江苏科技大学电子信息学院, 江苏 镇江 212000
针对复杂水文环境下无人自治水下机器人(AUV)轨迹跟踪实时性较慢、精度较低的问题, 设计了一种基于拉盖尔函数的自适应预测轨迹跟踪控制方法。首先, 基于预测控制将轨迹跟踪问题转化为二次规划设计; 其次, 为解决AUV 轨迹变化以及外部干扰所造成的控制量突变, 融合递推最小二乘法设计了自适应预测控制器; 接着, 采用拉盖尔函数重构控制器, 以解决运算量过大导致的系统响应速度变慢的问题; 最后, 仿真证明了该方法能够提升系统的响应速度、抗干扰性和鲁棒性。
水下机器人 轨迹跟踪 模型预测控制 参数自适应 拉盖尔函数 Autonomous Underwater Vehicle(AUV) trajectory tracking model predictive control parameter self-adaption Laguerre function
1 昆明物理研究所, 云南昆明 650223
2 陆军装备部驻重庆地区军事代表局驻昆明地区第一军事代表室, 云南昆明 650023
3 中国船舶工业系统工程研究院, 北京海淀 100094
图像分层滤波器中引导滤波器因其滤波保边效果好和计算复杂度低, 在红外图像细节增强领域得到了广泛的研究与应用。但传统的引导滤波器固定的正则化参数.不能在所有场景下都取得较好的滤波分层效果, 所以本文提出基于局部方差的参数 .自适应算法, 以提高引导滤波器场景适应性。此外本文进一步通过自适应参数 .值, 提出了改进的基于噪声掩膜函数的细节层自适应增强算法, 从而在有效抑制了图像噪声水平同时提高了算法在不同场景下的细节增强能力。
引导滤波 参数自适应 噪声掩膜函数 噪声抑制 细节增强 guided filtering parameter adaptation noise mask function noise suppression detail enhancement
南昌航空大学信息工程学院, 江西 南昌 330063
为了提高融合图像的视觉感知效果,提出一种非下采样剪切波变换(Non-Subsampled Shear Transform, NSST)域红外和可见光图像感知融合方法。首先采用NSST将源图像分解为高频和低频分量;接着采用参数自适应脉冲耦合神经网络(Parameter Adaptive Pulse Coupled Neural Network,PA-PCNN)融合高频分量图像,提高成像细节;然后联合使用高斯滤波器和双边滤波器进行多尺度变换以融合低频分量图像,将低频分量分解为多尺度纹理细节和边缘特征以捕获更多的多尺度红外光谱特征;最后利用NSST逆变换获取融合图像。实验结果表明,该方法不仅可以有效提高融合图像的细节信息,而且还能增强红外特征的提取能力以契合人体的视觉感知。
图像处理 非下采样剪切波变换 参数自适应融合脉冲耦合神经网络 多尺度变换 图像融合 激光与光电子学进展
2021, 58(20): 2010014
南京信息工程大学 电子与信息工程学院，江苏 南京 210044
针对同一目标不同焦点图像优势互补的需求和现有多焦点图像融合算法存在焦点不清晰、边缘模糊和重影等问题，引入一种基于参数自适应脉冲耦合神经网络(PAPCNN)和卷积稀疏表示(CSR)的多聚焦图像融合算法。在非下采样剪切波变换(NSST)分解高低频子带的基础上，采用CSR融合低频子带系数，其中的高频子带系数利用一种参数自适应PCNN算法(PAPCNN)进行融合，并且对PAPCNN中的隐函数β进行改进，达到更好的融合效果。仿真实验结果表明，该方法解决了传统PCNN算法在融合图像时参数设置困难和传统稀疏表示细节保存性能不佳的问题，在视觉效果和客观指标方面与现有主流融合算法相比均具有较大优势。
图像融合 多聚焦图像 非下采样剪切波变换 参数自适应PCNN 卷积稀疏表示 image fusion multi-focus image Nonsubsampled Shearlet Transform Parameter Adaptive PCNN Convolutional Sparse Representation 太赫兹科学与电子信息学报
2021, 19(3): 471
1 昆明理工大学信息工程与自动化学院，云南 昆明 650500
2 昆明北方红外技术股份有限公司，云南昆明 650500
