基于特征值的单矢量水听器目标检测算法

光纤水听器综述

光纤水听器及阵列综述马宏兰周美丽（天津师范大学电子与通信工程学院）摘要：为适应水声学应用特别是水下反潜战的需要 ,在光纤技术不断发展的基础上 ,光纤水听器应运而生。光纤水听器是一种基于光纤、光电子技术上的新型水下声传感器 ,因其在军事、民用各领域应用广泛 ,目前光纤水听器在国内外发展迅速 ,已经到达实用状态。全光光纤水听器系统的湿端采用全光实现,信号传感与传输皆基于光纤技术。具有抗电磁干扰、重量轻和造价低等优点。文章简述了光纤水听器的发展历史、现状 ,论述了光纤水听器阵列的原理及其应用前景。关键词：光纤水听器多路复用技术阵列 0引言：在光纤水听器的实际应用中，由于水下声场的复杂性，单元水听器很难获得目标的详细信息，因而需要将数百乃至上千个探测基元组成大的阵列，以获得更多水声场信息，通过水听器阵列完成声场信号的波束形成，实现对水下目标的定位与指向。在2003年8月下水的美国最新型攻击核潜艇上，装备的舷侧阵就由2 700个光纤水听器基元组成【1】。对于大规模的光纤水听器阵列，多达数十上百基元的光纤水听器光信号都是由同一根光纤传输的，在实际系统中，这种性能就是由光纤水听器的多路复用技术实现的。可见多路复用是光纤水听器的核心技术。 1 光纤水听器的开发自1976年美国Bucar等人发表第一篇有关光纤水听器的论文【2】以来, 各工业发达国家的海军研究部门以及有关的研究和工业部门都在积极从事光纤水听器的研究和开发,尤其以美国最为突出。美国海军研究实验室、美国海军研究生院和Litton制导和控制公司等先后研究开发了Maeh一Zehnder、Michelson 干涉仪的光纤水听器, 主要结构有心轴型、互补型(推挽式) 、平面型和椭球弯张式等光纤水听器。这些结构水听器达到的归一化灵敏度(△。/ 。△P）为适应水声学应用特别是水下反潜战的需要 ,在光纤技术不断发展的基础上 ,光纤水听器应运而生。光纤水听器是一种基于光纤、光电子技术上的新型水下声传感器 ,因其在军事、民用各领域应用广泛 ,目前光纤水听器在国内外发展迅速 ,已经到达实用状态。各国对光纤水听器的研究投入了大量人力和物力，技术也日益娴熟。 2、多路复用的阵列体系结构阵列体系分为以下六大部分，其中时分/ 波分混合复用技术是其关键有效手段。 1 ) 频分复用(FDM) 【3】相位产生载波(PGC)问询的体系结构—美国海军研究实验室已用此方案对总数48 个单元水听器成网组成的阵列成功地进行了海上试验, 证实了这种体系结构的低阐值检测能力和低的串扰。 2) 时分复用(TDM) 相位产生载波问询的体系结构—美国海军研究实验室已作了10 单元的光纤水听器阵列演示, 证实了其低的光背景噪声和低的串扰。

数字图像处理中的边缘检测技术

课程设计报告设计题目：数字图像处理中的边缘检测技术学院：专业：班级：学号：学生姓名：电子邮件：时间：年月成绩：指导教师：

数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分：程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分：对所给的原始图像进行对比实验，给出相应的实验数据和处理结果 (11) 5分析及结论：对实验结果进行分析比较，最后得出相应的结论 (15) 参考文献 (17) 附录：代码 (18)

1前言查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 1.1 理论背景图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。图像处理在遥感技术，医学领域，安全领域，工业生产中有着广泛的应用，其中在医学应用中的超声、核磁共振和CT等技术，安全领域的模式识别技术，工业中的无损检测技术尤其引人注目。计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2 图像边缘检测技术研究的目的和意义数字图像处理是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像处理也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像处理中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速

