DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法

针对基于卷积神经网络的图像隐写分析方法中使用人工设计的滤波器在特征提取过程中有效性低的问题,提出方向差分自适应组合（DDAC）特征提取方法。在计算中心像素与周围不同方向像素的差分后,使用1×1卷积对方向差分进行线性组合。根据损失对组合参数自适应更新来构建多样化的滤波器,使获取的嵌入信息残差特征更有效。使用截断线性单元提高嵌入信息残差和图像信息残差的比率,加快模型收敛速度并提高残差特征提取能力。实验结果表明,该方法使Ye-net、Yedroudj-net模型的准确率在WOW和S-UNIWARD数据集中提高1.30%～8.21%。与固定和更新参数SRM滤波器方法相比,测试模型在不同隐写数据集中的准确率提高0.60%～20.72%,并且训练过程更稳定。对比其他图像隐写分析模型,DDAC-net具有更高的隐写分析效率。     

基于SAR极化特征的SVM道路提取方法研究

SAR图像中道路提取在路网规划建设、灾害监测等领域具有重要的应用价值.传统SAR图像道路提取方法多是基于SAR图像的幅值特性进行提取,缺少对极化特性的解译.此外极化分解方法多应用于水体提取、地物分类、建筑物提取等,较少应用于道路提取.针对现有的道路提取方法数据质量要求高、全极化道路提取研究较少、全极化数据源相干斑噪声影响大的问题,本文首先对全极化数据进行多视处理、滤波去噪预处理,并通过极化分解方法获取20维极化特征散射分量.其次,从散射机理的角度出发,构建鉴别道路信息的最优极化特征矢量.最后,通过SVM分类器得到初步道路提取结果,并通过数学形态法提取道路数据.实验结果表明,该方法达到了98.4%的Acc和65.3%的Iou,具有提取精度高、应用范围广的优点,充分利用高分辨率SAR数据的极化信息,可有效应用于SAR图像的道路提取方法研究中.此外,区分于将光学道路提取的方法直接套用到SAR图像道路提取研究,本文探索了极化特征在SAR图像道路提取中的应用表现,为SAR图像道路提取研究提出新模式新思路.     

聚类分割的交互式遥感热红外图像模糊增强北大核心CSCD

交互式遥感热红外图像在边缘区域的像素呈现较强交互干扰,缺少必要区分过程,导致增强后的交互式遥感热红外图像视觉效果差、抗噪性能差、增强效率低。提出基于聚类分割的交互式遥感热红外图像模糊增强方法,采用模糊C均值聚类算法,对交互式遥感热红外图像聚类分割处理,对边缘区域特殊及弱小交互目标分割,进一步区分交互区域的干扰,缩短后期增强所用的时间。采用中值滤波方法去除交互式遥感热红外图像中存在的噪声,结合Sobel算子和二阶微分算子的拉普拉斯算子对去噪后的交互式遥感热红外图像进行锐化处理,通过图像去噪和图像锐化实现交互式遥感热红外图像的模糊增强。仿真实验可知,所提方法进行交互式遥感热红外图像模糊增强所获取的图像清晰度较高、抗噪性能较佳、增强效率较高。     

自适应高斯融合双通道的去雾算法

针对传统图像去雾算法存在的对比度下降和颜色偏移等问题,提出一种结合高斯融合的自适应双通道雾霾图像复原算法。首先,考虑到大气光应小于有雾图像最大值,且大于有雾图像最小值,根据亮度控制因子自适应控制的方式得到融合中通道,并获得中通道下的局部大气光;其次,提出双通道线性传输,即用最大值通道辅助完成线性传输,再用高斯函数加权融合的方法实现清晰图像最优通道估计,从而得到最优透射率;最后,结合复原模型恢复清晰图像。实验表明,所提方法有效解决了图像对比度下降与颜色偏移等问题,去雾效果良好、亮度适宜且颜色保真度更高。另外,该方法在定量指标上同样具有优越的表现。      

增量式块主成分分析的焊缝图像特征提取算法北大核心CSCD

针对焊缝图像特征提取的实时性问题,该文提出一种增量式块主成分分析(incremental block principal component analysis,IBlockPCA)算法,用于焊缝特征主成分的提取。该算法先将焊缝表面图像分割成子图像块并对其进行重构,然后利用提出的IBlockPCA算法对局部块图像进行增量式特征提取,并采用KNN算法对提取的特征主成分进行分类识别;最后在焊缝数据集上进行了算法的性能对比。实验结果表明,该算法在收敛率、分类率及复杂度等方面均优于其他主成分分析(principal component analysis,PCA)算法,其分类识别率为97.5%,其平均处理速度可达50 frame/s,能够满足焊缝表面图像的实时性处理需求。     

图像分类问题的几种深度学习策略

针对图像分类学习不够深入的问题,提出图像分类问题的几种深度学习策略研究。通过分析当前主流的主动深度学习图像、多标签图像和多尺度网络图像三种深度学习方法的工作原理和存在的优势与不足,探讨图像分类问题的优化学习策略。随后采用图像分类问题的几种深度学习策略实验的方式加以对比,实验结果表明,参数共享的深度学习图像分类方法不仅提高了预测速度,而且还能确保模型的准确性。     

基于多目标图像清晰度评价的LAMOST光谱仪离焦诊断方法

研究表明,当温度产生一定变化时,会导致大天区面积多目标光纤光谱天文望远镜（LAMOST）光谱仪的内部器件产生热诱导变形,引起CCD靶面上的图像离焦模糊,降低了天文数据测量精度,也大大增加了16台光谱仪的日常维护难度。基于LAMOST运行前拍摄的定标灯谱数据,提出了一种基于多目标图像清晰度评价的离焦诊断方法。该方法通过对不同离焦量下的定标灯谱图像进行分析,提取了一定数量的光斑的半高全宽（FWHM）及其总体分布情况,建立多目标图像清晰度与系统离焦量之间的离焦函数模型,实现对LAMOST成像像质的离焦诊断,为后续智能化主动补偿技术的实现提供了技术支撑。介绍了LAMOST光谱仪的工作原理及结构,给出了光谱仪对调焦精度的需求;详细介绍了光斑FWHM值的测量原理与多目标图像清晰度评价函数的构建方法。与传统图像清晰度评价函数的对比结果显示,文中方法具有更高的清晰度对比率与精度,对定标灯谱图像的离焦诊断误差在10 μm以内,有效降低了人为局部诊断带来的误差,提高了16台光谱仪系统一致性,有望提高LAMOST日常运行效率与光谱仪的长期稳定性。