结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择

为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息,提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型,选出同时保存全局相似性结构和局部流形结构的特征子集;在多个尺度的窗口中使用双边滤波,自适应计算滤波核,自动在光谱数据中融入空间信息,增强了类内相似性和类间相异性,避免了参量选择;引入层级结构实现空间信息和光谱信息的深入融合,提高了分类准确度;讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明,该算法在大部分地物种类上的分类准确度都有较大幅度的提升,总体分类准确度分别达到90.98%和94.20%,相比其他方法明显提高了地物分类准确度.     

面向光学测量跨源点云的多尺度采样配准方法

为了实现具有不同测量尺度、分辨率与精度等特性的跨源点云的精确配准,提出了基于多尺度采样的测量点云数据配准方法。通过尺度滑移算法来滤除高频细节信息,保留轮廓数据,并结合体素网格邻域法来实现点云数据的降采样;对于宏观结构光视觉测量的低分辨率点云数据,通过基于深度学习的渐进式三维点云上采样算法可以精确还原结构光点云的轮廓细节,实现跨源点云在尺度与分辨率上的统一。最后,采用迭代最近点法对处理后尺度近似的数据进行配准,并将配准关系逆向用于原始跨源点云的配准。实验结果表明,多尺度采样方法对于跨源点云的配准精度有所提高,能有效用于发动机叶片等零部件的高性能检测。     

基于局部轮廓和随机森林的人体行为识别

基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达,提出了一种新的局部轮廓特征来描述人体的外观姿势,可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作,与轮廓起始点无关,具有平移、尺度和旋转不变性。针对该特征,提出了一种基于随机森林的两阶段分类方法,使用随机森林分类器对行为视频的局部轮廓进行初分类,并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例,提出了一种基于袋外(OOB)数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。     

快速动态自适应小波配点法

动态自适应多尺度小波配点法(AWCM)能有效地模拟具有间歇性的物理现象,此方法是近几年发展起来的非常新颖的数值计算方法。为了增强该方法识别与跟踪解的奇异性的能力,并提高数值计算稳定性与计算效率,将精细时程积分算法与之相结合形成了快速动态自适应多尺度小波配点法。为了实现这一算法,给出了构造动态自适应网格配点集的新方法,构建了以小波(或尺度函数)系数为变量的时程推进公式。通过求解一维Burgers方程,证明了方法具有更加良好的数值计算性质。     

航空发动机外形点云的特征分割方法

目前我国存在较多外购发动机的情况，外购发动机存在只有实物及安装尺寸等信息，而没有三维数字化模型的问题，这给飞机与发动机的装配协调设计带来较大困难，因此飞机设计部门对快速重构航空发动机的外形几何模型提出了迫切需求。为了使重建出的发动机外形几何模型尽可能地保留准确的结构特征，提出了一种基于深度学习的航空发动机外形点云特征分割方法，该方法将整体点云分割成特征数据与非特征数据，这有利于后续采用不同的方法重建出各种复杂的结构特征。设计了一种迭代密度均衡算法用于构建特征分割数据集，该算法为特征分割网络的训练、测试和性能评估提供基础；设计了一种特征分割网络，从多尺度局部表面片中收集形状结构和局部邻域信息，用于判断其中心是否是特征点。将训练好的特征分割网络模型应用于发动机外形点云，验证结果表明，特征分割精度达到95.16%,所提算法实现了高精度语义分割。     

基于几何特征和图像特征的点云自适应拼接方法

多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题,提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型,通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度,从而系统可根据判断因子自适应地选择合适的配准算法,实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中,采用随机抽样一致(RANSAC)算法对误匹配特征点进行剔除。实验结果表明,该方法可实现不同表面的稳定点云拼接。     

