Ø  成果简介：超分辨率图像重建技术是近年来发展迅速的图像处理新技术，其目的是超越成像传感器、成像和信道的分辨极限，利用所获低分辨率图像，实现高分辨率图像的重建。超高分辨率图像增强与显示芯片项目利用超分辨率图像实时处理技术，实现从一幅或多幅低分辨率视频图像处理获得高分辨率图像，在图像被放大的同时增强图像更多的细节，提高图像的清晰度和分辨率，实现摄像传感器的低分辨率与显示器高分辨率之间的匹配，解决目前图像获取与显示分辨率不匹配的瓶颈问题，在现有图像获取技术的基础上提高显示器的画面质

本发明公开一种动态直接呈现图像的方法和成像系统。本发明通过将微观量子理论推广到宏观物质，提出了广义量子理论，并基于广义量子理论提出一种动态直接呈现图像的方法。所述的方法通过生成感应环境场，使感应粒子与感应物质感应，感应粒子自组织运动，形成感应粒子密度分布，最终感应粒子密度分布与感应环境场达到平衡状态时，感应粒子的密度分布状态动态实时直接呈现图像。进一步地，本发明还提供一种成像系统，该系统包括感应环境场生成模块和图像显示成像模块，感应环境场生成模块中的感应物质与检测对象作用，形成感应环境场；感应环境场使图像显示成像模块中的感应粒子自组织运动，其密度分布状态动态实时直接呈现图像。

本发明公开了一种基于噪声识别的红外图像降噪方法，本方法引入了噪声识别的基本思想，分别计 算了当前像素基于截尾均值的和基于梯度的隶属度，考察当前像素受噪声干扰的程度，采用联合判据判 断当前像素是否为噪声像素，最后根据判断结果进行降噪，实现对红外图像的降噪。本发明计算量小， 易于实时实现;相对传统算法能更有效的保护图像边缘与细节;在对噪声点进行降噪的过程中也考虑了 图像的纹理梯度信息，更为准确的对原有信号进行估计。

本发明公开了一种基于点线对偶的图像匹配方法，包括：从参 考图像 R 和目标图像 S 中分别提取直线，以得到参考直线集合和目标 直线集合，分别将参考直线集合和目标直线集合中所有的直线段从图像 空 间 映 射 到 对 偶 空 间 ， 以 得 到 参 考 对 偶 点 集 共有 m 个对偶点， 以 及 目 标 对 偶 点 集共有 n 个对偶点，分别将参考对偶点集和目标对偶点集中邻近 的对偶点进行融合，以得到新的参考对偶点集和新的目标对偶点集， 估计新的参考对偶点集和新的目标对偶点集之间的旋转变换参数，估 计新的参考对偶点集和新的目标对偶点集之间的平移变换参数。本发 明等效地把图像空间中断裂破碎的多条直线段重新融合为一条直线 段，提高了匹配效率和稳定性。 

本发明公开了一种基于超图模型的RGBD图像显著性检测方法，该方法包括：对待检测彩色图像和深度图像进行超像素分割，对深度图像的每一个超像素区域进行邻域深度对比图的计算，依据邻域深度对比值构建深度背景超边；提取位于图像边界的超像素区域构建边界背景超边；计算两个超边的权重，并根据超图学习算法进行超边展开，构建诱导图；基于诱导图的空间邻接关系和边权重，利用边界连通性先验计算边界背景显著图；采用基于元胞自动机的显著度更新算法和结合深度先验的融合算法得到最终的显著性检测图。本发明弥补了传统2D边界背景先验中的不足，利用深度信息和超图模型进行改进，与以往结合彩色和深度信息的图像显著性检测方法相比取得了更好的效果。

