基于能量最小化的星载SAR图像建筑物分割方法

针对星载合成孔径雷达 (Synthetic aperture radar, SAR) 图像信噪比低、建筑物目标几何变形大以及周围背景复杂的特点, 本文提出了一种基于能量最小化的星载SAR图像建筑物分割方法.基于星载SAR图像数据构造条件概率能量项, 推动变形曲线向建筑物目标边界演化; 在能量泛函模型中定义长度能量项以保证变形曲线的平滑; 在水平集方法获取的SAR图像初始分割结果的基础上, 以高分辨率光学遥感影像中建筑物目标的轮廓作为先验信息, 构造先验形状能量项约束曲线在第二阶段的演化, 最终实现SAR图像建筑物的分割.实验结果表明, 该方法显著提高了建筑物目标轮廓的分割精度.     

基于压缩感知的人脸识别方法

基于稀疏重构的分类方法具有较好的识别效果,但计算复杂度高。为此,提出基于压缩感知的人脸识别方法COMP,将L1范数最小化重构算法替换成正交匹配追踪(OMP)算法,以降低复杂度,并在OMP中引入模式类别信息,使该方法具有更强的分类能力。基于YaleB人脸库的实验结果表明,COMP在低维度时识别率高于OMP。     

参数自适应的KPCA先验形状约束目标分割

为克服固定先验形状在分割可变形目标时的困难,提出一种基于核主元分析(KPCA)的参数自适应先验形状约束水平集分割方法.首先使用KPCA变换获取目标先验形状特征空间的基底向量;其次用Parzen窗估计待分割图像的灰度分布以构造图像数据能量项;然后使用仿射变换对齐图像感兴趣区域与先验形状,从而将目标形状先验知识集成到分割模型中;最后在基于水平集方法求解演化方程时自适应地估计参数,实现形变目标的分割.实验结果表明,相比于CV (Chan-Vese)模型和单先验形状约束的水平集方法,该模型能够有效地分割不同姿态的目标形状.     

带标记线左心室MR图像的自动分割

带标记线核磁共振(MR)图像能够提供了大量的运动信息，为实现左心室的运动重建提供了有利条件，但图像中存在灰度的不一致性、弱边界、伪影、标记线的影响等现象，这些都给带标记线左心室MR图像的分割带来了困难。目前带标记线核磁共振图像的左心室分割主要靠人工完成，为此提出了一种自动分割方法，它是基于分级处理的分割方法，主要由3部分组成：首先用数学形态学的方法实现左心室的自动定位；然后用K均值聚类、模板匹配和基于骨架的心肌形状恢复方法给出左心室的内外初始轮廓线；最后用改进的水平集方法对初始轮廓线进行演化而得到最终结果。实验结果证明，此方法有较强的鲁棒性，是行之有效的方法。     

基于改进快速活动轮廓模型的左心室核磁共振图像分割

提出了改进的基于贪婪优化算法的快速活动轮廓模型,原算法加快了求解最优能量曲线的速度,但初始轮廓线必须给定在图像特征的附近。通过在优化的目标函数中增加面积能量项,扩大了算法捕获图像特征的范围,在对贪婪优化算法分析的基础上,给出了局部面积能量项的构造和使用方法,进而简化了优化的目标函数．实验结果表明,该算法具有快速、能在更大的范围内捕获图像的特征、较好地处理图像中凹陷区域的能力,是一种有效的分割左心室MRI图像的算法。     

基于水平集的3D左心室表面重建

提出了基于分层2D MRI图像重建3D左心室表面的算法.分层2D MRI图像能够跟踪左心室边界在成像平面内的变形,但由于缺少层间数据,层间边界形变的信息难以获取.为了重建左心室的形状,使用基于形变模型的方法：首先建立变形曲面的动力学方程;再将成像坐标系中的图像平面映射到重建坐标系,根据图像数据构造外力,使用平均曲率构造变形曲面的弹性力,然后用水平集数值解法求解动力学方程以重建左心室的表面.实验结果证明了算法的有效性.     

基于改进先验形状CV模型的目标分割

由于空间目标姿态变化较大,且其灰度与地球背景差异较小,传统CV（Chan and Vese）模型难以获得理想的分割结果。针对目标被部分遮挡或部分信息丢失情况下CV模型不能正确识别问题,Chan和Zhu在CV模型基础上引入先验能量项,构建的先验形状模型只具有旋转、缩放和平移不变性。本文提出了一种先验形状约束的变分水平集改进模型,用于分割星空及复杂地球背景下的空间目标。在保持先验形状模型具有旋转、缩放和平移不变性的基础上,本文改进的变分水平集模型增加了X、Y方向拉伸以及剪切不变约束能量项,增强了先验形状对目标变化的自适应性。实验结果表明本文方法对复杂背景下姿态变化较大的空间目标,具有更好的分割效果。      

混合型APFSDS碰撞模型与数值模拟

建立了混合型脱壳弹第二时期卡瓣,膛壁碰撞模型,通过数值模拟,分析了碰撞过程对弹体,卡瓣以及后继脱壳运动的影响。     

基于边缘增强与光谱特性保持的Pan-sharpening融合模型

为生成兼具高光谱质量与高空间质量的融合图像,本文提出了一种新的Pan-sharpening变分融合模型.通过拟合退化后的全色（Panchromatic,Pan）波段图像与低分辨率多光谱（Multispectral,MS）波段图像间的线性关系得到各波段MS图像的权重系数,计算从Pan图像抽取的空间细节;基于全色波段图像的梯度定义加权函数,增强了图像的强梯度边缘并对因噪声而引入的虚假边缘进行了抑制,有效地保持了全色波段图像中目标的几何结构;基于MS波段传感器的调制传输函数定义低通滤波器,自适应地限制注入空间细节的数量,显著降低了融合MS图像的光谱失真;针对Pan-sharpening模型的不适定性问题,引入L1正则化能量项,保证了数值解的稳定性.采用Split Bregman数值方法求解能量泛函的最优解,提高了算法的计算效率.QuickBird、IKONOS和GeoEye-1数据集上的实验结果表明,模型的综合融合性能优于MTF-CON、AWLP、SparseFI、TVR和MTF-Variational等算法.     

基于PDE的卫星姿态图像分割

为了分析卫星的在轨姿态,需要分割卫星图像序列,本文给出了一种基于偏微分方程(PDE)的卫星姿态图像分割算法.算法首先使用Perona-Malik各向异性扩散模型去除图像的噪声,同时保持图像的边缘;然后以Mumford-Shah模型为基础,根据图像的灰度信息,通过求解水平集方程以获取全局的最优曲线;最后经过形态学处理后得到分割结果.实验结果表明,该算法能够有效地分割卫星姿态图像,从而获取图像特征.