【摘 要】
:
传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。
论文部分内容阅读
传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。通过与传统单一算法的图像识别方法对比证明,在相同时间内,提出方法的识别准确率最高,并可将识别准确率控制在
其他文献
船舶成像在采集图像的特定增强过程中,受到图像分割方法的影响,使得总体增强精度较低。为此,提出基于微分方程的船舶成像图像增强方法。依托于微分方程建立多区域分割模型,在高精度分割的基础上,利用小波变换方法提取船舶图像的特征,并根据图像特征,完成船舶图像的高精度增强。实验结果表明:这种图像增强方法应用到船舶成像过程中,具有更好的性能。同样实验环境下与传统方法相比,将船舶图像总体增强精度分别提升10.79
以喀什乌恰地区为研究区,利用统计回归的方法,采用线性对数模型,拟合得到该地区V_(S10)和V_(S20)关系式,lgV_(S20)=0.3944+0.8616lgV_(S10);T_0和V_(S20)关系式,ln(V_(S20))=5.1497-0.4026ln(T_0),2个关系式决定系数均大于0.8,相关性较好。T_0和V_(S20)分析中,发现当场地覆盖层厚度较小时,场地卓越周期较小,此时
深度神经网络(DNNs)虽已在语义分割领域取得极大成功,但要实现实时推理仍然是一项巨大挑战。大量特征通道、参数与浮点运算极大延缓了网络的推理速度,导致无法满足诸如机器人控制、自动驾驶等实时任务要求。现有大多数方法是通过牺牲空间分辨率来加速推理,往往导致推理结果准确率下降。针对此问题,提出一种新的轻量级阶段池化语义分割网络(SPSSN)。该网络可以保留浅层学习得到的重要特征并在后续层中重复使用。SP
数字档案的长期安全保存问题,给档案工作者带来了严峻的挑战。而缩微技术在国内外已广泛应用于军队、公检法、政府机关、档案界和图书馆界等需要长期保存资料的行业和领域,"数转模"技术可为数字档案的长期安全保存提供有效方式。
随着科技水平不断进步互联网技术逐渐被应用在各个行业中,并在此基础上衍生出了物联网通信技术。物联网指的就是将不同的人与人、人与物、物与物等之间连成一个整体实现物物通信。物联网通信技术作为新型的通信技术具有巨大的发展潜力,文章首先对物联网概念进行了详细阐述,并对物联网通信技术的发展现状及趋势进行了分析,为相关从业人员提供参考希望能够促进我国物联网通信技术的更进一步发展。
从智能交通的角度来看,车辆检测和信息收集的相关数字图像处理技术,是智能交通系统最基本和核心的部分。文章先介绍了智慧交通系统、云端交通检测技术、数字图像处理技术,而后详述了乘用车监测云端图像处理方法和基于智慧交通视角下乘用车云检测的研究。
在高职院校教学过程中,实训室是较为重要的场所,也是培养全能技术型人才的重要基地。随着网络信息技术的发展,科学技术的提升,当前衍生出了一种以网络为基础,使用射频识别、无线通信、数据库及传感器等技术为辅的物联网技术,在我国各个行业都得到了广泛的应用,所以有关院校要转变思想,积极使用此类技术来改进和优化传统实训室的管理及教学方式,创建智能化实训室,激发学生对于学习的兴趣,以此为其之后发展奠定基础。对此文
现代光学系统中,以CCD图像传感器为探测器的图像采集子系统主要由成像物镜和CCD器件组成。成像物镜的光学特性决定了整个系统的使用性能,成像物镜的分辨率应与CCD图像传感器的像素尺寸相适配。通过运用双远心系统,并使用OSLO软件进行结构设计,实现了对高分辨率大视场DTI-CCD成像物镜的成功设计。
传统舰船优化算法仅能对图像二维层面进行通道增强,在三维结构层面上无法实现图像的构成像素关系的分析优化,从而出现优化后的图像结构关系不够清晰、细节特征模糊的问题。基于上述图像三维层出现的问题。引入虚拟现实技术,提出虚拟现实技术的舰船图像优化研究。利用虚拟现实技术,在图像的虚拟三维空间,提取图像三维结构特征;通过三维虚拟增强算法,对特征量进行结构变换增强优化。最后通过虚拟重构算法,对优化后的图像特征量
舰船识别依赖特征参数与待分类数据的联系,现有识别方法未挖掘信号隐性特征,影响可识别范围,基于无线网络提出一种舰船识别方法。对舰船信号进行预处理,计算短时能量和过零率,判断信号起始点。利用卷积神经网络挖掘样本信号的显性和隐性特征参数,并构建舰船识别模型对特征参数进行训练,得到最优分类面即为识别结果。实验结果表明,本文提出的识别方法能实现一对一的舰船识别,并且可识别范围大于基于SAR图像和基于稀疏信号