基于稀疏重构的空间邻近目标红外单帧图像超分辨方法

针对现有算法难以利用单帧红外图像实现空间邻近目标(CSO)的超分辨问题,提出了一种基于稀疏重构理论的单帧超分辨方法。该方法充分利用了目标在焦平面阵列(FPA)分布的稀疏性以及光学系统点扩展函数(PSF)的结构特性,通过对FPA离散化网格采样构造稀疏量测模型,并将建立的1范数正则化问题转化为二阶锥规划问题求解;然后针对稀疏度过估计的重构结果,采用贝叶斯信息准则(BIC)实现模型选择,最终获得对目标个数和位置的准确估计。多组仿真场景验证了算法的有效性和超分辨能力;相比于已有算法,所提算法不仅提高了分辨正确率和位置估计精度,同时大幅缩减了计算耗时。     

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%～1%的甲烷、乙烷及0.1%～1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。     

基于递推最小二乘的红外焦平面非均匀校正算法

根据递推最小二乘和图像配准原理,提出了基于递推最小二乘的红外焦平面非均匀校正算法(简称ILS算法),有效降低算法的时间和空间复杂度,使噪音图像的校正处理能够实时完成.ILS算法具有噪音参量估计准确度高、收敛速度快和计算复杂度低等优点.给出了算法的推导并用仿真数据对算法的有效性进行验证.     

基于递推最小二乘的红外焦平面非均匀校正算法

根据递推最小二乘和图像配准原理，提出了基于递推最小二乘的红外焦平面非均匀校正算法（简称ILS算法），有效降低算法的时间和空间复杂度，使噪音图像的校正处理能够实时完成.ILS算法具有噪音参量估计准确度高、收敛速度快和计算复杂度低等优点.给出了算法的推导并用仿真数据对算法的有效性进行验证.     

辐射源定标红外焦平面阵列非均匀性校正算法研究

针对红外成像系统工程应用的实际要求,对辐射源定标红外焦平面阵列非均匀性校正的数学方法进行了研究,揭示了该实际工程问题属于函数插值或函数拟合的数学原理,并据此导出了三次样条插值、B样条最小二乘拟合及多项式最小二乘拟合等非均匀性校正算法.实验表明,该算法能有效适应红外焦平面阵列响应特性的大动态范围和非线性,校正准确度高,计算速度快.     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

基于最小一乘和混沌遗传算法检测红外小目标

提出了一种基于最小一乘估计和混沌遗传算法进行背景预测检测红外小目标的方法.在建立最小一乘准则背景预测模型的基础上,根据最小一乘估计的性质,利用混沌序列内在的伪随机性,将混沌引入到遗传算法得到混沌遗传优化算法,以此解决最小一乘估计中极值的选取问题.将原始图像与预测图像相减得到预测残差图像后,利用基于二维指数熵的图像阈值选取快速算法进行分割.给出了实验结果与分析,并与基于遗传算法的最小一乘预测、最小二乘背景预测的检测算法作了比较.实验结果表明,提出的算法具有更高的检测概率和更好的检测结果.     

基于小电流二次放电法的蓄电池内阻在线检测研究

北斗伪距单点定位具有易于实现、不存在整周模糊度、速度快等特点,具有很大的研究和应用价值。传统最小二乘法由于引入了线性误差、对初始值依赖性强而导致定位精度低。为了提高北斗伪距单点定位的精度,通过分析最小二乘法和粒子群算法的优缺点,提出了一种LS-PSO组合算法。首先利用最小二乘法定位计算接收机的大约位置,作为粒子群算法解的基准值并建立解的搜索空间,然后利用粒子群算法得到全局最优值,解算出精度更高的结果。经过实验验证,LS-PSO组合算法可以稳定的解算出m级精度的定位结果,并且三维方向偏差都在大约5m以内。最后通过与遗传算法的收敛情况和最小二乘法的定位精度进行对比,证明LS-PSO组合算法可以快速的收敛到最优解并且有效的提高了北斗伪距单点定位精度。     

