三种降采样成像策略的性能优化以及与传统傅里叶望远镜的比较

为了获得成像质量较好且成像时间较少的新型傅里叶望远镜成像策略,本文比较了三种降采样成像策略(压缩感知方法 (CS)、低频全采样方法 (LF)和变密度随机采样方法 (VD))与传统傅里叶望远镜(FT)在图像质量和成像时间上的差异.分析方法如下:利用传统FT外场实验所获得的目标频谱数据作为基础,三种降采样方法 (LF, VD和CS)分别按照各自的采样模式和重构方法实现目标图像的重构;通过直观观察和Strehl比两种方法比较三种降采样方法与传统FT在图像质量上的差异;通过分析成像时间的组成要素,初步比较三种降采样方法与传统FT在成像时间上的差异.分析表明:1)压缩感知方法的图像质量优于其他两种降采样方法 (LF和VD),但略低于传统成像结果; 2)压缩感知方法在成像质量上略低于传统FT,但在成像时间上却明显小于传统FT; 3)分析中采用的外场数据均含噪声,这说明上述三种降采样重构过程对噪声有较好的鲁棒性.综合上述分析结果可以看出,基于压缩感知的傅里叶望远镜(CS-FT)是在实际含噪情况下可大幅减少成像时间的优良成像策略.     

基于快速轮廓转动力矩特征的激光主动成像目标识别

针对激光主动成像的图像特性,提出一种基于快速轮廓转动力矩的目标识别方法。将转动力矩的概念引入目标识别中,提出的快速轮廓转动力矩特征(FCTF)不仅包含了轮廓的尺寸、位置、规则度以及目标的亮暗等信息,同时对于旋转、尺度缩放等变换具有不变性。采用转动力矩的快速计算方法,提高了识别算法的计算效率。识别算法首先使用最大稳定极值区域(MSER)算法检测出目标特征区域,并将其变换为圆形区域,然后结合快速转动力矩特征算法提取出目标区域的局部不变特征,最后输入训练好的支持向量机分类器进行识别。实验结果表明相比于已有的激光主动成像目标识别方法,所提算法对于旋转、仿射变换均具有更高的识别率,同时单帧平均运算时间为9.68 ms,满足激光主动成像目标识别系统实时性的要求。     

基于单站地基望远镜的空间目标姿态估计方法

为实现从单站光测图像中估计出已知3D模型的空间目标姿态,利用Vega Prime提出了一种采用仿真图像进行相关度局部最优搜索的姿态估计方法,该方法无需建立2D-3D特征投影关系和大量的模型匹配库。首先,对输入图像进行图像预处理,获得目标原始图像。然后,利用Vega Prime加载目标3D模型生成仿真匹配图像,并进行图像预处理获得目标匹配图像,计算两幅图像相关度。最后,更新3D目标模型姿态,直至仿真匹配图像与目标原始图像的相关度值取得局部最优,输出目标模型姿态。仿真实验结果表明,采用本文所提方法的观测仿真图像姿态平均估计误差为3.85°,仿真原图可实现姿态准确估计,表明该方法是一种空间目标姿态估计的有效方法。     

基于多尺度区域对比的显著目标识别

为了对图像中的显著目标进行更精确的识别,提出一种新的基于多尺度区域对比的视觉显著性计算模型。首先基于多尺度思想将图像分别分割为不同数目的超像素,对超像素内的像素颜色值取平均以生成抽象化图像;然后根据显著特征的稀少性及显著特征的聚集性,计算单一尺度下超像素颜色特征的显著性值;最后通过取各尺度超像素显著度的平均值来融合多尺度显著图,得到最终的视觉显著图。实验表明,以MSRA图库中的1 000张随机自然图片为例,该模型较现有较好的区域对比模型,显著目标识别的精确率提高了14.8%,F-Measure值提高了9.2%。与现有的算法相比,该模型提高了算法对显著目标大小的适应性,减少了背景对显著目标识别的干扰,具有更好的一致性,能更好地识别显著目标。