摘要：显著性检测是指自动提取未知场景中符合人类视觉习惯的兴趣目标的方法。为了进一步提高检测的有效性,同时降低像素类检测算法的计算量和复杂度,提出了基于动态指导滤波的图像显著性检测方法。在新设计的简单迭代指导滤波中,核函数不再像经典指导滤波器那样只利用固定的指导图像,而是利用了输入图像和动态指导图像的联合结构信息,它保证了指导图像对原输入图像较好的结构传递性。其次,为了节约算法的时间成本,采用采样的方式降低算法计算中需要的计算量。最后,为了提取更有效地的显著性区域,引入了关键显著性区域提取方法,通过修正关键点集合得到更准确的目标区域。实验结果表明,相比于其他像素类的显著性检测方法,该算法可以更快速和有效地检测出显著性目标。

摘要：针对现有云模型相似性度量方法结果不稳定以及区分度不高的问题,提出一种云相似度的概念跃升间接计算方法,以表征云相似性的期望曲线相交区域为切入点,将其面积的计算转移至更高层次概念上,实现原相交区域代表概念比重的等价转换。讨论了期望曲线交点数目及位置的不同情形,并给出相应的判别规则;在此基础上,通过计算截断熵获得综合云,实现概念的跃升;以综合云与各基础云的期望曲线相交面积作为相似性的新度量标准,给出了相似度的间接计算公式。通过设计的仿真算例以及具体应用的实验结果,验证了该方法的有效性和普适性。

摘要：有效的信号特征提取是高精度雷达辐射源识别的基础,以脉冲描述字为代表的传统特征已无法满足复杂电磁环境的需要。本文提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)的有效雷达辐射源脉内细微特征提取算法。雷达信号由对非平稳、非线性信号尤为有效的CEEMDAN分解产生的个别分量重构,抑噪效果通过1 000次蒙特卡罗实验得到验证,同时设计基于该重构的一种脉内特征空间。本文方法与主流特征提取方法的识别精度在6部雷达辐射源产生的3000个不同脉内调制的加噪信号样本上进行了实验对比,结果表明不同种类信号样本在本文特征空间中清晰可分,本文方法较之主流方法更加精确,尤其在0 d B信噪比(SNR)下仍保持90%以上的高精度。

摘要：针对传统快时变信道下的OFDM信道估计性能低下问题,提出基于梳状导频的最小二乘高斯过程回归(LS-GPR)时变信道频率估计算法。介绍高斯过程回归理论,它是一种具有强大的非线性拟合能力和小样本学习能力的机器学习方法。通过LS估计出的导频处的频率响应用作训练序列,使用高斯过程回归方法估计其它子信道的频率响应。仿真结果表明,在多径信道情况下,LS-GPR信道估计算法明显优于传统的信道估计方法,在高信噪比时误码性能有很大提升。

摘要：针对传统方法存在目标特征提取不足和计算复杂度高等问题,从人脑视觉认知出发,提出一种仿人脑视皮层机制的目标识别方法。引入卷积神经网络,提出基于Gabor卷积核的目标边缘特征,以拟合简单细胞感受野;结合初级视皮层腹侧通路目标识别方式,模拟视皮层信息处理机制,抽取边缘图像PHOG特征来描述目标,建立PHOG特征的仿人脑皮层识别模型。采用多类SVM分类器对特征向量进行识别实验,实验结果表明,该方法减少了计算复杂度,提高了识别率。

摘要：介绍了单幅图像去雾方法的研究现状、分析了基于增强方法和基于复复方法的一些经典图像去雾算法,指出了各种算法的优缺点。综合评价得出基于复原的图像去雾方法优于基于增强的图像去雾方法。针对现有的基于图像复原去雾方法提出了仍需要深入研究的问题,并从建立全面物理模型、探索模型求解的先验知识、设计基于人眼视觉机制的模型求解方法和图像去雾质量评价等几个方面分析如何突破图像去雾的关键技术。最后,对现有技术的发展趋势进行了分析,指出了去雾技术的研究方向。