排序方式: 共有22条查询结果,搜索用时 31 毫秒
1.
2.
3.
在SAR图像分割中,尤其是车辆目标的SAR图像分割中,一般需要得到目标和阴影两个区域的分割结果。文中为了解决车辆目标的SAR图像多区域分割,提出了一种分层多区域CV模型,该模型结合了一种新的惩罚项,并且同时使用水平集函数的阶跃初始化,使模型具有了良好的水平集演化的属性。同时,模型对噪声的敏感性下降,使模型适用于未预处理的SAR图像。最后,对比Chan-Vese多区域分割模型,将分层多区域CV模型应用于未预处理的SAR图像,实验结果验证了模型的有效性。 相似文献
4.
矩形封闭长空间声场的高频计算方法 总被引:1,自引:0,他引:1
基于射线跟踪的思想,提出一种矩形封闭长空间声场预测的高频数值计算方法。该方法中只要具备声场空间的边界条件参数,即声场空间长、宽、高和吸声系数,就可以解析计算任何一根声线能量随时间的衰减变化,以及任何一根声线在任何时刻的到达坐标。如果逐一计算每根声线在特定位置的到达时间和声能量,并统计所有计算结果.就可以得到此处的时域脉冲响应,并由此计算声场声压级。该方法不必对声线进行跟踪,省去了建模、入射和反射等射线跟踪计算细节,运算量大为降低,因此计算速度很快。采用实验方法对该算法的性能进行了验证,对长空间中的声场进行测量,将测量结果与本文所提算法的计算结果进行对比,二者吻合很好,证实了该方法的有效性。 相似文献
5.
6.
7.
针对合成孔径雷达(SAR)图像自动解译的需求,研究了高分辨率的SAR图像建筑物检测技术。由于人造目标按照某种方式有组织的构成,而机器视觉可以模拟人类视觉的感知编组能力获取图像的相关组织和结构,并可以根据特定的准则将提取到的图像特征编组成为更高层的结构,利用该特性,将感知编组方法用于检测建筑物,通过边缘检测和霍夫变换提取直线段基元,结合感知编组和建筑区在SAR图像上表现的亮度特征,提出了一种平行适应度函数辅助建筑物检测。基于对实测SAR图像的实验结果表明,该检测算法可靠,定位准确,并能有效地降低虚警率。 相似文献
8.
本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算... 相似文献
9.
提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。 相似文献
10.
针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进:首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR?SARSHIP?2.0数据集进行了大量的舰船目标检测实验,并选择了Faster?RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。 相似文献