一种快速排序筛选SAR图像目标CFAR检测算法

传统SAR图像目标CFAR检测算法通常针对低分辨率图像,目标在高分辨率图像中表现为扩展目标时难以获得较好的检测性能.为解决高分辨率SAR图像的目标检测问题,借鉴3种传统CFAR检测算法,研究了一种快速排序筛选SAR图像目标CFAR检测算法.该算法引入杂波像素排序筛选机制,通过获取候选目标区域减少CFAR检测像素点,针对滑窗移动时杂波像素大量重合进行参数快速估计.实验结果表明,该算法与传统CFAR算法相比,在检测效果和检测效率上都有显著提升;而SAR图像的检测性能与筛选深度有关.     

基于生成对抗网络的无人机图像道路提取

该文基于TensorFlow开发平台,搭建了生成对抗网络模型,通过无人机遥感图像预处理、道路标签制作、网络训练和算法改进,完成了道路特征信息的深度学习,固化了生成网络参数,实现了基于无人机图像的低等级道路信息自动提取的科学目标,并通过形态学处理进一步增强了道路的提取效果。通过分析不同特征道路提取的信息,证明了本方法对利用高分辨率无人机图像提取低等级道路信息具有较好的借鉴作用。     

一种门控卷积生成对抗网络的图像修复算法

生成对抗网络图像修复算法在填充任意掩码区域时会经常出现错误,原因是其在进行卷积运算时将所有输入像素都视为有效像素.针对该问题,提出一种门控卷积生成对抗网络的图像修复算法,利用门控卷积替换网络残差块中的传统卷积,以有效地学习已知区域与掩码区域之间的关系.算法采用边缘修复加纹理修复的两阶段生成对抗修复网络.首先,用边缘检测...     

基于K-means聚类分析的硬件木马检测方法

为检测芯片中存在的硬件木马,利用侧信道分析技术,采集功耗信息,并利用K-means算法对待测芯片进行聚类分析.利用K-means算法实现木马检测时,准确率与功耗数据中存在的噪声以及木马面积的大小有关,实验中植入了占芯片原始模块2.39％和1.49％的两种木马,均能够很好的检测出其中电路中的木马,验证了方法的有效性.     

一种基于变分辨率机制的机坪目标检测算法

多目标检测任务存在目标尺寸变化范围大的情况。通过采集高分辨率图像,可以保证对小目标的观测效果,但是在原始图像中进行滑动窗口扫描式检索,会造成计算成本的显著增加;大尺度目标的检测通过对原始高分辨率图像压缩快速完成,但压缩过程会导致小目标的大量细粒度特征丢失:因此,文章提出一种基于变分辨率机制的YOLO检测 (multiple resolution mechanism based YOLO,MRMY) 算法,并用深度可分离卷积进行优化。该算法考虑特定场景下不同尺寸目标间的位置关系,采用多分辨率机制,先对高分辨率图像进行压缩,对大目标进行快速检测,再根据大目标位置信息确定小目标的搜索空间,并在原始高分辨率图像的局部区域进行小目标识别。由于在任一分辨率下目标尺寸较为明确,因此可对检测模型基于归一化层剪裁掉网络中不重要通道。尽管检测任务需要2次模型运算才能完成,但通过该检测模型可提高算法的速度。在网络公开数据集和自建数据集上的测试结果表明,MRMY算法的全类平均正确度（mAP）比YOLO V4算法提升约21%,检测速度为84帧/秒与YOLO V4的83帧/秒相近。     

基于深度学习的仓储货物监控方法研究

针对传统仓储货物监控存在对管理人员依赖程度较高,并且在发生失窃时不能及时报警等问题,本文设计了一种基于深度学习的仓储货物监控方法.通过摄像头定时抓取图像,获取一定时间间隔的两张图像,采用图像粗定位处理检测图像变化区域,并利用深度学习网络,识别变化区域是否为目标物,实现对仓储货物实时有效地监管和自动报警功能.同时,以仓储...     