光学遥感图像多目标检测及识别算法设计与实现

龙源期刊网 https://www.360docs.net/doc/db5916309.html, 光学遥感图像多目标检测及识别算法设计与实现作者：姬晓飞秦宁丽来源：《计算机应用》2015年第11期摘要：针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性，多目标检测及识别成为了一个非常值得关注的研究课题，提出了一种光学遥感图像多目标检测及识别算法。首先，采用自适应阈值算法对目标快速检测分割；然后，结合图像金字塔思想和基于尺度不变特征变换的特征包（BoFSIFT）特征提出了一种分层的BoFSIFT特征表示目标的全局特征和局部特征，详细地描述了目标的分布特性；最后，采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法，经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别，识别率达到了93.52%。实验结果表明，所提算法对多类遥感图像目标的分割效果显著，特征选取恰当，识别方法快速有效。关键词：光学遥感图像；多类目标；自适应阈值；基于尺度不变特征变换的特征包特征；AdaBoost算法中图分类号： TP751.1 文献标志码：A 0引言光学遥感图像通常是指可见光和部分红外波段传感器获取的影像数据，其直观易理解，空间分辨率通常比较高，在有光照和晴朗的天气条件下，图像内容丰富，目标结构特征明显，便于目标分类识别。随着遥感技术和模式识别技术的发展，对光学遥感图像多目标分类和识别的研究已引起了广泛关注，它的发展对对地观测、军事侦察等领域有广泛的意义[1]。基于光学遥感图像的多目标检测与识别研究主要涉及目标分割检测、特征提取和目标识别3个阶段。目标的检测分割阶段是提取遥感图像信息的重要准备环节，在目标点检测的基础上，依据特征把图像划分成多个区域[2]。文献[3]对纯海洋背景和海陆背景两种情况下的舰船目标分别用区域生长法和先验法完成目标分割；文献[4]对传统的圆形检测Hough变换方法作了改进，首先是计算目标梯度场检测油库圆心坐标，然后通过计算梯度值加权估计半径值以便对目标准确定位；文献[5]首先用小波分析建筑物目标，然后结合马尔可夫随机场（Markov Random Field，MRF）完成检测分割。目标的特征提取阶段对识别结果有至关重要的作用，通过提取图像的某些直观自然特征或变换得到的构造特征在实现数据压缩的同时，提高目标之间的特征差异性。文献[6]提出了一

图像边缘检测算法体验步骤

图像边缘检测算法体验步骤图像边缘检测算法体验步骤（Photoshop，Matlab）1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式，获得一张彩色图像（任何格式），建议图像颜色丰富，分辨率比较高，具有比较明显的图像边界（卡通图像，风景图像，桌面图像）3. 将图像保存到一个能够找到的目录中，例如img文件夹（路径上没有汉字）4. 启动Photoshop，打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具，到图面上选择一个区域（如果分辨率比较高，建议不要太大，否则计算过程比较长）6. 点击下拉菜单【文件】-【新建】，新建一个与矩形选择框同样尺寸的Photoshop图像，不要求保存该图像7. 将该彩色图像转换为亮度图像，即点击下拉菜单【图像】-【模式】-【灰度】，如提示是否合并，选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件，点击下拉菜单【文件】-【存储为】，在“存储为”窗口中，为该文件起一个名字，例如test1（保存为test1.bmp）9. 启动Matlab，将当期路径（Current Directory）定位到图像文件夹，例如这里的img文件夹10. 使用imread命令读入该图像，在命令行输入：>> f = imread(test1.bmp);11. 在Matlab中显示该图像，在命令行输入：>> figure, imshow(f)12. 然后，分别使用Matlab图像工具箱中的Edge函数，分别使用Sobel算法，高斯-拉普拉斯（Log）算法和Canny算法得到的边缘图像：在命令行输入：>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后，显示这些边缘图像： >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比，后续课程解释算法后，可以变换不同的阈值，得到不同的边缘图像

压电式MEMS仿生结构矢量水听器设计开题报告

毕业设计开题报告学生姓名：学号：学院：专业：设计(论文)题目：压电式MEMS仿生结构矢量水听器封装及性能测试研究指导教师: 2013年12月10日

开题报告填写要求 1．开题报告作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效； 2．开题报告内容必须用按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见； 3．学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）。文中应用参考文献处应标出文献序号，文后“参考文献”的书写，应按照国标GB 7714—87《文后参考文献著录规则》的要求书写，不能有随意性； 4．学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5. 有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”； 6. 指导教师意见和所在专业意见用黑墨水笔工整书写，不得随便涂改或潦草书写。

