关键词： 空间小目标   复杂场景   成像模型   图像处理   动态仿真  

摘要： 针对天基空间目标检测技术研究对空间图像数据源的普遍需求,重点面向智能算法训练数据不足以及传统算法使用数据单一等问题,以生成空间小目标复杂场景下动态数字序列图像为目的,设计了一种基于天基观测平台的可见光数字成像仿真系统。提出了一种小目标成像模型,基于二维形状特征点描述法及成像解析模型,对空间目标进行数字建模及成像模拟;设计了一种背景恒星成像方法,经过视场恒星选取、成像坐标转换和亚像素级位置建模,可实现精度达±0.005像素的星点目标位置成像建模;设计了空间环境下多种光照背景的动态模型,并进行了成像噪声分析及建模,拓扑了空间目标检测图像的场景种类及鲁棒性检测的试验条件。在运动仿真算法设计中加入了目标灰度动态变化、目标曲线运动、运动拖尾以及平台抖动等成像仿真功能。仿真结果表明:该仿真系统可生成定制化的动态数字图像序列。经必要性与充分性验证评估,本数字仿真系统满足空间目标检测算法开发对多元图像数据的需求,对空间目标检测算法研究有一定使用价值。

关键词： 松材线虫病   无人机   图像处理   YOLOv8  

摘要： 对松材线虫病疫木进行大尺度精准监测,获取疫木的位置和数量,并及时清除异常疫木,是控制松材线虫病扩散蔓延的重要手段。研究使用无人机航拍获取大区域染病松林可见光影像,结合YOLOv8算法对影像中的异常变色木进行识别研究,分析了YOLO算法对于参与训练区域和未参与训练区域的异常变色木的识别效果。试验结果表明,对于末期疫木,识别精确度达95.83%,召回率为94.85%,平均精度达0.938。最终结果表明该模型的整体分类结果具有较高可靠性,能够较好地满足松材线虫病害监测的应用需求,可有效应用于大尺度的松材线虫疫木的普查工作。

关键词： 激光雷达   点云采样   前景点   目标检测   图特征   自动驾驶  

摘要： 激光雷达采集的点云中,前景目标点所占比例较小,传统无监督采样方法难以选择性地保留足够多的前景点,导致部分目标信息丢失,影响基于点云的目标检测网络性能.本文提出了一种图特征增强的并行点云采样方法,利用前/背景分类标签进行监督,显著提高了采样点中前景点的比例.与直接使用点特征进行监督的方法相比,所提出的基于图特征的方法能够更好地捕捉点云的局部几何信息,适用于目标检测网络的浅层采样过程.在KITTI和nuScenes自动驾驶数据集上的实验结果表明:本文方法采样的前景点比例高达99%,能够有效提取受遮挡目标和远处目标等点云稀疏区域的特征信息,从而提高目标检测网络的性能.引入该方法后,对困难情况下的车辆、行人和两轮车的检测平均精度分别提升了8.58%、2.27%和3.12%.此外,该方法设计灵活,易于集成到依赖点云采样过程的各种3D点云任务中.

关键词： 雾天目标检测   多尺度特征融合   混合通道注意力机制   混合池化卷积   辅助检测头  

摘要： 为解决雾天道路目标特征模糊、提取困难等问题,提出了一种基于双通道注意力机制的目标检测算法GMA-YOLO。通过特征融合的方式直接检测,其设计思路:首先,将局部混合特征通道注意力模块(global&local channel attention,GLCA)改进主干和颈部特征融合的C2f模块,提升模糊目标的局部特征提取能力;然后,设计双路径结构的混合池化卷积(mixed pooling convolution,MPConv)改进下采样模块,提升特征保留的多样性与处理复杂场景的鲁棒性;接着,引入辅助检测头(auxiliary head,AuxHead),提升远景小目标的检测效果;最后,引入Focaler-CIoU优化损失函数,降低易分类样本的权重,强调受阻严重的样本。实验表明,在RTTS数据集上相较于YOLOv8s基线模型,GMA-YOLO模型在参数量减少的情况下,mAP@0.5提升了3.2%,达到78.6%,召回率提升了3.8%,达到71.7%,该算法有效提高雾天场景的目标检测精度。

关键词： 更快的区域卷积神经网络(Faster R-CNN)   遥感图像   目标检测   经典三维块匹配(BM3D)算法   非下采样轮廓波变换  

摘要： 高密度区建筑阴影相互覆盖形成伪边缘,易导致边界像素混淆,难以获取建筑物遥感图像低通和高通特征,导致检测准确率较低,针对这一问题,本文提出一种基于更快的区域卷积神经网络(Faster R-CNN)的建筑物遥感图像目标检测方法。采用经典三维块匹配(BM3D)算法对原始遥感图像进行去噪处理,利用非下采样轮廓波变换模型对图像进行变换,提取图像低通和高通特征。将非下采样轮廓波变换模型输出向量输入到Faster R-CNN中,实现基于Faster R-CNN的建筑物遥感图像目标检测。实证表明:设计方法平均精度(AP)在90%以上,平均精度均值(mAP)在0.9以上,可实现对建筑物遥感图像目标的精准检测。