基于伪样本正则化Faster R-CNN的交通标志检测

针对交通标志检测算法往往仅能对特定类标志检测或基于深度学习方法因训练样本少而造成"过拟合"高风险等问题,本文提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测算法。该算法首先通过训练数据集提供的标志和无标注的背景样本,提出了一种伪样本正则化策略。然后,通过深度学习模型中区域建议生成网络获取建议区域。最后,利用交替训练策略、共享CNN策略和联合训练策略、RPN网络和Fast R-CNN目标检测网络交替训练和联合训练,最终获取Faster R-CNN交通标志检测模型,实现了各类标志的检测,并有效降低了"过拟合"风险。实验结果验证了本文算法的有效性。     

基于SSD的棋子检测算法研究

准确的目标检测算法是人工智能的一个重要部分,在安防、智能机器人、自动驾驶等领域有重要应用。传统的目标检测方法适应性较差、准确度不高。随着深度学习算法的发展,以深度学习为基础的目标检测算法相对于传统算法有巨大提升。部分检测框架在速度和精度上有了很大突破。对于简单目标棋子的识别上,由于目标单一、目标间差别小、目标数据容易重复、容易使算法出现过拟合的问题。通过深度更深的残差网络提取图像深层信息以强化对目标的识别能力,同时通过标签映射实现单目标到多目标的转换,最终目标识别置信度几乎稳定在99%。通过使用层间融合、网络剪枝等技术优化了网络结构,然后使用权重量化压缩神经网络模型的权重。优化后的网络准确度几乎不变但是计算效率更高并能普通CPU上实现快速推理。     

基于ROI的视频超分辨率的法庭科学应用（英文）

近年来,使用深度学习技术的超分辨率图像的质量和速度都有很大的提升。最新研究的重点是恢复普通图像的高分辨率的细节。由于感兴趣的目标在法庭科学应用中非常具体,本文提出了利用已知感兴趣目标有所认知的一种总体操作框架。所提出的基于ROI的视频超分辨率框架不仅十分有效,而且能够重建出高质量图像。实验结果显示,算法比传统的基于帧的方法平均快35%和提高0.44dB的图像质量。     

基于木马马氏距离模版的硬件木马检测方法

随着全球化分工的深化,电子设计与制造的相分离,硬件木马已经成为集成电路的一大新的威胁.硬件木马的检测也成为了当今安全领域的一大研究热点.近年来,各种硬件木马检测技术已经有了快速的发展.目前主流的硬件木马检测方法是基于金片模版(golden circuit (GC))做旁路分析,检测芯片是否含有木马.此方法依赖金片的获取,而金片的获取又是十分困难的.本文参考软件木马检测技术提出了一种基于硬件木马模版的新型检测方法.在深入研究 硬件木马旁路特征的基础上,搭建了基于FPGA的加密算法实验平台,引入了PCA(principal component analysis)技术对数据进行降维处理,最后根据马氏距离判定芯片中是否含有木马.文章以被植入RS232串口硬件木马的DES和AES算法为例,实施了具体实验.结果表明,本文提出的方法可适应于检测同一芯片的多种不同功能的木马检测.     

光伏航拍红外图像的热斑自动检测方法

针对光伏电站传统巡检技术的高成本、低效率以及准确率不高等问题,提出二阶段式的航拍红外图像热斑检测方法,实现对红外图像中热斑缺陷的组件级定位及精细化分类诊断. 该方法将传统图像处理技术与深度学习方法融合,进一步提升缺陷诊断的准确率与效率. 基于航拍红外图像前、后景灰度值的差异,提出基于边缘检测的组件分割方法来提取光伏组件轮廓以实现组件级定位,该方法以相对较小的硬件需求实现光伏组件有效检出率可达99.3%. 考虑到热斑成因、危害及对应处理方式的差异性,提出基于EfficientNet的红外缺陷分类模型对热斑进行精细的四分类,为电站运维人员提供更为精准的决策支撑,该模型在空间占用20.17 MB的情况下获得97.0%的热斑分类准确率. 经过实验对比分析,论证了本研究所提出的方法在缺陷诊断的效率以及准确率上都较高.     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。     

