不同发射率下红外热图像的非稳态温度场测量研究

通过分析红外测温公式,研究物体发射率对红外热图像测温精度的影响,并找出影响物体发射率的因素。根据经典计算方法,发现了物体发射率在红外热图像测温应用中的局限。从红外热图像的角度对发射率的计算进行了建模,基于修正物体发射率得到提高红外热图像对非稳态温度场测量精度的模型。对铸铁、不锈钢进行了3组测温实验,红外热图像直接测量的最大误差分别为2.1℃、1.7℃、2.3℃,而所提出的方法测量的最大误差分别为1.0℃、0.7℃、1.6℃。通过对比分析3组测量结果数据验证了测量方法的可行性。     

基于BLMD和NSDFB算法的红外与可见光图像融合方法

针对传统图像融合方法容易导致融合图像出现细节不明显和目标信息不完整的问题,本文提出一种基于二维局部均值分解(Bidimensional Local Mean Decomposition,BLMD)和非下采样方向滤波器组(Nonsubsampled Directional Filter Banks,NSDFB)算法的红外与可见光图像融合方法(基于方向滤波的二维局部均值分解法,BidimensionalLocalMeanDecompositionbasedDirectionalFilteringAnalysis,BLMDDFA)。首先,计算两幅原始图片的熵值,同时提取熵值较大的图片的残余分量,该残余分量与另一张原始图片有着较强的相关性。然后,通过BLMD和NSDFB算法将残余分量和熵值较小的原始图片分解成低频子带和一系列不同尺度的高频方向子带,并使用不同的融合规则分别对低频子带和高频子带进行融合。最后,通过相应的逆变换运算获得融合图像。实验结果表明,本文方法的融合性能在对比度、细节信息展示和目标突出方面均高于经典的融合算法,在信息熵、标准差、空间频率和平均梯度方面较Laplacian方法中各指标分别提高了5.6%、28.9%、37.4%和47.6%,信噪比较Laplacian方法降低了8.5%。     

基于主成分分析法和极限学习机的尿沉渣图像识别算法研究

针对尿沉渣中的有形成分进行检测和分析,提出结合主成分分析(PCA)和极限学习机(ELM)的识别和统计方法。该方法通过PCA对样本进行特征提取和降维后输入到ELM进行训练,根据训练得出的模型与未经PCA处理的样本训练的模型进行检测效果对比。实验结果表明,使用PCA处理后的样本训练得出的模型具有更高的识别准确度和稳定性,同时训练时间大幅减少。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强，提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识，将粗糙集条件属性集中的梯度属性改进为引力场强度属性，从而实现对原图像的目标增强。与其他算法进行了实验比较，结果表明提出的改进算法相比于其他算法更适用于SAR图像特性，能更好地对舰船目标像素进行针对性增强，具备一定的工程应用价值。     

电致变色器件可见光识别融入系统

针对可见光识别过程中单一摄像头视角不足的问题,本文将图像拼接技术应用到识别融入系统中,达到扩大视域、增大识别范围的目的,进一步实现对图像进行特定颜色的识别。识别结果通过驱动电路输出对应电压值以驱动电致变色器件变色,使其和背景颜色相融,完成可见光的识别融入。经实验效果验证,可见光识别融入系统性能良好、稳定。