基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于压缩感知的光度立体视觉三维成像方法研究

压缩感知是近年来发展迅速的一种新型信号处理理论,以此为基础发展的成像系统具有系统规模小、成本低等特点而受到广泛的关注。利用表征反射光强度信息的图像灰度值是物体表面属性及几何形状综合反映这一光度学基础,引入以随机采样及非线性重建为技术手段的压缩感知理论,提出了一种基于压缩感知的光度立体视觉三维成像方法。该方法通过调换探测器与光源的位置,采用单像素探测器代替传统CCD成像,从不同位置的单像素探测器采集经调制的测量数据,利用压缩感知算法重建二维目标的图像,而后利用图像中的阴影信息求解目标的表面法向量和三维表面模型。最后,利用该方法对人像和简单几何体进行三维成像实验,结果表明该成像方法能在数据欠采样的情况下,实现目标的高效三维重建;在实验基础上,进一步分析了图像数量、采样率、重构方法、探测器位置等方面对三维成像质量的影响。     

基于图像分块的Toeplitz结构测量矩阵设计

现有压缩感知成像系统存储测量矩阵时需要较大空间,针对该问题,提出一种基于图像分块的Toeplitz结构块循环测量矩阵设计方法。将图像分块进行压缩感知,减少测量系统的存储空间,从而降低硬件实现难度。仿真结果表明,该方法能快速有效地获得测量值,且重构图像的主客观质量较好。     

基于参考图像梯度方向先验的压缩感知 磁共振快速成像

压缩感知理论为快速磁共振成像提供了一种系统的理论框架,即通过少量非相干的采样数据便可实现精确的图像重建。然而,在高度欠采样的情况下,混叠伪影依然很严重。目前,已有大量的研究工作探讨了利用来自参考图像的先验信息来提高重建质量的方法。文章提出基于参考图像梯度方向先验的压缩感知磁共振成像方法。该方法通过约束目标图像中结构边缘的切向量与参考图像中对应位置的法向量相垂直,以使目标图像中结构边缘的方向和参考图像保持一致。最后,运用多对比度扫描的实验数据,通过与传统的压缩感知磁共振成像方法相比较,验证了该方法能够实现快速且高质量的磁共振成像。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

结合NSCT和压缩感知的红外与可见光图像融合

目的 红外成像传感器只敏感于目标场景的辐射,对热目标的探测性能较好,但其对场景的成像清晰度低;可见光图像只敏感于目标场景的反射,场景图像较为清晰,但目标不易被清晰观察.因而将两者图像进行融合,生成具有较好目标指示特性和可见光图像的清晰场景信息,有利于提高目标识别的准确性和降低高分辨图像传感器研究的技术难度.方法 结合非下采样contourlet变换 (NSCT)和压缩感知的优点,研究一种新的红外与可见光图像融合方法.首先对两源图像进行NSCT变换,得到一个低频子带和多个不同方向、尺度的高频子带.然后对两低频子带采用压缩感知理论获得测量向量,利用方差最大的方法对测量向量进行融合,再进行稀疏重建;高频子带采用区域能量最大的方法进行融合.最后利用NSCT逆变换获得融合图像.结果 为了验证本文方法的有效性,与其他几种方法相比较,并利用主观和客观的方法对融合结果进行评价.提出的新方法融合结果的熵、空间频率、方差明显优于其他几种方法,运行时间居中.主观上可以看出,融合结果在较好地显示目标的基础上,能够较为清晰地保留场景图像的信息.结论 实验结果表明,该方法具有较好的目标检测能力,并且方法简单,具有较强的适应性,可应用于航空、遥感图像、目标识别等诸多领域.     

改进YOLOv5算法的遥感图像车辆检测

针对遥感图像中背景复杂目标、车辆小导致的成像模糊的目标漏检问题，提出一种基于YOLOv5s的改进模型。改进模型设计一种新的主干网络结构：改进模型的主干特征提取选用RepVGG网络，同时在主干网络中加入注意力机制CoordAttention来提高模型小目标的感知能力。增加多尺度特征融合，提高改进模型对于小目标的检测精度，边框回归的损失函数选择使用DIoU，帮助改进模型实现更加精准定位。实验结果表明，改进后的YOLOv5模型在遥感图像的目标检测，相较于原始模型在小目标车辆中检测精度提升5.3个百分点，与Faster R-CNN相比mAP提升16.88个百分点。改进后的模型与主流的检测算法相比能有较大的检测精度提升，相较于原始的YOLOv5s模型在遥感图像小车辆检测有更好的检测精度。     