一种新的组织病理图像阳性细胞轮廓检测方法

组织病理图像中阳性细胞比例的检测对癌症和肿瘤的定性和定级起决定作用。提出一种用于细胞准确计数的新的轮廓检测方法,针对组织病理图像色彩纹理复杂、细胞边界模糊等特点,结合通道提取和图像二值化方法实现阳性细胞的准确分离,并在CV模型基础上完成对细胞的轮廓提取。实验表明,该方法有效解决了传统方法无法处理的弱边缘问题,在保持算法性能的前提下,可自动分离组织病理图像中的阳性细胞并检测其轮廓。     

基于非采样高斯差分金字塔的多尺度融合边缘检测

针对传统边缘检测算法抗噪性差、边缘连续度低、细节边缘冗余,对运动目标检测应用领域的适用性差等缺点,论文基于图像多尺度的思想,结合小尺度图像边缘信息准确,大尺度图像抗噪性强、边缘冗余度低的优点,提出一种基于非采样高斯差分金字塔的多尺度融合边缘检测算法。算法首先对图像进行非采样高斯金字塔分解得到多尺度图像,同时在分解过程实现基于高斯差分算子的边缘检测,得到多尺度边缘图像。最后采用多尺度图像边缘融合策略实现多尺度边缘融合。论文通过实验对算法的有效性进行验证：通过对边缘融合结果进行Abdou-Pratt品质因数分析,表明该算法抗噪性强,边缘定位准确;连续度分析结果表明该算法在降低边缘冗余度的同时保留了主要边缘,且边缘连续度较高;车辆检测实验结果表明基于该算法得到的车辆检测结果准确度较高。     

基于深度学习的电力设备红外图像识别

电力设备的安全运行是保证电力系统长期稳定工作的重要基础,因此需要对电力设备的运行状态进行实时监测。实现对电力设备实时监测的关键是对电力设备进行准确的识别和定位。传统的图像检测算法受环境和复杂背景的影响,无法对电力设备进行准确的定位和识别。基于深度学习的目标检测在电力设备运行状态实时监测中具有更广阔的发展前景。针对电力设备红外图像的识别提出了基于Faster R-CNN识别方法。实验结果表明,该方法准确率高,能够准确定位和识别红外图像中的电力设备。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

基于细节的背光图像检测

针对传统的背光图像检测算法低准确率的问题,提出一种基于细节的背光图像检测算法.通过分析图像在不同Gamma取值下细节数目的变化规律来确定输入图像是否是背光图像.实验结果显示,该方法相对于传统的亮度直方图分析方法以及YCrCb直方图分析方法具有更高准确率.     

基于PCNN算法图像边缘检测及系统级实现

针对图像边缘检测系统硬件设计和处理算法的选择优化问题,提出了一种基于PCNN算法结合FPGA的图像边缘检测系统实现方法.研究了系统中图像采集模块、FPGA外围电路、外部存储器和千兆以太网等部分的硬件设计.从简化系统算法和提高系统运行效率的角度出发,采用简化PCNN算法作为系统的边缘检测算法.采用两幅不同图像进行测试,结果表明,该系统能够实现对静态小场景图像边缘的可靠检测,检测效果优于传统Sobel算法和Canny算法,熵值最高可达0. 886.     

手机镜片D形缺口检测方法

针对传统的人工对位法检测手机镜片D形缺口精度低和效率低的问题,提出了一种基于图像处理技术的手机镜片D形缺口检测方法。对CCD采集的图像进行双边滤波提高图像信噪比,达到保边去噪的目的。采用FCD检测圆算法快速定位镜片位置,提取镜片边缘像素点,通过局部拟合定位缺口范围并计算缺口信息。在图像分辨率为1280×960的情况下,平均每帧图像检测时间为0.16s,检测准确度在95%以上,检测精密度小于5%,在工业手机镜片缺口领域具有重要应用价值。     

基于小波变换的SAR图像边缘提取新方法研究

由于SAR图像含有相干斑噪声，使得常规方法应用于SAR图像边缘检测时遇到了较大的困难，提出了一种新的SAR图像边缘提取方法，该方法首先用基于结构信息的统计滤波方法对SAR图像进行滤波，然后利用小波变换具有多分辨分析的特性，并结合模糊中值滤波、阈值化处理及微分梯度算子对SAR图像进行边缘提取。实验结果表明了该方法是一种有效的对SAR图像进行边缘提取的方法。