一种改进的运动补偿三维小波视频编码方法

Choi等[1]提出的运动补偿三维子带编码方法是一种具有代表性的高效小波视频编码方法,其编码效率优于国际标准MPEG-2.但是该方法的运算复杂度高,编码时也没有充分利用小波图像的特点.为此,本文对该方法的两项关键技术进行了改进:采用像素域降采样运动估计技术以降低运算复杂度,采用改进的集分裂分层树(Set Partitioning in Hierarchical Trees,SPIHT)方法对三维时/空子带进行更高效的编码.实验结果表明,与原有的算法相比,本文的工作不仅降低了运算复杂度,也进一步提高了编码效率.     

红外图像显著目标检测算法

提出一种简单快速的红外图像显著目标检测算法,算法可以分为三步:首先,对原始红外图像进行预处理以增强目标与背景的对比度;然后,在log频谱中提取预处理后图像的频谱残差,通过相应的反变换及简单的阈值分割,可以得到显著目标的大致区域;最后,采用一个滑动窗口在目标候选区域内进行搜索确定显著目标的准确位置,这个过程采用由目标及其周围区域在原始图像中的灰度分布得到的半局部特征对比度的概率表达得到每个像素点的显著性值,进行阈值分割得到显著目标,改变滑动窗口的大小可以检测出不同尺度的目标。采用大量的红外图像对算法进行测试,实验结果表明该算法具有高效性和鲁棒性。     

采用聚类分割和直方图均衡的图像增强算法

针对现有直方图均衡化算法难以兼顾图像细节增强和噪声抑制问题,提出了一种基于聚类分割和直方图均衡的图像增强算法。引入模糊C均值聚类(FCM)算法将低通滤波后的图像分成若干类,并利用原图的边缘信息和形态学操作修正聚类结果;根据各类的均值和标准差确定映射后的动态范围,对其进行直方图均衡化处理;采用平滑滤波方法消除类间的边界效应。实验结果表明:经过该算法处理后的图像,对比度得到明显增强,噪声得到有效抑制。该方法不但可用于图像增强,还可用于图像动态范围压缩,具有广泛的应用前景。     

尺度自适应暗通道先验去雾方法

在雾、霾等天气条件下,大气粒子的散射作用使环境的能见度偏低,视觉系统采集到的图像严重降质。基于暗通道先验的图像复原方法因其去雾效果自然、约束条件少,且易于实现等优点而受到广泛关注。但是,该方法的去雾效果受尺度（暗通道的求解半径）影响很大,对于不同场景的图像,不存在一个普遍适用的最优尺度。针对该问题,文中提出一种尺度自适应方法,根据图像的颜色和边缘特征自适应地调节暗通道的尺度范围,得到像素级的暗通道求解尺度,兼顾大尺度求解色彩失真小和小尺度求解光晕失真小等优点。此外,针对暗通道去雾方法会使天空光估计点落到前景区域的问题,提出了一种改进的天空光估计方法,可使估计点鲁棒地落到与其物理意义相符的背景区域。对多种雾化场景图像的处理结果表明:文中方法适应性强、去雾效果自然,且对比度提升显著。     

磁性纳米固体酸催化剂Zr(SO_4)_2/Fe_3O_4的制备及催化性能研究

本文提出将磁性和固体酸进行组装从而合成磁性纳米固体酸催化剂的思路,首先制备了纳米级磁性前体一磁基体（Ｆｅ３Ｏ４）;然后筛选出超声波法制备了不同配比的磁性纳米固体酸催化剂Ｚｒ（ＳＯ４）２／Ｆｅ３Ｏ４,对其进行了初步表征。并将其作为乙酸丁酯合成反应的催化剂,酯化转化率最高达到８４％,利用其磁性即可将催化剂进行分离。     

采用多特征融合的子块自动提取方法

基于可变形模型的目标跟踪算法因其能够处理目标部分遮挡及形变问题成为目标跟踪领域的研究热点。当目标发生形变或部分遮挡时,可变形模型跟踪器可利用未被遮挡的子块继续完成跟踪。现有基于子块的目标跟踪算法均为手动选取子块的个数和尺寸,但在实际应用中,很难为子块的选取提供人机交互的机会,且手动选取子块易受主观因素影响。针对上述情况,提出了一种采用多特征融合的子块自动提取方法,该方法首先采用基于人眼视觉注意机制对目标模板的显著性区域进行度量;其次,利用边缘方向离散度对目标的纹理丰富度进行度量;然后,融合上述特征获得联合适配性置信度,并根据目标的面积和宽高比自适应确定子块的个数和尺寸;最后,根据联合适配性置信度提取目标子块。实验结果表明,与现有手动选取子块的可变形模型目标跟踪方法相比,采用所提方法自动提取的子块可获得更高的跟踪精度。     

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

改进的YOLO V3算法及其在小目标检测中的应用

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。     

大数据场景下基于机器学习的5G云网告警关联分析

提出一种基于关联规则挖掘算法的5G云网告警分析方案,对机器学习算法FP-Growth进行契合5G云网告警场景的改进和应用,利用现网告警数据展开告警关联分析工作,挖掘网元及云侧告警之间的关联关系,并进行告警压缩和收敛,为5G云网故障分析和定位提供有效帮助。此外,基于实际告警数据对Apriori和FP-Growth算法的性能进行了比较,结果表明,FP-Growth关联规则挖掘算法与Apriori相比效率更高,更适合海量数据场景下的告警关联分析。     

采用多特征融合的自动适配区选择方法

局部无纹理目标跟踪是当今空地成像制导领域的一个难点和热点问题,而自动适配区选择是解决该难题的一种有效方法.介绍了一种基于多特征融合的自动适配区选择方法.首先,构造一个融合边缘密度、平均边缘强度、边缘方向离散度以及空间距离的适配性度量函数;然后,采用该函数计算图像中每一点的适配置信度;通过制定适当的适配区选择策略,分割出...