基于压缩传感的超分辨率红外成像研究

为解决红外图像系统复杂度与成像分辨率之间的矛盾,采用压缩传感(compressive sensing,CS)理论对红外成像系统进行研究.通过对原始红外图像进行稀疏化,构造基于高斯随机噪声的测量矩阵,实现对目标的压缩感知,以较少数目的测量信号表示目标,获取目标的稀疏表达,基于对目标的稀疏表达,构造基于正交匹配追踪的重构算法对目标信号进行重构,实现以较少的测量信号构造较高分辨率的图像.在几种典型红外目标图像上的分析表明,压缩传感理论可实现对目标的超分辨率成像,以较低分辨率的传感器获得较高分辨率的目标信息,重构出的目标红外图像与相应高分辨率传感器所获得的图像之间误差较低.     

频域二元纯相位编码压缩成像

超分辨率被认为是光学成像和图像处理的"圣杯"之一.压缩感知理论的引入给出一种新的实现从单幅低分辨率图像的超分辨率重构方法,避免了传统超分辨率方法需要多幅亚像素图像的弊端.在分析压缩感知测量矩阵与光学成像系统之间对应约束异同的基础上,提出一种基于4-f光学架构的频域二元相位编码压缩成像方法,可以实现在单次曝光条件下获得的单幅低分辨率测量图像中实现超分辨率重建,不需要其他任何额外的信息采集.二元相位掩膜比均匀相位掩膜更容易物理实现,是压缩成像物理实现的一种更加可行的方案.模拟实验表明提出的方法可以有效地捕获图像的信息与高精度重建.此外,对于大尺度图像重建,该方法在重建时间方面优于Romberg提出的随机解调方法,在更符合实际方面的采样策略方面优于Yin提出的RecPC方法.     

小波树结构在贝叶斯压缩感知图像重构中的应用研究

结合贝叶斯和压缩感知理论,提出了一种基于小波变换的图像压缩和重建方法。这种算法充分利用了小波变换系数的结构特征和相关性,有效地提高了图像的压缩比例和重建精度。对小波变换的尺度系数采用基于预测的恢复算法;对高频系数的恢复结合了贝叶斯理论和压缩感知理论,采用了一种基于回归模型的方法,通过高斯混合参数对未知权值参数赋予确定的先验分布,以限制系数的稀疏性。该方法能够得到未知参数的一组具有较高概率的模型,从而实现系数在MMSE意义下的重建。与现有的图像压缩方法以及其它基于压缩感知的图像压缩方法相比,该算法能够获得较高的图像重建质量和较大的图像压缩比。     

基于SVM的遥感图像半自动提取方法研究

遥感影像的半自动提取是遥感图像处理领域里的一个重要研究方向。提出一种新的半自动提取面状地物的方法,能够用随意给定的前景和背景曲线准确地提取出感兴趣的区域。算法首先提取前景和背景曲线上的像素作为分类样本,并使用SVM(Support Vector Machines)得到最初的分类效果。在此基础上,综合利用分类对象的光谱特征和形状特征信息,进行区域合并。最后,采用一种自动停止区域合并的准则确定最终合并结果。实验证明,该算法适用性强,可以在复杂多变的情况下,准确地区分出多种地物。     

一种机器人温觉及热觉组合系统的研究

本文讨论了机器人用热觉传感器的理论及设计方法，并介绍研制成功的兼有温觉及热觉组合式新型传感系统，其由传感器探头，温度信号检测与放大电路，信号采集与处理部分组成，利用我们自行设计的系统，做了大量实验，结果表明，该系统可以帮助智能机器人感知目标温度和进行物性识别。     

基于压缩感知的长时间实时跟踪技术研究

针对基于压缩感知的跟踪算法在目标发生纹理或光照较大变化或短暂遮挡等复杂情况下,容易发生漂移甚至跟丢的情况,提出一种将长时间跟踪与检测相融合的改进算法。该算法通过引入级联的搜索策略,在目标跟偏或跟丢后,可以快速地重新定位目标的准确位置,有效地减少了漂移发生的次数,很大程度上提高了跟踪的准确性和稳定性。对不同视频序列的测试结果表明,所提出的算法能够在目标发生快速不规则运动以及目标部分或全部被遮挡甚至在完全离开摄像机视野后,依然能够再次准确地检测并实时跟踪目标物体。     