毕业设计开题报告

矢量水听器由于体积小、重量轻、布放方便等特点，在实际应用中已经受到重视。近年来，在MEMS仿生器件研究方面，国外已有多家研究机构通过模仿鱼类侧线器官、蟋蟀的听觉纤毛等，设计并制造出了多种压电式、压阻式以及电容式的MEMS纤毛仿生微传感器，如德国的Nest-erov和Brand于2005年研制出了压阻式MEMS仿生微探测器，美国伊利诺斯州立大学微米纳米技术研究中心的Chen等于2006年通过模仿鱼类的侧线器官工作原理，研制出了纤毛式MEMS仿生微流量传感器。荷兰的Krijnen等在2006年通过模仿蟋蟀的听觉纤毛，制作出了纤毛式仿生微声传感器[5]。目前，在美国和俄罗斯，性能稳定的矢量水听器已经进入了工程应用阶段。美国在SURTASS系统中已经应用矢量水听器，解决了左右舷模糊问题；前苏联利用其研制的矢量水听器托线阵，系统地研究了矢量水听器托线阵的姿态、拖拽速度和流噪声对矢量水听器检测性能的影响。国外的纤毛仿生传感器也主要为微触觉传感器或微流量传感器，关于纤毛式的仿生MEMS水声传感器还未见报道[6]。 1.2.2 国内本课题的发展现状及前景国内从“八.五”期间开始矢量水听器的研究，并取得了丰硕的成果，先后研发了以双迭片为敏感元件的不动外壳型矢量水听器和以加速度计为敏感元件的同振球型矢量水听器。十年来，我国在矢量水听器的研制方面取得了长足的进步，先后研制出多种结构具有自主产权的矢量水听器，包括动圈式矢量水听器、悬臂梁式多维测振传感器、压电圆盘弯曲式同振型矢量水听器以及中、高频二维柱形、三维球型矢量水听器等，从而实现了水声测量中不同场合的不同需求[7]。目前，国内关于纤毛式仿生MEMS传感器的研究还比较少，主要研究成果是中北大学微米纳米研究中心设计并制造的压阻式MEMS仿生结构矢量水听器，如图1所示[8]。该水听器是通过模仿鱼类侧线器官的神经丘感觉器，完成了以压敏电阻为敏感单元的水声传感器仿生组装设计；利用新型精巧的仿生结构和压阻敏感机理设计制作新型的矢量水声传感器；利用MEMS批量制造技术，实现矢量水声传感器的小型化和一致性；结合MEMS工艺和组装工艺技术，解决复杂结构的仿生制造问题。该矢量水声传感器的低频特性、灵敏度、小尺寸以及水声传感器的一致性等方面带来好处，为水声传感器的设计提供一种新方法[9]。

Matlab做图像边缘检测的多种方法

Matlab做图像边缘检测的多种方法 1、用Prewitt算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值 figure(1); imshow(I); figure(2); imshow(BW1); 2、用不同σ值的LoG算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'log',0.003); % σ=2 imshow(BW1);title('σ=2') BW1 = edge(I,'log',0.003,3); % σ=3 figure, imshow(BW1);title('σ=3') 3、用Canny算子检测图像的边缘 I = imread('bacteria.BMP'); imshow(I); BW1 = edge(I,'canny',0.2); figure,imshow(BW1); 4、图像的阈值分割 I=imread('blood1.tif'); imhist(I); % 观察灰度直方图，灰度140处有谷，确定阈值T=140 I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内 figure,imshow(I1); 5、用水线阈值法分割图像 afm = imread('afmsurf.tif');figure, imshow(afm); se = strel('disk', 15); Itop = imtophat(afm, se); % 高帽变换 Ibot = imbothat(afm, se); % 低帽变换 figure, imshow(Itop, []); % 高帽变换，体现原始图像的灰度峰值 figure, imshow(Ibot, []); % 低帽变换，体现原始图像的灰度谷值 Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减，增强图像figure, imshow(Ienhance); Iec = imcomplement(Ienhance); % 进一步增强图像