基于LS-PSO的北斗伪距单点定位算法

北斗伪距单点定位具有易于实现、不存在整周模糊度、速度快等特点,具有很大的研究和应用价值;传统最小二乘法由于引入了线性误差、对初始值依赖性强而导致定位精度低;为了提高北斗伪距单点定位的精度,通过分析最小二乘法和粒子群算法的优缺点,提出了一种LS-PSO组合算法;首先利用最小二乘法定位计算接收机的大约位置,作为粒子群算法解的基准值并建立解的搜索空间,然后利用粒子群算法得到全局最优值,解算出精度更高的结果;经过实验验证,LS-PSO组合算法可以稳定的解算出m级精度的定位结果,并且三维方向偏差都在大约5 m以内;最后通过与遗传算法的收敛情况和最小二乘法的定位精度进行对比,证明LS-PSO组合算法可以快速的收敛到最优解并且有效的提高了北斗伪距单点定位精度。     

一种强噪声背景下微弱超声信号提取方法研究

为解决在强噪声背景下获取超声信号的难题,基于粒子群优化算法和稀疏分解理论提出一种强噪声背景下微弱超声信号提取方法.该方法将降噪问题转换为在无穷大参数集上对函数进行优化的问题,首先以稀疏分解理论和超声信号的结构特点为依据构建了粒子群优化算法运行所需要的目标函数及去噪后信号的重构函数,从而将粒子群优化算法和超声信号降噪联系在一起;然后根据粒子群优化算法可以在连续参数空间寻优的特点建立了用于匹配超声信号的连续超完备字典,并采用改进的自适应粒子群优化算法在该字典中对目标函数进行优化;最后根据对目标函数在字典上的优化结果确定最优原子,并利用最优原子按照重构函数重构出降噪后的超声信号.通过对仿真超声信号和实测超声信号的处理,结果表明本文提出的方法可以有效提取信噪比低至-4 dB的强噪声背景下的微弱超声信号,且和基于自适应阈值的小波方法相比本文方法表现出更好的降噪性能.     

基于修补粒子群算法的红外目标跟踪

为了避免粒子群算法退化和运算量大问题,提出利用修补粒子群算法对红外目标进行跟踪。该算法先用设置粒子的惯性因子对搜索到的红外目标位置进行修正,使粒子的位置达到局部最优点和全局最优点;然后通过粒子群收缩因子限制在边界搜索,消除目标位置的模糊性。利用该方法对空中红外战斗机图像跟踪仿真,结果显示在500次粒子迭代,100次跟踪中误差为2.83%,在最大惯性权值为1.2和最小惯性权值为0.3时跟踪效果最接近真实目标,且边缘最清晰。     

基于二维最小Tsallis交叉熵的图像阈值分割方法

利用Tsallis熵的非广延性,提出了二维最小Tsallis交叉熵阈值分割方法.首先给出了二维Tsallis交叉熵的定义,并以最小二维Tsallis交叉熵为准则,利用粒子群优化算法来搜索最优二维阈值向量.该方法不仅进一步考虑了像素之间的空间邻域信息,而且考虑了目标和背景之间的相互关系,其分割性能优于基于Shannon熵的交叉熵阈值法和一维最小Tsallis交叉熵阈值法,并且具有很强的抗噪声能力.实验结果表明,该方法可以实现快速、准确的分割. 关键词： Tsallis交叉熵 二维直方图 粒子群优化算法 图像分割     

基于类内绝对差和混沌粒子群的红外图像分割

提出了基于类内绝对差、背景与目标面积差及混沌小生境粒子群优化(NCPSO)的红外目标图像阈值分割方法。类内绝对差小能确保分割后类的内聚性好,背景与目标的面积差可抑制均等分割的趋势,两者综合构成更为合理的阈值选取准则函数。给出了一维阈值选取公式,通过推广到二维,抗噪性能明显改善;针对二维阈值分割计算量大的问题,利用混沌变异的小生境粒子群算法搜索最佳阈值向量;最后与Fisher准则法、Otsu方法和最大熵阈值分割法作了比较。实验结果表明,该方法在分割效果和运行时间上都具有明显的优势。     

基于BP神经网络的红外焦平面非均匀性校正技术

在传统BP神经网络非均匀性校正理论的基础上,结合红外焦平面阵列读出通道的时变特性,提出一种新的输出期望估计方法.该方法利用当前像素邻域和读出通道估计输出期望值.实验表明,算法能有效抑制焦平面固定图案噪音,提高场景目标的分辨能力,达到较好的视觉效果.     

基于最小二乘法准则的光学综合孔径观测目标傅里叶信息提取

提出了基于最小二乘法准则提取光学综合孔径观测目标的傅里叶信息,给出了系统的理论推导过程.与其它传统条纹信息提取方法作了比较,指出基于最小二乘法准则提取观测目标信息周期短,速度快,可提取观测目标的傅里叶幅度和相位.实验仿真表明,基于最小二乘法准则提取观测目标信息是可行的.     