基于改进SP算法的压缩感知图像重构

针对压缩感知子空间追踪SP(subspace pursuit)算法必须以信号稀疏度为先验知识,而现实中图像稀疏度未知这一问题,提出改进SP算法MSP(modified subspace pursuit)。首先对信号的稀疏度进行自适应估计,其次在迭代过程中,通过给定的步长因子对稀疏度进行更新,使之逐渐逼近正确子空间,当重构误差小于阈值时,停止迭代,实现稀疏信号的重构。重构图像表明:MSP算法在运算时间和重构精度上均优于其他同类算法,实现了图像的快速精确重构。     

基于压缩感知的混合光谱解析算法

压缩感知利用信号的稀疏性通过求解欠定线性系统的解来有效地重建信号,其稀疏性要求信号在某个域中是稀疏的。压缩感知理论认为一般情况下,信号的相关性越小,恢复算法的性能越好。求解压缩感知问题的方法有贪婪追踪、凸松弛方法、迭代收缩等算法,以及贝叶斯框架、置信传播等。从欠定线性矩阵方程角度讨论压缩感知问题,通过两种不同量测矩阵(谱库)的具体数值实验,重点研究了OMP、LARS和StOMP三个稀疏恢复算法在混合光谱解析时的性能和存在的问题,并给出相应的优化建议。     

基于扩展CENTRIST的遥感场景分类

提出一种基于扩展CENTRIST纹理算子的遥感场景分类方法。它由更多邻域规模的三个子方案组成,不仅继承了CENTRIST的优点,而且编码了更多不同纹理的局部结构信息。通过三种不同模式的纹理算子来提取多通道图像纹理特征,通过谱回归判别分析进行分类识别。提出能够捕获多通道图像中互补信息的多通道eCT融合机制,以获得更高的分类准确率。在UC Merced标准数据库上的实验表明,该方法得到的结果比CENTRIST效果更好,鲁棒性更高。     

基于压缩感知理论的RGB-D图像分类方法

三维图像分类能有效克服二维彩色图像分类易受光照变化、阴影、物体遮挡以及环境变化等因素的干扰。利用压缩感知的方法研究Kinect相机获取的带深度信息的RGB-D图像分类问题。该方法首先利用下采样和PCA的方法分别对RGB图像和深度图像进行特征提取;再将所提取的特征信息融合;然后利用压缩感知方法对融合后的特征信息进行稀疏分解并分类。最后,利用该方法对6类蔬菜、7类水果及文件夹和相机等共15类RGB-D图像进行分类实验,比较了压缩感知方法和SVM分类器的RGB-D图像分类精度,并对比分析了深度信息对图像分类精度的影响。实验表明,压缩感知方法对RGB-D图像分类精度高于SVM的精度,且加入深度信息的RGB-D图像分类精度高于RGB图像的精度。     

PAW过程弧光传感技术研究

小孔的稳定性是影响穿孔等离子弧焊焊接过程稳定性及接头质量的重要因素 .在等离子弧发射光谱分析的研究基础上 ,研制了轻便实用的弧光传感器 ,采用普通光电器件和滤光镜片替代赘重昂贵的光谱分析系统 ,可以捕捉到表征小孔特征状态的信号     

基于遥感图像融合的目标检测算法

在一些遥感图像中由于目标不清晰或背景复杂,使得目标的检测变得困难.图像融合可以把来自多传感器的图像信息综合起来,提高对图像信息分析和提取的能力.通过把同一目标的不同传感器获得的图像数据利用小波包变换进行融合,这种方法能够很好地将多源图像的细节融合在一起,得到目标较为清晰的融合图像.在此基础上利用数学形态学的方法进行目标检测,得到了满意的效果,证明了这种方法的有效性.     

基于特征加权的快速压缩感知跟踪

基于压缩感知的目标跟踪算法具有简单、实时、高效的特点。快速压缩感知目标跟踪算法FCT(Fast Compressive Tracking)生成目标高维特征未考虑不同尺度滤波器生成特征的有效性,目标与候选样本之间的相似性度量仅考虑简单叠加,在目标受到光照、遮挡等外界因素的影响下易使跟踪结果出现偏差。针对这些问题,提出一种基于特征加权的快速压缩感知跟踪算法。该算法根据滤波器尺度,自适应地分配权值,生成目标高维特征。算法将候选样本各维压缩特征分类为目标压缩特征的可能性与贝叶斯分类器输出相乘,作为目标与候选样本之间的相似性度量。实验结果表明,提出的方法在目标受到光照、遮挡等外界因素的影响下具有更强的鲁棒性。