基于图像超分辨网络的目标检测算法

图形图像现代计算机（https://www.360docs.net/doc/db5916309.html, ）2019.09上文章编号：1007-1423（2019）25-0047-04 DOI ：10.3969/j.issn.1007-1423.2019.25.010 基于图像超分辨网络的目标检测算法畅青，冯晶明，洪伟杰，薛凯（四川大学计算机学院，成都610065）摘要：目标检测一直是计算机视觉研究领域的核心问题。当前，视觉识别任务仍然容易受到各种图像退化的影响，如图像模糊和图像低分辨率。为此，提出一种基于图像超分辨网络的目标检测算法。首先，搭建一个轻量级的图像超分辨网络对输入图片进行像素信息恢复和局部细节增强；然后在重建图片上搭建目标检测网络对各种类型的目标进行检测和定位；最终，将检测结果映射会原始图片。实验证明，经过融合图像超分辨重建网络，该算法实现更好的性能。关键词：目标检测；图像超分辨率；多尺度检测器基金项目：四川省科技创新苗子工程（No.2018048） 0引言目标的检测与跟踪技术在计算机视觉领域有着广泛的应用，例如在视频监控、无人驾驶、机器人等领域都有着举足轻重的价值。随着深度学习算法与技术的飞速发展，更是带动了该技术在性能、速度等方面取得了质的飞跃。然而随着社会的发展，需求的不断提高，我们在研究算法高效性的同时还要考虑算法所训练出的模型在实际应用上的性能与速度。在深度学习出现之前，目标检测需要根据一定的先验知识，通过建立某种数学模型来完成目标检测，应用比较广泛的有：帧差法[1]、Hough 变换[2]、光流法[3]、滑动窗口模型[4]、可变形部件模型[5]等。这些传统的目标检测方法通过手工设计的特征来组合并进行分类。然而由于需要依赖于研究人员的经验，因此，传统的方法的泛化能力较差，鲁棒性较低。受益于深度学习的发展，最近几年，目标检测作为计算机视觉的基础性任务取得了长足的进步。尤其是R-CNN [6] 创造性的将检测任务划分为两个阶段：产生候选区域和目标识别。随后众多优秀的工作 [7-9] ，都采用这种两阶段的管道实现了巨大的性能提升。与此同时，众多单阶段检测算法[10-12]也在不断刷新着COCO 挑战赛的记录。尽管不断有新的检测框架问世，视觉识别任务仍然容易受到各种图像退化的影响，包括图像模糊和图像低分辨率。COCO 数据集上的检测结果表明：识别不同尺度的目标依然是检测任务一项重大挑战。进一步提高对小目标和模糊目标的检测精度和召回率是优化目标检测框架总体性能的核心方式。小目标本身在图片中所占区域较小，所涉及的像素数量少。模糊目标本身含有大量的噪声导致像素质量过低。本身像素信息的匮乏加上卷积神经网络池化操作对特征图的浓缩，导致神经网络难以对小目标及模糊目标提取出充足的特征。图像超分辨率可以作为一种输入数据增强消除这些弊病并以此为目标检测提供积极的影响。 1算法实现针对图像模糊和低分辨率问题以及目标检测高实时性要求，本文提出了基于图像超分辨率的多尺度检测算法。该算法首先依靠一个轻量级的图像超分辨网

实验三图像的边缘检测

实验三图像的边缘检测一、实验目的与要求 1、了解图像边缘提取的基本概念； 2、了解进行边缘提取的基本方法； 3、编程实现对所给图像的边缘进行提取。二、知识点 1、边缘检测的思想和原理图像理解是图像处理的一个重要分支，研究为完成某一任务需要从图像中提取哪些有用的信息，以及如何利用这些信息解释图像。边缘检测技术对于处理数字图像非常重要，因为边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景区分开来。在图像中，边界表明一个特征区域的终结和另一个特征区域的开始，边界所分开区域的内部特征或属性是一致的，而不同的区域内部的特征或属性是不同的，边缘检测正是利用物体和背景在某种图像特性上的差异来实现的，这些差异包括灰度，颜色或者纹理特征。边缘检测实际上就是检测图像特征发生变化的位置。由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生间断，因此，边界检测包括两个基本内容：首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。边缘检测的方法大多数是基于方向导数掩模求卷积的方法。导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。

一阶导数是最简单的导数算子，它们分别求出了灰度在x和y方向上的变化率，而方向上的灰度变化率可以用相应公式进行计算；对于数字图像，应该采用差分运算代替求导，差分公式参考相关教材。 2、常用的梯度算子（1）Roberts Cross算子，它的2个2 X2模板如图3所示。图3 Robert Cross算子模板（2）Prewitt 算子，它的2个3×3模板如图4所示。图4 Prewitt算子模板（3）Sobel 算子，它的2个3×3模板如图5所示。图3 Sobel算子模板 3、高斯拉普拉斯（LoG）算法高斯拉普拉斯（LoG）算法是一种二阶边缘检测方法。它通过寻找图像灰度值中二阶微分中的过零点（Zero Crossing）来检测边缘点。其原理为，灰度