关键词： 深海图像   颜色校正   多对比度增强   深度卷积神经网络   图像融合   伽马校正   灰度世界   图像处理  

摘要： 针对深海中光线不足,成像依赖于主动光照等原因,导致图像出现对比度低、色偏和曝光等质量退化问题,本文提出一种基于全局和局部对比度融合的深海图像增强方法。设计基于灰度世界的图像颜色校正算法,基于绿色通道对红色通道预补偿,并采用灰度世界法完成图像颜色的校正。采用改进的伽马校正算法和限制对比度自适应直方图均衡化算法分别获取全局和局部对比度增强图像。设计基于深度卷积神经网络的多对比度图像融合策略,实现全局和局部图像信息的互补。将所提方法应用于深海图像,实验结果显示,所提方法在多个对比指标中优于现有水下图像增强方法,能够为后续目标检测等高阶视觉任务提供清晰数据。

关键词： 地月空间   图像处理   多目标跟踪   空间目标   DeepSORT  

摘要： 目的针对地月空间多目标运动状态复杂及高动态跟踪的挑战,为满足大视场光学探测中对多个运动速度和方向不一致目标的快速、准确跟踪需求,本文提出一种基于DeepSORT(deep simple online and realtime tracking)的高效地月空间多目标自动跟踪方法。方法首先根据目标的形态特征生成自适应检测框,并针对不同类别目标配置差异化的检测框策略,同时结合特征提取技术计算运动目标的表观信息,将其融入DeepSORT算法框架,显著提升了多目标跟踪的准确性和实时性。结果仿真目标跟踪模式下的图像实验结果表明,该方法的多目标跟踪准确度达到95.0%,IDF1分数为96.2%。新疆天文台南山1 m大视场望远镜目标跟踪模式下的实测数据结果显示,该方法的多目标跟踪准确度达到91.5%,IDF1分数为91.7%,4 k×4 k图像的处理时间约为0.53 s/帧,并且在目标消失和轨迹交叉等复杂场景下表现出较强的鲁棒性。结论该方法能够跟踪轨迹交叉的多目标,且在暗弱目标偶尔未提取或断续消失的复杂场景中,仍能准确跟踪多目标。

关键词： 图像处理   小波变换   阈值函数   图像去噪  

摘要： 在图像处理领域,小波阈值去噪技术凭借其卓越的噪声抑制和细节保留性能,得到了广泛应用.然而,传统的小波阈值函数在实际图像处理过程中,往往面临着阈值选择不当的问题,导致图像过度平滑或噪声残留,从而影响图像的质量和后续处理效果.为了解决这一问题,提出了一种改进的小波阈值函数.在传统软阈值和硬阈值的基础上,创新性地引入了平滑过渡的高阶可导函数,通过这种新的阈值函数设计,在抑制噪声的同时,更有效地保留图像的边缘和细节信息.实验结果表明,改进的小波阈值函数在多种噪声水平下均表现出显著的去噪效果,处理后的图像边缘更加清晰,伪影明显减少,视觉效果显著提升.

关键词： 图像处理   亮区特征   自适应扩散模型   磁瓦表面缺陷  

摘要： 针对电机磁瓦图像对比度低、噪声严重、存在亮条纹干扰、表面缺陷检测困难的问题。提出一种具有亮区抑制功能的各向异性扩散模型,设计出亮区特征描述算子用来区分缺陷和干扰,再构造出新的扩散系数函数。实验结果表明,相比同类算法,该模型在背景平滑、边缘检测、图像分割和缺陷识别上都有明显优势,对气孔和裂纹缺陷的检测准确率分别达到95%和89%。该研究有效增强了磁瓦的低对比度图像,提高了缺陷检测精度,具有较高的工程应用潜力。

关键词： 图像处理   显著性检测   深度学习   特征增强   渐进式解码  

摘要： 针对现有的大多数RGB-D显著性检测方法在特征提取过程中难以有效提取多尺度特征以及在解码过程中模态特征信息交互不充分导致信息丢失的问题,提出了一种特征增强和渐进式解码的RGB-D显著性检测方法。针对多尺度特征提取困难,导致算法对多目标、小目标物体检测精度低的问题,构建了多尺度自注意力特征增强模块;为了充分发挥两种模态特征的优势,构建了跨模态特征融合模块,以增强不同模态分支之间的信息交互;为了解决解码过程中信息易丢失的问题,提出了渐进式加权融合解码器,充分整合细化不同模态的特征信息;对逐层解码的结果采用混合损失函数监督训练,实现初始显著图优化。在5个公开基准数据集上与10种先进主流方法进行的对比实验表明,该方法在5个指标上均有较优表现。实验结果表明,该方法在多种复杂情况下都能获得相对精确的显著图,达到了较为先进的性能。