GLCM和DWT特征在打印文件机源认证中的应用

为了有效解决打印文件机源认证问题,提出了一种基于统计纹理特征选择的打印文件机源认证方法。综合考虑打印字符图像的空间域和时频域特性,将GLCM和DWT统计纹理特征进行组合,运用ReliefF算法实现组合特征的初选,二次特征选择使用SVM-RFE算法。文中实验结果表明,在英文相同字有重复样本集和中文不同字无重复样本集上的分类准确率分别为95.20%和75.00%;特征组合与特征选择有利于提高打印文件机源认证的分类鉴别性能。     

基于离散Morse理论的散乱点云特征提取

为了有效提取散乱点云上的特征点,针对现有点云特征提取算法采用全局统一的特征度量阈值易造成特征误判、漏判及需要多次人工调参的问题,基于离散Morse理论,提出一种自适应的特征提取算法。首先,采用基于局部邻域的协方差分析计算每个数据点的特征度量,标定潜在特征点。然后将潜在特征点与其邻域点在主方向上所形成的夹角平均值作为局部特征检测算子,利用该算子计算该点的离散梯度;最后,构建每个潜在特征点局部邻域内的Voronoi图,利用线性插值法计算离散点所在泰森多边形所有顶点的梯度构建离散梯度向量域,将离散梯度向量域中的梯度极值点判定为特征点。为提高算法的稳健性和抗噪能力,将离散梯度计算扩展到多尺度上,将邻域大小作为离散的尺度参数,多尺度地对一点进行判定。实验结果表明,该方法简单、稳健性好,不依赖于特征的尖锐程度,能在有效提取较尖锐特征的同时,尽可能多地保留较平滑特征。当噪声为0.03 dB时,可以有效地提取点云特征,而当噪声为0.05 dB时,尽管存在个别特征点消失的情况,但整体上显著特征点能够得到较好地提取,效果令人满意。     

融合多尺度局部特征与深度特征的双目立体匹配

针对立体匹配中不适定区域难以找到精确匹配点的问题,提出一种融合多尺度局部特征与深度特征的立体匹配方法。特征融合阶段包括两部分,其一是融合不同尺度下Log-Gabor特征和局部二值模式特征组合的浅层次特征,其二是将多尺度浅层融合特征和卷积神经网络提取的深度特征进行级联,形成既包含语义信息又包含结构化信息的特征图像。通过在极线垂直方向添加不同强度的噪声来构造正负样本,减小图像中极线对齐欠准带来的误差。将该方法与两种变体方法(改变或舍弃部分模块)在KITTI数据集进行对比实验,结果表明各模块设置具有合理性;与一些经典方法相比,所提方法取得了有竞争力的匹配性能。     

基于多尺度特征与通道特征融合的脑肿瘤良恶性分类模型

针对脑肿瘤良恶性分类过程复杂、分类准确率不高等问题,提出了一种基于多尺度特征与通道特征融合的分类模型。该模型以ResNeXt网络为主干网络,首先,将基于空洞卷积的多尺度特征提取模块代替第一层卷积层,利用膨胀率获取不同感受野的图像信息,将全局特征与局部显著特征相结合;其次,添加通道注意力机制模块,融合特征通道信息,提高对肿瘤区域的关注度,降低对冗余信息的关注度;最后,采用学习率的线性衰减策略、图像的标签平滑策略以及基于医学图像的迁移学习策略的组合优化提高模型的学习能力和泛化能力。在BraTS2017和BraTS2019数据集中进行实验,准确率分别达到98.11%和98.72%。与经典模型和其他先进方法相比,该分类模型能够有效地减少分类过程的复杂度,提高脑肿瘤良恶性分类的准确率。     

基于形态学空间特征的高光谱遥感图像分类方法

传统的高光谱图像分类主要是基于像素的光谱特征,在一定程度上忽略了高光谱遥感图像中像素之间的空间相关性。为了充分利用高光谱图像中的空间信息,提出了一种基于加权多结构元素无偏差形态学的空间特征提取方法,并基于形态学的多尺度特征和结构保持性提出了基于邻域的多尺度空间特征提取方法,得到了高光谱遥感图像的空间特征。对k-NN分类算法进行改进,提出了基于变精度粗糙集和重构误差的k-NN分类算法,实现了基于空间特征的高光谱遥感图像分类。在两个不同的高光谱遥感图像的实验验证了基于空间特征和改进k-NN分类算法的性能。     

