结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

基于迭代NUFFT的不等距阵列天线低副瓣方向图综合

针对不等间距阵列天线的低副瓣方向图综合问题,提出了一种基于非均匀快速傅立叶变换(NUFFT)的迭代算法.通过严格的数学推导,建立非均匀离散傅立叶变换(NUDFT)与天线阵因子之间的对应关系,利用过采样FFT系数的线性组合来近似表达复指数函数进而实现NUFFT,最后通过插值和反复的迭代有效地抑制了阵列天线的最大副瓣电平.结合等间距阵列和不等间距阵列的算例,对比粒子群算法的优化结果,验证了该算法的有效性和高效性.