杨文波
- 作品数:7 被引量:57H指数:4
- 供职机构:中国科学院长春光学精密机械与物理研究所更多>>
- 发文基金:国家自然科学基金更多>>
- 相关领域:自动化与计算机技术更多>>
- 多线阵CCD亚像元错位成像超分辨率重构方法
- 多线阵CCD亚像元错位成像超分辨率重构方法,涉及一种超分辨率图像重构方法,解决现有方法只能实现对两片线性CCD成像的超分辨率重构的问题,超分辨率重构方法用于多片依次错位的长线阵CCD亚像元成像。结合亚像元成像特点,本发明...
- 杨文波朱明陈东成
- 文献传递
- 非局部变分修复法去除高密度椒盐噪声被引量:10
- 2013年
- 分析了中值滤波及其改进型算法在处理高密度椒盐噪声时效果不理想的原因,采用变分修复方法来去除高密度椒盐噪声,基于现有的全变差修复模型提出了非局部全变差修复模型。该模型利用椒盐噪声特点(均匀分布、灰度值为0或255),将噪声点看成是图像中遗失或是破损的点,首先在图像中寻找与噪声点邻域相似的区域,将相似区域的中心像素作为噪声点新的邻域然后对其插值,把图像降噪问题转化为图像修复问题,从而达到去除高密度噪声的目的。实验结果表明:该模型对噪声密度为90%的彩色和灰度图像去噪后,其峰值信噪比为22.85和28.77,在客观评价标准方面优于中值滤波及其改进型算法。该模型能有效去除高密度下的椒盐噪声并较好地恢复图像细节,为图像去除高密度噪声提供了一种新的途径。
- 杨文波马天玮刘剑
- 关键词:图像修复椒盐噪声中值滤波
- 多线阵CCD亚像元成像超分辨率重构技术研究被引量:6
- 2014年
- 为实现以多片线阵CCD亚像元成像为基础,提出一种超分辨率重构算法。首先,在高分辨率网格上建立插值模型;然后,辨识插值重构图像在线阵列方向和扫描方向的模糊核,得到整幅图像的模糊核;最后,采用带有Neumman边界条件(BCs)的梯度平滑Richard-Lucy(GSRL)滤波复原算法去除模糊,抑制了振铃效应。实验结果表明,用本文算法重构超分辨率图像的灰度平均梯度(GMG)值较双线性插值法提高了7.63,主观目视清晰、细节丰富;可以实现对多片线阵CCD亚像元成像的超分辨率重构,获取更高的系统分辨率。
- 杨文波朱明马天伟陈东成王德江
- 关键词:超分辨率重构空间分辨率
- 在线加权多示例学习实时目标跟踪被引量:29
- 2014年
- 由于原始多示例学习(MIL)跟踪的分类效果和实时性较差,提出了一种加权在线多示例学习跟踪算法。首先,根据所选定目标位置分别采集目标和背景样本集,通过对所采集样本集特征的在线学习生成弱分类器集;然后,用计算样本集对数似然函数的最大值的方法从弱分类器集中选择K个最优的弱分类器,给每个弱分类器赋不同的权值,生成一个强分类器;最后,在新的一帧中抽取目标和背景样本,用生成的强分类器对待分类的目标和背景进行分类;分类结果映射成概率值,概率最大样本的位置就是所要跟踪目标的位置。对不同视频序列的测试结果表明,该跟踪算法的跟踪正确率达93%,目标大小为43pixel×36pixel时处理帧率约为25frame/s。与原始多示例学习跟踪算法相比,本算法的实时性提高了67%。
- 陈东成朱明高文孙宏海杨文波
- 关键词:多示例学习目标跟踪分类器权值
- 基于3线阵探测器的亚像元成像超分辨率重构被引量:10
- 2014年
- 虽然增加探测器的时间和空间采样频率可以提高亚像元成像系统空间分辨率,但探测器采集到的数据易发生混叠,使重构得到的图像的分辨率无法达到理想值。本文以3片线阵探测器亚像元成像为基础,提出一种超分辨率重构算法。首先,在高分辨率网格上建立插值模型;然后,辨识插值重构图像在线阵列方向和扫描方向的模糊核,得到整幅图像的模糊核;最后,采用带有Neumman边界条件的梯度平滑正则化模型去除模糊,抑制振铃效应。实验结果表明,该算法使亚像元成像系统分辨率为单线阵探测器无过采样成像系统分辨率的2.6倍;与双线性插值法相比,平均灰度等级(GMG)提高了7.71。该算法可以进一步实现对更多片线阵探测器亚像元成像的超分辨率重构,获取更高的系统分辨率。
- 杨文波朱明刘志明陈东成
- 关键词:采样频率空间分辨率超分辨率重构
- 多线阵CCD亚像元错位成像超分辨率重构方法
- 多线阵CCD亚像元错位成像超分辨率重构方法,涉及一种超分辨率图像重构方法,解决现有方法只能实现对两片线性CCD成像的超分辨率重构的问题,超分辨率重构方法用于多片依次错位的长线阵CCD亚像元成像。结合亚像元成像特点,本发明...
- 杨文波朱明陈东成
- 文献传递
- 特征压缩在线距离度量学习跟踪被引量:4
- 2014年
- 为提高在线学习目标跟踪的实时性和准确率,结合压缩感知理论,提出一种将距离度量学习(DML)运用到目标跟踪的算法。首先,根据所选定的目标位置分别提取目标和背景样本集,运用随机投影理论对样本的Harr-like特征进行压缩;然后,用压缩后的低维特征向量集训练度量矩阵;最后,在新的一帧中抽取目标和背景的样本,用训练得到的度量矩阵计算已知目标和样本间的Mahalanobis距离,距离最小的样本的位置就是所要跟踪的目标的位置。对不同视频序列的测试结果表明,用压缩特征表示目标,使特征计算的计算量压缩到原来的1/4,减少了特征计算的时间;用训练后的度量矩阵计算目标位置,即跟踪器能够根据目标的不断变化自适应调整参数,提高了跟踪的准确率。
- 陈东成朱明贺柏根杨文波
- 关键词:压缩感知目标跟踪MAHALANOBIS距离