基于场景的红外焦平面阵列非均匀性校正算法综述

红外焦平面阵列的非均匀性噪声是制约红外成像质量的主要因素。基于场景的非均匀校正算法通常利用图像序列并依赖帧间运动对焦平面阵列的非均匀性进行校正。介绍和分析了全局非均匀性校正,Kalman滤波器法,自适应滤波法,轨迹跟踪法,基于场景运动分析的校正算法,基于小波变换实现低通滤波的校正算法,高通滤波与神经网络相结合的算法,基于小波去噪、序列图像配准和正交最小二乘拟合的校正算法,改进的神经网络算法以及代数算法等,对算法进行了比较。     

应用半正定规划的目标方位超分辨方法

针对水下目标方位超分辨估计问题,提出了一种基于半正定规划(Sdp)的常规波束(CBF)方位超分辨算法(SdpCBF).Sdp-CBF算法基于常规波束形成获得多目标方位谱数据,利用阵列响应矩阵和半正定规划技术,精确估计目标数量和波达角方向.该算法的本质是利用阵列特性和信号能量信息获得超分辨方位估计,不用进行子空间分解,通过卷积反演的方式将阵列孔径的有限效应消除,在L₂范数约束条件下重构空间谱.仿真表明,Sdp-CBF算法具有较强的噪声抑制能力,对非相干和相干信号均具有目标方位超分辨能力,在低信噪比环境下的方位分辨性能超过多重信号分类(MUSIC)等经典高分辨算法。对消声水池以及湖上实验数据的处理结果显示,Sdp-CBF算法在复杂环境中对相干信号及微弱信号具有较强的分辨能力。      

用于彩色目标跟踪的改进粒子群优化算法

提出一种用于彩色目标跟踪的改进粒子群优化算法(Improved Particle Swarm Optimization Algorithms,IP-SOA)。针对彩色目标,选择加权彩色直方图作为目标的特征,选用Bhattacharyya系数作为特征相似性度量,其最大值位置表示目标位置。对粒子群优化算法进行了改进,即自动调整惯性权重函数与认知学习因子,每次递推时对粒子速度、单帧位移总量加以限制,对Bhattacharyya系数优化,快速求取函数最大值位置。利用彩色序列图像进行仿真实验,结果表明,该方法能够实时跟踪飞机、车辆等目标,在目标被部分遮挡时能稳健跟踪。     

鲸群优化的粒子滤波算法研究

针对标准的粒子滤波存在粒子贫化问题,提出了一种鲸群优化的粒子滤波算法。用粒子表征鲸鱼个体, 模拟鲸鱼群体搜寻猎物的过程,引导粒子向高似然区域移动。将粒子滤波中粒子的状态值作为鲸鱼群的个体位置,将粒子的状态估计转化为对鲸鱼群的寻优;通过鲸群的螺旋运动方式优化粒子的重要性采样过程,使粒子分布更加合理,对鲸群算法中的全局最优值引入最优邻域随机扰动策略,并在鲸鱼位置更新过程中加入自适应权重因子;选用一种典型的单静态非增长模型进行仿真测试。测试结果表明:提出的方法与传统的粒子滤波以及引力场优化的粒子滤波相比,在保证相同粒子数的前提下,算法的均方误差分别降低了28%和9%,证明了鲸群优化的粒子滤波算法具有更高的估计精度,并且在粒子数较少的情况下,可实现更准确的状态估计。     

基于Markov随机场的新型景像匹配算法

为了提高景像匹配导航系统的定位精度,给出了一种基于Markov随机场理论和极大后验概率估计的新型景像匹配算法。考虑到在x方向和y方向位置偏差的实时图与基准图之间的灰度分布关系,利用图像上的灰度分布服从Markvov随机场分布这一特性,建立了景像匹配问题的条件概率分布模型。应用最小二乘法和噪声的先验统计信息估计位置偏差的方差,给出了描述基准图与实时图之间灰度偏差的测量模型,确定了测量的统计特性。基于极大后验概率估计准则计算了位置偏差的估值。由于新算法在计算位置偏差估值时用到了被估量和噪声的统计信息,因此具有很高的精度。将该算法与最小二乘景像匹配算法进行了仿真比较。仿真结果表明,新算法的匹配精度达到了0.1~0.2像素,高于最小二乘匹配算法的匹配精度。