图像显著性目标检测算法研究

图像显著性目标检测算法研究随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显

著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。

图像边缘检测及提取,分水岭算法

1.几种算子图像边缘提取: 程序代码如下: 运行结果: 原图为一堆苹果(彩图),各算子处理后的边缘提取图:

分水岭算法实现: a.直接对图像进行分水岭算法处理代码如下：（原图还是上题一堆苹果）运行结果如右图：很明显，属于过度分割了。下面有改进算法： b.改进算法代码如下：实现包括下列步骤： (1)读图像。读入图像 (2)对比度最大化。注意到图像中有许多彼此连通的不同大小的对象。为使通过watershed变换找到的低谷数目最小，我们使感兴趣的对象的对比度达到最大。对比度增强的一个常用的技术是综合应用top— hat和bottom—hat变换。 top—hat变换定义为原图像和它的开之差。图像的开是一与特定结构元素匹配的图像前景部分的集合。 bottom—hat变换定义为在原图像和它的闭之间的差。图像的闭是一与特定结构元素匹配的图像背景的集合。通用的结构元素是正方形，长方形，圆盘，菱形，球和线。既然图像中我们感兴趣的目标对象看起来像圆盘，我们用strel函数建立一个半径为15个像素的圆盘形结构元素。这个圆盘尺度是图像中的目标对象的平均半径的一个估计。 (3)图像相加减。为使目标对象与分隔它们的间隙之间的对比达到最大，用“原图top—hat图像+bottom —hat图像”得到增强的结果图。 ( 4)转换感兴趣的对象。调用watershed变换找出图像的亮度”低谷”，把imcomplement作用增强过的图像上，将感兴趣的目标对象转换为亮度低谷，得到增强图的补图。 (5)检测亮度低谷。对所得补图运用imextendedmin函数检测低于某特别阈值的所有亮度低谷。

用MSp430进行微功耗数据采集

用MSp430进行微功耗数据采集 0 引言 ?以电池作为电源的水下数据采集系统，若要长时间工作必然要为其配备大量的电池作为电源，如果能降低系统的功耗，那么将减少电池的数量，不仅能降低系统的成本而且能大大缩小系统的体积和重量，也更有利于水下数据采集系统的布放。本文介绍了一种基于微功耗单片机MSP430F1611和CF卡的水下微功耗数据采集系统的设计与实现，总功率仅150mW。相比传统的以DSP为处理器、IDE硬盘为存储介质的数据采集系统，功耗大大降低。 ?1 系统总体构成 ?本系统是应用在矢量水听器噪声测量试验中，要求实时采集并存储矢量水听器4通道信号，每通道采样率为10kHz，在水下不间断工作7小时。 ?鉴于本系统采样率不高，7个小时总的数据量不超过2个G，所以没必要采用功耗和体积都比较大的IDE硬盘，采用容量为2G的CF卡完全可以满足系统要求。CF卡的全称为Compact Flash，兼容3．3V和5V工作电压，工作时没有运动部件，其体积小、耗电量小、容量大，具有很高的性价比。目前，CF 卡的容量可高达12GB，CF卡由控制芯片和闪存模块组成，闪存用于存储信息，控制芯片用于实现与主机的连接及数据的传输。CF卡可工作在TRUEIDE模式下，并且与普通IDE硬盘接口完全兼容，所以很容易进行开发使用。 ?系统对采集的数据只存储而不做信号处理，在处理器的选取上也就不必一味追求高速度，本系统采用TI公司的超低功耗单片机MSP430F1611作为系统的处理器，负责AD的采集，并把采集的数据写入CF卡。这是一款高性价比的单片机，具有以下特点：丰富的片内外设；超低功耗，在电压3．3V主频 1MHz时工作电流仅600μA；强大的处理能力，在8MHz晶体驱动下，指

