1 火箭军工程大学, 西安 710000
2 中国人民解放军96732部队, 湖南 邵阳 422000
针对数字射频存储器(DRFM)等转发式极化调制假目标干扰的鉴别问题, 提出一种极化调制假目标鉴别方法。首先, 提出极化圆阵的时-空联合域编码的极化测量模型, 并证明了该模型经脉冲压缩后能够准确获得回波的极化信息; 其次, 根据极化雷达的张量积接收模型原理, 得到了目标和极化调制假目标回波在四维复空间的分布差异; 最后, 基于该差异, 结合最大最小距离算法和密度法思想, 对K-means算法进行了改进, 设计了以最佳聚类数K值大小为极化鉴别量的分类器。仿真实验以64个发射脉冲为例, 验证了所提鉴别方法在不同信噪比(SNR)和干噪比(JNR)下均有良好的鉴别效果, 可有效鉴别目标和极化调制假目标。
有源欺骗干扰 极化鉴别 雷达编码 极化调制假目标 最大最小距离 active deception jamming polarization discrimination radar coding polarization-modulated false target K-means K-means maximum and minimum distance
1 南方电网科学研究院有限责任公司直流输电技术国家重点实验室, 广东广州 510663
2 云南电网有限责任公司电力科学研究院, 云南昆明 650000
针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。
金属氧化物避雷器 深度学习 红外图像 K-means聚类 metal oxide arrester, YOLOv3, deep learning infrared image YOLOv3 K-means clustering
武汉工程大学计算机科学与工程学院，湖北武汉 430205
为了改善红外图像的视觉效果，突出细节信息，同时抑制噪声。提出了结合改进的 LC显著性检测和双区域直方图均衡化的红外图像增强方法。首先使用结合局部熵加权的 LC显著性检测算法得到显著图。然后使用 K-means算法对显著图进行自适应分割得到前景区域和背景区域。最后对前景区域进行结合局部方差的改进直方图均衡化，对背景区域使用限制对比度直方图均衡化增强。实验结果表明，与当前主流算法相比，本文算法主观效果更佳，且峰值信噪比、结构相似性、信息熵等客观评价参数均有所提升。
局部熵 显著性检测 K-means算法 局部方差 直方图均衡化 local entropy, saliency detection, K-means algorit
1 华北理工大学 矿业工程学院, 唐山 063210
2 河北省矿业开发与安全技术重点实验室, 唐山 063210
针对实测爆破振动信号存在噪声和CEEMDAN方法在去噪过程中容易造成信息缺失的问题, 考虑聚类分析方法具有良好的数据处理能力, 依据分解-聚类-重构的思想, 提出了CEEMDAN-K-means算法的爆破振动信号去噪方法。首先, 该方法通过CEEMDAN方法分解爆破振动信号获得不同数量级的IMF分量;然后, 利用K-means聚类分析算法将IMF分量为五个不同类别并采用方差贡献率校核;最后, 剔除高频噪声类别的IMF分量, 获得重构的纯净爆破振动信号。以某露天矿爆破振动信号为例, 采用信噪比和均方根误差指标, 评价了CEEMDAN-K-means算法信号去噪性能。研究结果表明: 与CEEMDAN方法和EMD-小波阈值方法相比, CEEMDAN-K-means信号去噪方法信噪比(20.06 dB)最大, 分别提高了1.26 dB和7.7 dB, 均方根误差(0.22×10-3)最小, 说明该方法不仅具有良好的信号去噪效果, 也具有较好的保真度。通过对比分析不同方法信号去噪效果可知, 在有效保留真实信号成分的基础上, CEEMDAN-K-means方法可以有效去除实测爆破振动信号包含的高频成分, 在爆破振动信号去噪领域具有实用性和有效性, 为爆破振动信号去噪方法研究提供了新思路。
爆破振动信号 K-means聚类算法 去噪 blasting vibration signal CEEMDAN CEEMDAN k-means algorithm denoising
重庆邮电大学 通信与信息工程学院,重庆 400065
道路消失点检测是高级驾驶辅助系统中盲区监测的重要组成部分。针对现有消失点检测方法所存在的准确度低、运算量大等问题,提出一种基于车载视频图像的道路消失点检测算法。该算法在Harris角点检测基础上优化得分函数检测出图像特征点,减少在跟踪阶段的运算量;通过金字塔光流法和帧差距离对运动特征点进行跟踪,在结束帧上准确获得各特征点的位置;对特征点去除离值点后,通过优化初始聚类中心的K-Means聚类算法,得到车载视频图像的道路消失点。最后将算法应用于各种车辆行驶场景进行测试,在较短运行时间内,能准确检测出车载视频图像中道路消失点,证明算法鲁棒性好、运算简单易实现。
消失点检测 特征点检测 光流跟踪 离值点 vanishing point detection feature point detection optical flow tracking off-value point K-Means K-Means
1 西安工程大学纺织科学与工程学院，陕西 西安 710048
2 西安工程大学大学科技园，陕西 西安 710048
为修复破损纺织品文物图像，在Criminisi算法基础上，提出一种改进的基于K-means颜色分割的纺织品文物图像修复算法。根据纺织品文物图像的特点，将RGB图像转化为Lab颜色模型，采用K-means分类器对a*b*层数据基于颜色进行分割处理，对纹样图案边缘进行标定并缩小匹配块搜索区域；引入L值的标准差来表示颜色离散度，对优先权函数以及自适应匹配块进行改进。用所提算法与文献报道的3种算法对自然破损纺织品文物图像和人为破损纺织品图像进行修复，并对修复结果进行评价。实验结果表明，所提算法修复的图像纹理自然、结构合理，峰值信噪比、结构相似性、特征相似性、均方误差值更好。
破损纺织品文物 纹样图案 Criminisi算法 图像修复 K-means聚类 激光与光电子学进展
2023, 60(16): 1610011
红外与激光工程
2023, 52(5): 20220609
1 东华理工大学测绘工程学院，江西 南昌 330013
2 中国科学院空天信息创新研究院计算光学成像技术重点实验室，北京 100094
传统基于聚类的波段选择方法多属于硬聚类，在对波段进行划分时不够精确。针对该问题，提出一种基于模糊C-均值聚类（FCM）的无监督波段选择方法，通过引入萤火虫算法（FA）得到FCM-FA，利用FA的全局搜索特性，修正FCM在特定情况下获得局部最优解的问题。在两个公开高光谱数据集上进行分类实验，结果表明：在136组实验中，所提FCM-FA所选波段在55.9%的情况下能够达到使用全波段的分类精度；在77.9%情况下能够达到最优分类精度；FA的引入有效地提升了FCM的效果，总体精度最大提高了3.12个百分点，Kappa最大提高了4.26个百分点。经验证，FCM-FA能够在大幅减少数据量的同时保留原数据的主要信息，可进一步进行推广和研究。
遥感 波段选择 高光谱图像 模糊C-均值聚类 萤火虫算法 激光与光电子学进展
2023, 60(12): 1210015