点云投影结合轻量化卷积神经网络实现三维成像声呐快速目标分类*

三维成像声呐的成像结果是三维点云,基于点云的三维成像声呐目标分类方法具有网络结构复杂,计算量大的特点,针对这一问题本文提出了一种将三维成像声呐成像结果从三维点云投影至二维图像的方法,并且使用轻量化卷积神经网络实现了三维成像声呐快速目标分类。该方法首先对三维成像声呐波束形成后的波束域数据进行最大值滤波和阈值滤波,降低点云数据维度;接着,依据三维成像声呐的波束方向,将点云投影为深度图和强度图,分别保存点云的位置信息和强度信息;然后,利用深度图和强度图分别作为第一个通道和第二个通道构建混合通道图,将混合通道图作为目标分类网络的输入,从而将三维点云的目标分类问题转换为二维图像的目标分类问题;最后使用MobileNetV2网络实现了三维成像声呐快速目标分类。实验结果表明,通过本文提出的投影方法可以用二维图像分类网络完成三维成像声呐点云的目标分类任务;而且混合通道图比单独的强度图和深度图收敛速度更快,结合目标识别网络可以25fps实时的进行目标分类,在真实数据集上分类精度达到了91.13%。     

基于三维点云匹配的手掌静脉识别

针对现有手掌静脉认证系统误拒率较高以及不支持大数据集匹配的问题,设计了基于透射式光源的双目视觉静脉三维点云重建装置,提出了基于三维点云匹配的手掌静脉认证算法。系统使用850 nm透射式发光二极管(LED)光源作为照明装置,由双目摄像机拍摄静脉视差图像进行三维重建。选择手掌静脉作为特征点描述其空间三维结构,提出了一种改进的内核相关性分析方法匹配三维点云。针对200组点云数据的实验结果验证了该方法的可行性和有效性,识别率达到了98%,误拒率2%,误识率0%,总特征维数约8000至12000维,高于尺度不变特征变换(SIFT),支持对大数据集的认证识别。     

激光点云的混合流形谱聚类自适应分割方法

将激光点云视为分布于三维欧氏空间的线性与非线性混合流形,提出一种基于混合流形谱聚类的自适应点云分割方法。由混合概率主成分分析法构造的M个主成分分析器组成混合概率模型,得到描述点云的邻接矩阵;将点云分割的几何特征在谱空间进行降维嵌入,利用N-cut方法得到描述点云分割特征的多维向量;结合类间类内划分算法自适应分割点云。实验结果表明,对于三种受测点云,所提出的算法能在较宽预设参数范围内以80%以上概率得到收敛于几何特征的分割结果,参数稳定性较好。在对点云添加均值为0,标准差为0.01的高斯噪声与0.25倍数量的离群点复合噪声的情况下,算法表现出良好的抗噪性;将该算法应用于切片式激光三维成像的卫星模型点云中也取得了理想分割结果。     

融合多尺度特征的短时音频场景识别方法EI北大核心CSCD

为解决短时音频场景识别任务中识别性能差的问题,提出一种融合多尺度特征的音频场景识别方法。首先将双声道音频中左右声道的和差作为输入,并使用长时帧长进行分帧处理,以保证提取出的帧级特征中包含足够多的音频信息。然后将特征逐帧输入到融合多尺度特征的一维卷积神经网络中,以充分利用网络中不同尺度的浅层、中层和深层嵌入特征。最后综合所有帧级软标签得到短时音频的场景分类结果。实验结果表明,该方法在国际声学场景和事件检测与分类挑战赛(DCASE) 2021短时音频场景数据集上的准确率为79.02%,实现了该数据集上目前为止的最优性能。     