光纤矢量水听器研究进展

光纤矢量水听器研究进展+ 倪明*张振宇孟洲胡永明（国防科技大学光电科学与工程学院长沙410073）摘要：阐述了光纤矢量水听器拾取声波振速信号的基本原理。介绍了国内外矢量水听器研究现状与发展趋势，国防科大研制的同振球型光纤矢量水听器探头尺寸为Φ110mm，工作带宽20~2000Hz，加速度灵敏度大于35dB(ref 1rad/g)，指向性呈现“8”字自然指向性，工作水深大于500m。海上初步实验结果表明，光纤矢量水听器可有效拾取水声信号，实现对目标的定向处理。最后展望了光纤矢量水听器可应用的领域。关键词：光纤矢量水听器矢量水听器目前水声探测所用的水听器一般都是声压水听器，它只能得到声场的声压标量。光纤矢量水听器(fiber optic vector hydrophone, FOVH)是一种新型水声探测器，它在一个点上的测量信号中就已包含了声场的标量信息和三维矢量信息，通过这些信息的互相关处理，能极大地抑制干扰，提高信噪比。传感单元具有指向性，抑制环境噪声4.8～6.0dB，这样在相同阵增益的情况下可大大减小阵列的孔径。单个传感器具有指向性，可有效解决声压水听器阵列的左右弦模糊问题。光纤矢量水听器是一种建立在光纤、光电子技术基础上的水下三维声场信号传感器[1]。它通过高灵敏度的光学相干检测，将声波振速信号转换为光信号，并通过光纤传至信号处理系统提取声波信息。相对于传统压电矢量水听器，干涉型光纤矢量水听器灵敏度高、信号经光纤传输损耗小、免电磁干扰、无串扰、能在恶劣的环境中实现长期稳定工作，系统具有光纤网络的特点，可大规模组阵实现水下大范围声学监测。 1 基本原理干涉型光纤矢量水听器基于光纤干涉仪原理构造，拾取声信号的原理基于声压对干涉仪两臂的调制，全光光纤矢量水听器系统则是湿端基于光纤矢量水听器探测单元，信号传输采用光缆传输，以湿端无任何电子器件为特性的先进水下声测量系统。 1.1 光纤干涉仪原理图1是Michelson光纤干涉仪基本结构图。由激光器发出的激光经3dB光纤耦合器分为两路，一路构成光纤干涉仪的传感臂，接受声波的调制，另一路则构成参考臂，两臂的光信号经后端反射膜反射后返回光纤耦合器，发生干涉，干涉的光信号经光电探测器转换为电信号，由信号处理就可以拾取声波的信息。 +国家863计划资助(2006AA09Z121) * 通讯作者。Email: niming_1@https://www.360docs.net/doc/db5916309.html,

红外图像中弱小目标检测算法概述

文章编号21005-5 30(Z 005 04-0083-04 红外图像中弱小目标检测算法概述卓宁1 孙华燕1 张海江Z (1.装备指挥技术学院北京10141 ; Z. Z 41部队 8分队辽宁葫芦岛1Z 5001 摘要2在现代战争中复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待解决的问题也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展从空间滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述并分析了今后的研究方向O 关键词2复杂背景;小目标;空间滤波;时间滤波中图分类号2TP 3 1.4文献标识码2A Algorithm surveys on small target detection in inf rared image ZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzang Z (1.Institute of eguipment Command and Technology Beijing 10141 China ; Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 China Abstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed . Key words 2complicated background ;small target ;spatial filter ;time filter 1引言现代战争中要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标以使防御武器有足够的反应时间O 这时目标的图像很小只有一个或几个像素缺乏结构信息此外视场中可能还有云~地物等各种复杂的背景杂波目标点极易被噪声所淹没O 因此复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一是运动目标探测中一个亟待研究与解决的课题O 为了从二维序列图像中检测到低信噪比红外弱小目标自70年代以来国内外学者和专家进行了广泛而深入的研究提出了许多有实际意义的检测算法O Bauch [1]等人提出通过采用一组时间上的高阶差分来抑制背景干扰并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而这种方法在低信噪比的情况下可能呈现较差的性能O 此后又有人提出了频域中的三维时空匹配滤波技术并且把其简化为只在空域中进行的二维匹配滤波其结果在时间序列中进行递推求和O Irani M [Z ]等人用计算小邻域上灰度的加权平均再用梯度进行归一化以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性但是为了得到图像第Z 7卷第4期 Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4 August Z 005 收稿日期2Z 004-11-1 作者简介2卓宁(1 7 - 女安徽蚌埠人工程师硕士生主要从事图像信号处理方面的研究O

