的主要作用可看成是利用匹配滤波提取图像中的局部模式,并将其作为后续图像目标识别的特征。为此本文在图像训练集中选取一部分典型的样本图像,在这些图像中抽取与卷积核相同大小的子图作为图像局部模式矢量集合。首先对局部模式子图集合应用拓扑特性进行粗分类,然后对粗分类后的每一子类采用势函数聚类的方法获取样本图像中的典型局部模式子图,构成候选子图模式集,用它们作为CNN的初始卷积核进行训练。实验结果表明,本文方法可以明显加速CNN网络训练初期的收敛速度,同时对最终训练后的网络识别精度也有一定程度的提高。      

神经网络训练策略对高分辨率遥感图像场景分类性能影响的评估

机器学习方法在高分辨率遥感图像场景分类任务中已经得到大规模应用,但当前研究主要围绕数据特征和神经网络结构展开,极少提及神经网络训练策略对遥感图像分类性能的影响.因此,本文选取7种自然图像分类中常用的神经网络训练策略进行实验,根据其在3个规模较大的遥感图像数据集和4个广泛使用的神经网络模型上的实验表现,筛选出适用于遥感图像场景分类的神经网络训练策略.通过消融研究详细评估多个神经网络训练策略对遥感图像场景分类性能的影响,通过分析总体分类精度、混淆矩阵、Kappa系数得到有效的神经网络训练策略,并证明神经网络训练策略对遥感图像场景分类性能的有效性;根据叠加实验的结果分析,7种训练策略的组合可以在不同网络模型和数据集上表现出良好的适用性.     

基于RBF神经网络的盲均衡算法综述

RBF神经网络是一种局部逼近的多层前向神经网络,具有算法简单,收敛快,逼近效果好,泛化能力强等优点。RBF通过非线性基函数的线性组合实现从输入空间到输出空间的非线性转换。盲均衡则是一种不借助训练序列,仅利用接收序列和发送序列的先验知识来恢复发送序列的方法。文中基于RBF神经网络的研究给出盲均衡的算法综述。     

基于稀疏RAM的逼近型神经网络与统计模式识别的人脸识别

本文提出了一种基于稀疏RAM的逼近型神经网络(SN-tuple)与统计模式识别相结合的人脸识别方法,采用首先直接将原始图像数据输入稀疏RAM的逼近型神经网络中进行粗分类,再由统计模式识别方法中的PCA、LDA来进行最终细分类的方法,通过大量的实验证明了该方法的有效性。