非下采样剪切波变换（NSST）域中低频子带的融合需要人工给定融合模式，因此未能充分捕获源图像的空间连续性和轮廓细节信息。针对上述问题，提出了基于深度卷积神经网络的红外与可见光图像融合算法。首先，使用孪生双通道卷积神经网络学习NSST 域低频子带的特征来输出衡量子带空间细节信息的特征图。然后，根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST 域低频子带的融合模式。最后，根据NSST 域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST 域高频子带的融合。实验结果表明：该算法QAB/F 指标略弱于对比算法，但SF、SP、SSIM 以及VIFF 指标分别提高了约50.42%、14.25%、7.91%以及61.67%，有效地解决了低频子带融合模式给定的问题，同时又克服了手动设置PCNN 参数的缺陷。
图像融合 卷积神经网络 参数自适应脉冲耦合神经网络 NSST 变换 image fusion, convolutional neural network, parame
1 深圳大学 信息工程学院, 广东 深圳 518060
2 深圳市媒体信息内容安全重点实验室,广东 深圳 518060
为了解决脉冲耦合神经网络( Pulse Coupled Neural Network, PCNN)在图像分割中多参数设定以及评价准则单一的问题, 提出了一种结合粒子群优化算法(Particle Swarm Optimization, PSO)和综合评价准则的PCNN图像自动分割方法。采用单调递增阈值搜索策略的PCNN改进模型, 将PSO优化原理与由交叉熵参数, 边缘匹配度和噪点控制度共同构成的综合评价相结合, 以综合评价作为粒子的适应度函数, 自动寻优获取PCNN图像分割模型的目标时间常数, 连接系数以及迭代次数n, 从而实现全参数自适应的PCNN图像分割。实验结果表明算法在保证PCNN运行效率下对不同类型图像都能进行正确完整的分割并兼顾纹理细节的保留。从实验数据可以看到, 本文算法在综合评价和通用综合指标上均优于其他对比算法, 综合评价平均优于其他算法10.5%。客观评价结果与视觉主观评价相一致, 分割较理想, 算法具有较高的鲁棒性。
脉冲耦合神经网络 粒子群优化 综合评价 参数自适应 图像分割 Pulse Coupled Neural Network(PCNN) Particle Swarm Optimization(PSO) comprehensive evaluation parameter adaptive image segmentation
1 国网河南省电力公司检修公司, 河南 郑州 450001
2 华北电力大学, 河北 保定 071003
针对绝缘子红外与可见光图像融合过程中存在绝缘子伞盘边缘信息模糊, 亮度低和对比度差等问题, 本文提出了基于联合稀疏和参数自适应选择指导滤波的图像融合方法。图像首先经过联合稀疏模型分解, 提取共有特征、红外图像特有特征和可见光图像特有特征, 并按照特有特征系数的活跃程度调整权重; 同时应用参数自适应选择指导滤波方法, 能够较好地保留绝缘子图像的边缘信息和细节信息。通过对比实验, 本文方法融合结果亮度高、边缘清晰且边缘强度大, 同时客观指标也较好。
联合稀疏 参数自适应 指导滤波 绝缘子图像 图像融合 joint sparse parameter adaptive guided image filtering insulator images image fusion
1 朝阳广播电视大学，辽宁朝阳 122000
2 苏州大学物理光电与能源学部，江苏苏州 215006
在正则化超分辨率重建算法中，正则化参数自适应对于抑制噪声和保持边缘非常重要。参数自适应通常是通过建立空间信息与参数的关系来实现的。在近期文献中，提出了一些空间信息自适应超分辨率重建方法，取得了较好的实验结果。然而在这些方法中，提取空间信息方法的计算量大，导致重建速度慢，限制了算法的应用。提出一种快速空间信息提取方法，并构建自适应参数模型，实验结果显示，该方法在大幅提高重建速度的同时，获得了更好的重建效果。
正则化 超分辨率重建 参数自适应 纹理保持 regularization super-resolution reconstruction adaptive parameter texture preserving