电子器件散热风扇气动噪声管道声学模态截止控制技术

深度学习输入特征的选择直接影响其分类性能,为了进一步提高基于深度学习的鸟类物种识别模型的分类性能,该文提出一种多特征融合识别方法。该方法首先通过短时傅里叶变换、梅尔倒谱变换和线性调频小波变换分别计算得到鸣声信号的3种语图样本集,然后分别利用3种语图样本集训练3个基于VGG16迁移的单一特征模型,将3个模型的输出进行自适应加权求和实现融合,并修正了加权交叉熵函数以克服样本不平衡的问题,最后对语图进行分类实现鸟类物种的识别。以ICML4B鸣声库的35种鸟类为研究对象,对比了4种模型的平均识别准确率(MAP),结果表明特征融合模型较单一特征模型的MAP最大提高了0.307;选择输入语图的持续时间分别为100 ms、300 ms以及500 ms,对比不同持续时间下4种模型的测试MAP值,结果表明持续时间为300 ms时4种模型的MAP值均为最高;对比了不同信噪比下4种模型的识别效果,多特征融合模型的识别准确率随着信噪比的下降降低最少。说明在选择合适的语图持续时间后,该文提出的特征融合模型能得到更高的识别准确率,具有一定的抗噪能力,且训练参数少,更适合于少样本鸟类的识别。     

基于自适应补偿网络的视网膜血管分割

基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂,多尺度及前、背景比例失衡,自动分割困难。因此,本文提出自适应补偿网络（SACom）实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架,首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力;然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息,对齐上下文特征;最后在解码器端设计协同补偿分支,融合多级输出提升模型的映射能力,实现精细分割。实验结果表明,SACom可有效提高视网膜血管的分割精度,在DRIVE、CHASE＿DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753,灵敏度分别达到0.8403、0.8748和0.8506,曲线下面积（AUC）分别达到0.9880、0.9917和0.9919。     

基于FPFH特征的三维场景重建

文章在阐述不同视角下在对一对三维点云数据集两两配准的基础之上,针对ICP精确匹配算法须使初始点云收敛否则无法获取准确匹配结果的问题,提出了基于FPFH特征描述子的特征点云粗匹配。调整两片点云的初始位置,为ICP算法提供了良好的初始位置进一步提高点云的匹配精度。并且在此基础上通过大量实验得到点云对应点对之间的最大距离与拟合系数的函数关系,得到粗匹配最优值,进而得到最佳配准效果。实验证明通过粗匹配最高能将匹配拟合系数提高60.3%。     

基于深度学习的资源三号卫星遥感影像云检测方法

针对资源三号卫星影像波段少、光谱范围受限的特点,提出了基于深度学习的资源三号卫星遥感影像的云检测方法。首先,采用主成分分析非监督预训练网络结构,获得了待测遥感影像特征;其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,该模型能很好地挖掘影像特征信息;最后,将影像特征输入支持向量机分类器进行分类,获得了云检测结果。选取典型区域进行云检测实验,并与传统Otsu方法进行对比。结果表明:所提方法的检测精度高,且不受光谱范围的限制,可用于资源三号卫星多光谱影像和全色影像的云检测。     

基于多尺度虚拟格网的LiDAR点云数据滤波改进方法

机载激光雷达(LiDAR)点云数据滤波是目前点云数据处理领域研究的重点。针对目前点云数据滤波的难点,提出了一种基于多尺度虚拟格网和并行计算的改进滤波方法。该方法通过点云数据构建多级虚拟格网,对格网进行多尺度分解,剔除LiDAR数据中的粗差点,获取初始地面点及地物点;根据双向阈值滤波原理,以网格尺度由大到小的顺序逐层进行滤波处理,得到较为精细的地面点,并结合点云数据的并行编程处理,减少了滤波算法的误差积累。实验结果表明:改进算法与其他经典滤波算法相比,滤波精度有了较大的提高,在不同的地形条件下能有效地控制第II类误差,同时减少了总误差,提高了滤波处理的效率和数字高程模型(DEM)的可靠性。