【摘 要】
：
针对激光图像数据量大、传输困难的问题,提出了一种基于FPGA和神经网络的激光图像处理系统。研究了系统的硬件组成并对系统中的FPGA模块和存储模块等关键模块进行了分析设计,提出了基于FPGA的神经网络实现方法。实验结果表明:该方法能够实现对激光图像的可靠压缩。其压缩效果与隐含层中神经元的个数有关,神经元个数越多,压缩图像的信噪比越高。当神经元个数为8时,信噪比达到了30d B,能够较好地满足应用要求
论文部分内容阅读
针对激光图像数据量大、传输困难的问题,提出了一种基于FPGA和神经网络的激光图像处理系统。研究了系统的硬件组成并对系统中的FPGA模块和存储模块等关键模块进行了分析设计,提出了基于FPGA的神经网络实现方法。实验结果表明:该方法能够实现对激光图像的可靠压缩。其压缩效果与隐含层中神经元的个数有关,神经元个数越多,压缩图像的信噪比越高。当神经元个数为8时,信噪比达到了30d B,能够较好地满足应用要求,因此一般选择隐含层中神经元数为8。
其他文献
随着监控设备数量的增多和视频时间长度的增加,监控人员需要管理的视频量也大大增加。为了解决这个问题,在已有的算法基础上,进行组合、改进并提出了一种监控视频摘要的生成方法,根据该方法设计出监控视频摘要生成系统,能够很好的完成监控人员的工作需要。
多目标跟踪是智能视频监控系统中的关键技术之一;因其研究涉及到诸多相关领域的知识而具有非常高的研究价值和应用前景。又在智能视频监控中,此项技术对系统实时与稳定运行的要求较高。因此,对智能视频监控下多目标跟踪进行分析,有着重要的意义。本文先阐述智能视频监控下多目标跟踪中的主要技术,然后再具体分析智能视频监控下的多目标跟踪。
本文模仿人类视觉系统的注视机制,提出一种基于矩阵相似度的显著目标检测方法:利用以像素点为中心的矩阵与周边矩阵的相似度来衡量像素点的显著度,该方法将图像的显著目标检测转换成对矩阵的相似度计算。实验结果表明,该方法可以精确提出显著区域,并较好的保留显著目标的轮廓信息。
介绍了一种用于荧光寿命图像数据分析的高精度列文伯格-马克夸特(LM)迭代算法。该算法的性能经过标准荧光寿命试剂以及生物图像的算法验证。该算法适用于不同的荧光衰减模型,相对于普通的非线性最小二乘估计方法具有更高的精度。结果表明,列文伯格-马克夸特算法是一种高精度、适用性广的荧光寿命图像计算方法,可以满足生物学、生物化学、生物物理学、医学诊断等实际应用的需求。
With the rapid development of future network, there has been an explosive growth in multimedia data such as web images. Hence, an efficient image retrieval engine is necessary. Previous studies concen
设计了一个基于可见光成像并针对空间点目标的天基空间目标成像仿真系统。分析了天基空间目标探测成像的过程,据此将成像仿真过程分为轨道仿真、恒星背景成像仿真、目标成像仿真及电荷耦合器件(CCD)传感器系统仿真四个部分。在空间目标仿真部分将卫星主体简化为长方体、圆柱体及球体三种结构,借鉴雷达截面积提出了目标的光学截面积,利用目标光学截面积可以简单快速地得到目标在成像平面上的亮度大小。该系统实现了基于可见光
在图像恢复问题中经常需要求解一个带箱约束的最小二乘问题。传统上,该问题通常先采用最速下降法求解一个无约束的最小二乘问题,然后将解投影到箱式约束中。这样一种途径得到的解是次优的。Frank-Wolfe算法是一个经典的求解带约束问题的迭代算法,其收敛速度为O(1/k)。本文采用该算法来解决图像恢复中的带箱式约束的最小二乘问题。数值结果表明,采用Frank-Wolfe算法得到的恢复图像要优于最速下降法。
数字全息图像的获取过程中,由于激光光源的高度相干性而引起的散斑噪声不可避免。散斑噪声的存在成为影响全息图像质量的重要因素,而单一的数字图像处理方法无法直接有效地减少全息再现图像中的散斑噪声。针对以上问题,本文提出了一种大幅减少散斑噪声的新算法。该算法先使用多高频强调滤波的方法对全息图像进行初步降噪,再对降噪后的数字全息再现图像进行Lee滤波处理。仿真结果表明,本文提出的方法大幅度提高了全息再现像的
为提高激光医学图像的复原效果,提出一种改进全变差的激光医学图像复原方法。首先将原始激光医学图像划分成边缘区域和非边缘区域两部分,然后分别从中选择四邻域像素,并采用改进TV法对它们分别进行去噪处理,最后采用仿真实验对其性能进行分析。实验结果表明,本文方法较好地解决了传统TV法存在的缺陷,不仅能够保留激光医学图像边缘和细节信息,而且提高了激光医学图像信噪比,改善了激光医学图像的视觉效果。
针对人脸识别过程中识别准确率低和鲁棒性差等缺点,提出了采用改进隐马尔科夫模型(HMM)与相关向量机(RVM)方法相结合的人脸识别方法。首先,利用主成分分析法(PCA)对原始数据样本采取必要的特征提取与降维处理;然后,通过HMM得到测试人脸样本的匹配程度,构成特征向量;最后,把形成的特征向量提供给RVM进行分类训练和识别测试,得出人脸识别结果。在ORL人脸库对本文方法进行识别验证,仿真结果表明,该方