题名 动态金字塔模型的红外图像SR重建
被引量：3
1
作者
谢冰 段哲民 马鹏阁 陈宇
机构
西北工业大学电子信息学院 郑州航空业管理学院电子通信工程学院
出处
《红外与激光工程》
EI
CSCD
北大核心
2018年第1期277-282,共6页
基金
航空科学基金重点项目(2014ZC13004) 河南省高校科技创新团队支持计划(17IRTSTHN014) 河南省高等学校重点科研项目(18A510018)
文摘
无人机在复杂飞行过程中,因大气气流及光学设备成像等影响造成采集到的红外图像分辨率过低;另外,因各帧图像分辨率不同,基于固定层数分解的金字塔模型在同一区域下的显著图提取结果存在差异,无法借助视觉技术实现无人机目标定位及自主导航。提出一种改进Itti模型下的红外图像感兴趣区域提取及SR重建算法。算法首先引入多特征对红外图像序列进行金字塔动态分层模型构建;然后,针对不同分辨率下的多帧红外图像进行感兴趣区域的动态提取来克服传统Itti算法的不足;最后,提出基于共轭梯度法的目标函数最小化红外图像超分辨率重建算法,对感兴趣区域进行空间SR重建,提高感兴趣区域目标的空间分辨率。实验验证了提出算法的有效性及准确性。
关键词
无人机感兴趣区域 Itti模型 动态金字塔 SR重建
Keywords
UAV Itti model dynamic pyramid SR reconstruction
分类号
TP394.1
[自动化与计算机技术—计算机应用技术]
题名 基于GDAL大于2G遥感图像的快速浏览
被引量：20
2
作者
张宏伟 童恒建 左博新 张昕
机构
中国地质大学(武汉)计算机学院
出处
《计算机工程与应用》
CSCD
2012年第13期159-162,共4页
基金
国家自然科学基金(No.41171339 No.41004049) +3 种基金 "云南1:5万九农 阿登各 德钦县 红坡幅区域地质调查项目地质灾害遥感解译"项目资助(No.1212010880404)
文摘
快速显示与浏览大的遥感图像是遥感图像处理与分析软件的一个重要的功能。利用GDAL的快速高效的文件读取功能,动态地分块从文件中读取图像块到内存,动态地建立金字塔结构,从而能快速地显示大的遥感图像。放大、缩小和漫游操作实现了渐变的效果,能给用户非常快速和平滑的感觉。
关键词
海量遥感图像 GDAL开源软件 动态金字塔 快速显示与浏览 渐变显示
Keywords
massive remote sensing image Geospatial Data Abstraction Library （GDAL） dynamic pyramid rapid display and browse gradual change display
分类号
TP393
[自动化与计算机技术—计算机应用技术]
题名 三维GIS中矢量数据的高效精确渲染方法
被引量：7
3
作者
李尚林 胡夏 刘晓平
机构
合肥工业大学计算机与信息学院
出处
《系统仿真学报》
CAS
CSCD
北大核心
2017年第5期965-972,共8页
基金
国家自然科学基金(61370167 61305093) 国家科技支撑计划项目(2012BAJ08B01)
文摘
在地理信息系统(GIS,Geographic Information System)中,矢量数据在空间位置定位和空间分析等方面有着许多重要的应用,精确高效的将二维矢量数据叠加绘制到三维地形上是必需的。提出了一种动态矢量纹理金字塔叠加绘制方法。根据当前视点位置实时生成对应金字塔级别的矢量纹理块,矢量纹理分块与地形分块一一对应,统一调度渲染,并使用无约束各向异性滤波的纹理反走样方法来减轻纹理走样问题。该方法独立于底层地形几何体,因此能够跟大部分多分辨率地形绘制方法很好的进行结合。在数字地球系统中使用多层矢量数据的实验结果表明,所提算法绘制效率较高,绘制效果良好。
关键词
三维GIS 矢量数据 动态 纹理金字塔 无约束各项异性滤波
Keywords
3D GIS vector data dynamic texture pyramid unconstrained anisotropic texture
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于深度学习的水面漂浮物智能检测方法
被引量：3
4
作者
陈任飞 彭勇 吴剑 欧阳文宇 李昱 岳廷秀
机构
大连理工大学水利工程学院 大连理工大学人工智能大连研究院
出处
《工程科学与技术》
EI
CSCD
北大核心
2023年第3期165-174,共10页
基金
大连理工大学人工智能研究院项目(05090001)。
文摘
漂浮物作为河道表观污染的重要源头,加强漂浮物检测是改善水环境生态质量的重要途径,也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则及多尺度形态变化等特点,采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此,本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先,基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理,初步降低复杂水面环境对漂浮物图像质量的影响。其次,以轻量化MobileNetV2网络取代(single shot multibox detector,SSD)算法中的VGG16网络作为骨干网络,在预测层中将深度可分离卷积取代标准卷积,并采用动态特征金字塔网络提高多尺度漂浮物的检测精度,弥补SSD网络中强制不同层学习相同特征的不足。然后,将统一量化卷积神经网络(Quantized-CNN)框架应用于量化SSD检测器的检测误差,进一步加速卷积层计算和压缩全连接层的参数,降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明:与现有的图像识别算法相比,改进后的SSD检测算法的平均精度(AP)和综合评价指数(F_(1))分别达到95.86%和94.74%,在硬件GPU下的检测速度达到64.23 FPS,检测算法的参数计算量减少到0.75×10^(9),模型内存成本压缩到6.27 MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。
关键词
漂浮物智能检测 深度学习 SSD算法 动态 特征金字塔 模型量化
Keywords
intelligent detection of floating objects deep learning SSD algorithm dynamic feature pyramid network model quantification
分类号
TN911.73
[电子电信—通信与信息系统]
TP391.4
[自动化与计算机技术—计算机应用技术]
