基于RBF神经网络的图像融合复原方法研究

提出了一种基于径向基函数（RBF）神经网络的多通道图像数据融合复原方法，研究了该方法在多光谱图像复原上的应用.将软竞争学习策略和自适应调整隐节点相结合对网络进行优化训练.利用多光谱卫星图像数据，对所提出的方法进行仿真实验.实验结果表明：该融合复原方法提高了复原图像的质量；改进后的学习算法能够保证学习准确度和较短的训练时间；实验还表明RBF神经网络的多通道复原和单通道复原、传统的维纳滤波及最大后验概率方法相比，在改善图像像质上具有明显的优越性.     

基于BP神经网络的闪光照相图像复原

针对闪光照相系统模糊较大、成像信噪比较低的问题,提出了一种基于BP神经网络的闪光照相图像复原方法。该方法利用BP神经网络的泛化能力,用样本图像对网络进行训练,建立退化图像与真实图像之间的非线性映射关系,然后将待复原图像分区,利用训练好的BP神经网络对待复原图像的边界区域进行复原处理。数值试验表明,在系统点扩展函数未知的情况下,该算法能较好再现图像边缘信息,复原出的图像在信噪比和视觉方面都有较大提高。     

基于单摄像机和神经网络的三维测量研究

为了实现更为简单的三维测量同时解决传统立体视觉方法中基线的限制问题,提出一种单摄像机微小角度旋转结合神经网络进行三维测量的方法.方法通过单摄像机小角度旋转采集二维图像数据;利用电动平台移动标定板构建三维空间坐标系;基于摄像机的线性成像模型思想,将代表图像坐标和三维坐标映射关系的投影矩阵替换为BP神经网络,得到二维坐标到...     

基于改进NAS-RIF的三维显微图像盲复原

对二维NAS-RIF算法进行了改进,并将它用于三维显微图像复原,分别用模拟样本和真实生物样本进行了实验。针对原算法对噪声有放大作用,提出了基于中值滤波去噪的改进。在支持域的确定、最小点的搜索上进行改进,提高复原质量。改进了原算法仅适用于均匀背景的不足,扩大了应用范围。实验结果表明,该算法在三维显微图像盲复原中具有较好的效果。     

基于两步迭代收缩阈值的编码孔径光谱数据复原算法

编码孔径光谱成像仪根据压缩传感理论,对物体进行光谱成像。编码孔径光谱数据复原的特点在于能将探测器上所得到的二维编码像复原成三维的数据立方体。两步迭代收缩阈值算法是在迭代收缩阈值算法和迭代加权收缩算法基础上加以改进而得出的,采用两步迭代收缩阈值算法对编码孔径光谱数据进行复原,成功地由二维编码像复原出了三维数据立方体,具有迭代步数少,收敛速度快的特点。     

三维显微图像复原及点扩散函数的研究

三维显微图像去卷积计算量巨大,运算时间长。评价和分析了三维点扩散函数、散焦像、光学切片以及不同三维点扩散函数去卷积的复原图像,进一步证明了散焦光信息对焦面像的干扰,主要来自于焦面像两侧附近的散焦像。提出了折中选择三维PSF的空间大小,可以获得良好的复原效果,并且减少运行时间。提出了频谱图均值的新概念,作为评价图像清晰及模糊程度的标准,并运用于散焦像、光学切片以及复原结果图的评价。     

三维可逆混沌映射的图像加密算法

提出了一种三维可逆混沌映射图像加密算法。基于Line map二维混沌可逆映射,推导了该三维可逆映射的数学表达式。将灰度图像用一个三维矩阵数据描述,并按照所提出的算法将其组成一个二维的二进制图像。首先对此图像应用Line map二维混沌可逆映射进行像素置乱处理,然后再将置乱后的二进制图像还原成十进制的灰度图像,这样就得到了加密后的图像。所提出的方法可以通过一次三维可逆混沌映射同时实现图像加密的两个步骤,即像素置乱和像素混淆。仿真实验结果表明了该算法的有效性,且加密速度快、安全性高、简单易行。     

基于神经网络的相位-高度映射算法

建立高精度的相位-高度映射关系是结构光测量技术中的关键技术之一.在精确建立相机图像和投影仪图像对应关系的基础上,使用三层反向传播神经网络训练来建立图像坐标与被测物体三维坐标之间的映射关系.使用带有圆形标志点的平面标定板进行神经网络的样本采集与训练.为了验证本文算法的测量精度,使用训练好的网络对一个标准球和石膏头像进行了测量.实验结果表明,本文算法可以测量具有复杂自由曲面的物体,测量精度可达0.095mm.     