产品详细介绍 笔记本PCMCIA彩色黑白高清图像采集卡是一款高品质图象采集卡，支持1路复合视频输入和1路S-Video输入，分辨率720*576。采用10 bit A/D转换芯片，能得到高画质高清晰图像，采用多层滤波，画面分辨率高，色彩更加丰富艳丽，图像采集的实时性能更强，采样频率更高，性能更为稳定。 特别适于：笔记本图像采集处理、高精度高速图像采集处理 医学图像采集、显微成像、工业检测、野外图像采集存储、野外监控录像系统 便携移动图像采集处理、移动智能交通、移动电子警察、移动车辆稽查系统 【PCMCIA接口采集卡性能指标】 l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡真彩色/黑白方式采集图象数据：8位-32位； l  图象显示采集分辩率：720X576，可以无级缩放； l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡可采集静态BMP/JPEG和动态MPEG4文件； l  具有1路模拟视频输入和一个S端子（YC分量）输入； l  实现视频信号的实时显示，扫描、同时采集处理； l  采样位数：黑白方式8Bit，彩色方式RGB15、16、24和32Bit； l  PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡水平解像度：可达电视线480以上！ l  亮度、对比度、画面的大小比例均可由软件编程调节，硬件支持窗口缩放；  l  灵活实用的显示方式：Bitmap mode (BMP/DIB)、DirectDraw back buffer mode 、DirectDraw primary DirectDraw overlay 【笔记本专用采集卡特点介绍】 l PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡独特的视频输入滤波技术端口，极大地提高了图像采集的清晰度和显示速度； l  软件功能丰富完善、开发简单方便，在MV系列图象卡中容易移植； l 提供二次开发工具包，全力支持开发！我们还可以根据用户的要求直接改写软件，或代为ODM、OEM，全面满足您的需求。 我们提供您方便的二次开发包（SDK），甚至还能根据用户的要求直接写应用软件，外置图像采集卡对于行业应用的大批量订单，我们可以根据客户的需求进行软件硬件方面的修改（ODM）。    PCMCIA接口采集卡 笔记本专用采集卡 笔记本图像采集卡二次开发包支持VB、VC、DELPHI等进行二次开发，我们提供方便的开发示例的源代码，外置图像采集卡可以让您方便快速的开发您的自己的应用系统。 外置图像采集卡非常亲和的硬件快照功能，低电源消耗，非常适合笔记本电脑，可配合快速的图象编辑软件，支持WIN2000/winxp操作系统。 （产品可大量为客户OEM、系统集成商所配套，提供优惠的价格优良的服务） 【笔记本图像采集卡应用领域】 工业检测、智能交通、电子警察、交通抓拍、医学影像、工业监控、仪器仪表、机器视觉、病理显微、人工智能、医学内镜、生物识别、安防监控、视频会议等领域。

依托学校与烟台拓伟智能科技股份有限公司联合北京理工大学、中国科学院电子所、北京京仪自动化研究总院共建的烟台智能技术应用联合创新研究院，开发了系列具有自主知识产权的智能机器人产品和智能制造系统，其中“4-6自由度关节型工业机器人”可负载7kg-200kg；自主视觉引导+二维码定位的AGV，两轮差动、麦克纳姆轮全向，可负载20kg-2000kg。利用自主研发的全向无轨堆垛机、AGV、工业机器人等，在自主研发MES、车管调度、WMS系统监控下完成一系列智能制造和组装，打造了“汽车制动油泵壳体智能制造系统”“智能精密铸造工厂”等一批系统集成示范项目。 为服务烟台苹果产业高质量发展，研究院制定了烟台红富士苹果等级分选省级标准，研发了无损伤智能分选与包装及冷风库智能监管系统、该系统包括智能信息采集与分级子系统、智能输送调度子系统、苹果排面子系统、机器人智能装箱子系统，整线状态监测与数据库子系统。该系统采用人工智能及深度学习技术，有效结合近红外光谱与计算机视觉技术，完成苹果糖度、色泽、果形、霉心病、果锈、重量等21项指标检测，根据检测结果和新的分级标准，对苹果重新进行分类分级，检测准确率达到95%以上，分选效率2个/秒，磕碰率控制在1%以下，装箱速度达到1个/秒。通过该系统，开展苹果大数据信息采集工作，建立种植-加工-储存-销售全链条标准化苹果大数据综合运营平台，现从苹果单一价值到资源价值的跨越，从而促进苹果产业转型升级，高质量发展。

本系统包括温室栽培优化模型动态仿真、专家系统集成与智能控制算法设计等三部分内容。系统采用了基于知识的智能解决方案，系统的三个部分紧紧围绕专家知识与智能，不仅构成统一的整体又能分别独立运行。系统以大量的实验数据和专家经验为基础，采用智能控制方法、智能推理方法和多媒体技术，能提供病虫害在线预报，为温室环境控制提供最佳环境条件，并能对温室环境和作物生长过程进行仿真和预测。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。