光纤矢量水听器

光纤矢量水听器的设计与研究 XX （安徽大学xxxxxxxxxxxxXX学院，安徽合肥）摘要：光纤矢量水听器是建立在光纤技术，光电子技术基础上的水下声信号传感器。本文在介绍了强度型、干涉型和光纤光栅型矢量水听器原理的基础上，比较了它们的灵敏度、测量范围和抗干扰能力等参数。干涉型光纤矢量水听器是通过水中声波对光纤的压力来改变纤芯折射率或长度,从而引起光纤中传播光束光程的变化，通过检测其相位差得到水声信息。光纤矢量水听器被广泛的用于拖曳阵、固定阵、船壳阵和声呐浮标中，是现代海洋技术不可或缺的一部分。关键词：光纤矢量水听器，强度型，干涉型，光纤光栅型，潜艇拖曳阵 Design of Optical Fiber Vector Hydrophone Ge Xin （Anhui University ，physics and Material science College，AnHui HeFei）Abstract：Optical fiber vector hydrophone is the underwater acoustic signal sensor,which is based on optical fiber technology and photoelectron technology.This paper compared their sensitivity, measuring range ,Anti-jamming capability and other Parameter, based on describing Strength Type,Interference type and optical fiber grating type.Interferometric fiber optic vector hydrophone obtain acoustic information by detecting the water pressure.Acoustic pressure of the water changes the length of the fiber core refractive index,which force the optical path difference changing.Optical fiber vector hydrophone is widely used for Towed Array,Fixed array ,Hull array and Sonar buoy,which is an integral part of marine technology Key words：Optical fiber vector hydrophone,Strength Type,Interference Type, Optical fiber Grating Type,Towed Array 光纤矢量水听器是建立在光纤技术，光电子技术基础上的水下声信号传感器，其信号的探测与传输均以光作为传输媒介，更具有体积小，重量轻，抗电磁干扰，灵敏度高等特性，被广泛的用于水下打捞作业，军事侦察，国防等重要方面。光纤水听器经过将近20多年的发展与研究，其技术已日臻成熟，一些领域内已广泛应用，前景广阔]1[。光纤矢量水听器最基本的功能就是探测由被测物体发出的声场。被探测物体在水中移动会产生声波，声波在三维空间上发散开来形成声场。水声技术中要想准确的描述声场并探知声场信息，不仅需要声场的标量信息如声压，还需要声场

图像边缘检测方法的研究与实现刘法200832800066

青岛大学专业课程设计院系: 自动化学院专业: 电子信息工程班级: 08级电子信息工程3班学生姓名: 刘法指导教师: 王汉萍庄晓东日期: 2011年12月23日题目：图像边缘检测方法的研究与实现一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)．边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中具有坐标] i且处在强度显著变化的位置上的点． ,[j 边缘段：对应于边缘点坐标] i及其方位，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法．轮廓：边缘列表，或是一条表示边缘列表的拟合曲线．边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序．边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程．边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．

边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。 Roberts,Sobel,Prewwit是基于一阶导数的边缘检测算子，图像的边缘检测是通过2*2或者3*3模板作为核与该图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。 Laplace边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感。Laplace算子的改进方式是先对图像进行平滑处理，然后再应用二阶导数的边缘检测算子，其代表是拉普拉斯高斯（LOG）算子。前边介绍的边缘检测算法是基于微分方法的，其依据是图像的边缘对应一阶导数的极大值点和二阶导数过零点。Canny算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足一定约束条件下推导出的边缘检测最优化算子。 1．3 边缘检测算法对于边缘的检测常常借助于空域微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续(或突变) 的结果,这种不连续常可利用求一阶和二阶导数方便地检测到。已有的局部技术边缘检测方法,主要有一次微分(Sobel 算子、Robert s 算子等) 、二次微分(拉普拉斯算子等)。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大多数提取算法均可以取得较好的效果。但对于边缘复杂、采光不均匀的图像来说,则效果不太理想。主要表现为边缘模糊、边缘非单像素宽、弱边缘丢失和整体边缘的不连续等方面。用算子检测图像边缘的方法是用小区域模板对图像进行处理,即采用卷积核作为掩模模板在图像中依次移动,完成图像中每个像素点同模板的卷积运算,最终输出的边缘幅度结果可以检测出图像的边缘。卷积运算是一种邻域运算。图像处理认为:某一点像素的结果不但和本像素灰度有关,而且和其邻域点值有关。运用模板在图像上依此对每一个像素进行卷积, 即模板上每一个点的值与其在图像上当前位置对应的像素点值相乘后再相加,得出的值就是该点处理后的新值。边缘检测算法有如下四个步骤：