红外背景干扰研究

根据从许多地区收集来的录象磁带上的图象数据和大量红外图象数据，对红外背景图象内的干扰进行了研究。图象内的噪声是以象元电平为单位的均方根形成计算。图象经过空间滤波处理，对其内的干扰再进行计算。为获得关于红外背景图象的空间频率构成的信息，在滤波和非滤波两种状态下计算了图象的光谱密度，把计算出的干扰值输入数据库取出多组数据并绘图，确定参数量（如天气、背景类型和测量条件等）对干扰电平的影响。     

基于像素差异的金属腐蚀区域分割仿真研究

研究基于图像的金属腐蚀区域分割问题,提高分割区域的准确性。针对传统基于金属本身与腐蚀颜色的区别,利用像素差异的变化进行腐蚀区域的分割,因当腐蚀颜色与金属的本体颜色相差不是很大,或者在边沿发生像素的混淆时,利用差异边缘像素相减的方法很难完整分割腐蚀区域的问题。为了解决上述问题,提出利用空间像素差异距离聚类的金属腐蚀区域图像分割算法。通过计算差异像素之间的差异距离概率,将差异像素特征进行严格划分,对划分后的结果进行排序计算,详细描述混淆边沿信息,对腐蚀区域进行完整分割。实验证明,改进方法能够对金属腐蚀造成的细微区域完整分割,取得了满意的效果,为金属腐蚀区检测提供了参考。     

基于光谱和时相特征的夏玉米遥感识别

精确提取作物种植面积一直是农业遥感关注的主要问题之一。综合运用低分辨率的时相变化特征和中分辨率的光谱特征,提出一种夏玉米识别方法。首先基于MODIS NDVI时间序列曲线,分析夏玉米在时相变化上的识别特征,构建识别模型。夏玉米纯像元利用识别模型识别,而耕地和非耕地类型的植被产生的混合像元,则基于像元分解办法获取耕地组分的NDVI时序特征,再利用识别模型判定,然后结合土地利用数据根据空间关系得到中分辨率结果;玉米与其他作物的混合像元则利用中分辨率尺度光谱差异加以区分。研究结果表明,在伊洛河流域主要农业区,识别精度达到90.33%,为作物类型识别提供了新的思路。     

基于硬件加速的几何失真校正研究

分析研究一种新的图形硬件架构CUDA,基于其类C语言硬件开发环境和多线程的硬件执行机制,实现了基于GPU的几何失真校正的数学贴图映射,并根据像素分辨率的不同情况分别进行了实验验证,证明该方法比基于CPU的实现具有更高的场景交互速度,保证了视景系统的真实感和实时性.     

雷达图像像素矩阵的提取与应用仿真

该文提出采用图像像素矩阵提取的方法，对雷达图像进行特定的处理，该处理方式精确、直接，对原图像影响较小。具有良好的实验效果。同时提出了根据雷达像素矩阵进，行目标识别的思想。     

Connectivity-based multiple-circle fitting

This paper proposes a connectivity-based method for circle fitting. The use of pixel connectivity effectively avoids false circle detection, improves the robustness against noise and significantly reduces the computational load. The desired circular models are extracted by searching for meaningful circular arcs. The algorithm does not require a good initial guess, and is effective for extracting an a priori unknown number of circles even when the number of outliers exceeds 50%. The experimental results demonstrate that the proposed method performs well in detecting multiple intersecting or occluded circles.     

基于代价敏感深度决策树的公交车环境人脸检测

针对公交车环境下的人脸检测具有光照变化、模糊、遮挡、低分辨率和姿势变化等问题,提出了基于代价敏感深度决策树的人脸检测算法。首先,基于归一化的像素差异（NPD）特征构建单个深度二次树（DQT）;接着,根据当前决策树的分类结果,利用代价敏感Gentle Adaboost方法对样本权重进行更新,依次训练出多棵深度决策树;最后,将所有决策树通过Soft-Cascade级联得到最终的检测算法。在人脸检测数据集（FDDB）和公交车视频上的实验结果表明,所提算法与现有的深度决策树算法相比,在检测率和检测速度上均有提升。     

基于矩阵相似度的最佳样本块匹配算法及其在图像修复中的应用

在基于纹理合成的图像修复算法中,最佳样本块匹配算法存在匹配精度不高和时间复杂度高等问题。针对上述问题,首先构造了块匹配算法,采用矩阵相似度来计算模板块与样本块之间的匹配度,以相对较粗的粒度初步选出最佳样本块的候选集。然后,又构造了像素点匹配算法,采用模板块与候选最佳样本块之间的误差矩阵的内积来计算对应像素点之间的匹配度,以更细的粒度来确定最终的最佳样本块。块匹配算法降低了时间复杂度,像素点匹配算法提高了匹配精度,因此,在此基础上构造的基于相似矩阵的最佳样本块匹配算法能够在不增加时间复杂度的情况下提高算法的匹配精度。实例验证结果表明,与当前基于纹理的图像修复算法相比,该算法的匹配精度提高,时间复杂度降低。     

基于C8051F020控制的液晶显示屏设计

DMF-50840点阵图形液晶显示由大屏幕LCD液晶显示器、SED1335控制器、CCFL背光逆变器和DC-DC显示驱动电源组成.基于C8051F020单片机控制的液晶显示屏SED1335控制器,解译MPU发来的指令代码,将参数置入相应寄存器内,并触发相应逻辑电路运行.软件设计采用配置C8051F020单片机为无块选择的分片模式8位驱动.     

Agriculture satellite image segmentation using a modified artificial Hopfield neural network

Beekeeping plays an important role in increasing and diversifying the incomes of many rural communities in Kingdom of Saudi Arabia. However, despite the region’s relatively good rainfall, which results in better forage conditions, bees and beekeepers are greatly affected by seasonal shortages of bee forage. Because of these shortages, beekeepers must continually move their colonies in search of better forage. The aim of this paper is to determine the actual bee forage areas with specific characteristics like population density, ecological distribution, flowering phenology based on color satellite image segmentation. Satellite images are currently used as an efficient tool for agricultural management and monitoring. It is also one of the most difficult image segmentation problems due to factors like environmental conditions, poor resolution and poor illumination. Pixel clustering is a popular way of determining the homogeneous image regions, corresponding to the different land cover types, based on their spectral properties. In this paper Hopfield neural network (HNN) is introduced as Pixel clustering based segmentation method for agriculture satellite images.