基于显微CT图像的岩芯孔隙分形特征

采用国内自主开发的高分辨率显微CT设备,对岩芯样本进行图像采集,运用数字图像分析方法获得图像中的岩芯孔隙目标,并以此为基础重建三维模型。然后基于分形理论,分别从二维图像和重建的三维模型角度计算孔隙的分形维数。最后,再采用基于多孔介质的分形模型对岩芯孔隙分形特征进行验证,得出岩芯的二维分形维数和三维分形维数之间的差值均值为1.000 3,最大偏差为0.004,很好地满足多孔介质分形模型中关于二维和三维分形维数的关系。     

图像复原处理方法在显微测量LiNbO_3表面缺陷中的应用

研究了图像复原处理在显微测量中的应用。在实测系统点扩展函数的基础上,首先利用图像复原方法对显微图像进行复原处理,然后用二维处理方法实现对缝宽的精确显微测量。实现了在普通光学显微镜下铌酸锂(LiN- bO_3)极化畴结构样品缺陷大小的便捷测量。     

A novel calibration approach to structured light 3D vision inspection

Structured light 3D vision inspection is a commonly used method for various 3D surface profiling techniques. In this paper, a novel approach is proposed to generate the sufficient calibration points with high accuracy for structured light 3D vision. This approach is based on a flexible calibration target, composed of a photo-electrical aiming device and a 3D translation platform. An improved algorithm of back propagation (BP) neural network is also presented, and is successfully applied to the calibration of structured light 3D vision inspection. Finally, using the calibration points and the improved algorithm of BP neural network, the best network structure is established. The training accuracy for the best BP network structure is 0.083 mm, and its testing accuracy is 0.128 mm.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难，深层卷积神经网络去噪模型网络复杂、训练时间长等问题，提出一种基于自编码器结构的双分支改良编解码网络，实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除，另一分支专注于宏观的图像修复和伪像去除，后端利用残差结构进行整合，实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15，均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集，实验去噪效果相较于输入混合噪声图像峰值信噪比，平均提升了5.3%。与12层全卷积神经网络相比，去噪效果相当，训练速度提升了25.4%，体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络，训练速度快，网络简单；相较于传统图像去噪算法，噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

BP神经网络在磷酸盐溶液紫外吸收光谱中的应用

利用紫外分光光度法测定磷酸盐溶液的光谱,经过转换得到吸光度与溶液浓度的非线性关系,使用BP神经网络算法处理此非线性问题。Matlab语言中的神经网络工具箱提供了许多有关神经网络设计、训练和仿真的函数来实现BP网络,使应用BP网络来解决此类问题变得方便和有效。实验证明Levenberg-Marquardt法网络收敛速度最快,量化共轭梯度法最慢。本文还运用Matlab中的数据拟合法与BP神经网络法进行比较,前者虽然得到拟合曲线关系式,但较为复杂,工作量大。因此,BP神经网络法更适合于解决此类问题。     

基于纹理特征的图像复杂度研究

为了更好地描述图像内部的复杂程度,建立图像复杂度与各指标之间的数学模型是研究图像复杂度最关键的一步。首先从图像纹理出发,试图建立图像复杂度与各指标之间定量、精确的数学关系描述。针对目前图像复杂度与各衡量指标之间没有明确的数学关系的特点,文中采用灰度共生矩阵对纹理的主要特征参数进行分析,提出了基于BP神经网络的图像复杂度评价方法,建立了图像复杂度与各个指标之间非线性的数学评价模型。通过大量的图片对神经网络进行训练学习,得到各指标的权重值。验证结果表明,所建评价模型能够真实地反映图像内部的复杂程度,获得的实验结果与人类视觉感知的结果基本一致。对于将BP神经网络应用于图像复杂度的研究具有一定的参考价值。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

适应积分时间调整的红外图像非均匀性校正方法

针对应用常规红外图像非均匀性校正方法在变积分时间时,图像灰度值会发生改变的现象,提出了一种适应积分时间调整的红外图像非均匀性校正方法.该方法将不同积分时间、不同温度的黑体定标数据和对应的理论红外辐射量整合为一个整体数据库,借助神经网络损失函数和误差反向传递机制,对模型中的校正系数进行学习.训练得到的校正网络能在红外相机积分时间实时调整过程中,保证图像均匀地稳定输出,对后端红外图像处理有着重要意义,并验证训练该网络不需要大量定标数据.而针对红外探测器响应漂移的现象,则提出了在线修正校正系数的方法以有效应对.