针对目前图像匹配问题,分析对比了近些年来较为经典的基于点特征的图像匹配算法。归纳了2种较为实用的图像预处理方法:Wallis滤波与灰度均匀化。为提高搜索效率引入了近年来热门的k-dimensional(KD)树与Best Bin First(BBF)结合的匹配方法。总结了除外点的2种前沿方法:双向匹配与Progressive Sample Consensus(PROSAC)。为基于特征点的图像匹配提供了整体思路。
为有针对性地根据不同干扰类型选择正确的抗干扰措施,有必要对无人机数据链所处环境的干扰信号进行分析和分类识别;文章以变换域通信系统(transform domain communication system,TDCS)为载体,对无人机数据链常面临的干扰类型的自动识别进行研究,采用时域、频域、时频联合分析的方法,提出了一组对干信比变化不敏感的特征参数,并利用这组参数提出一种基于决策树理论的干扰分类识别方法,仿真结果表明,该方法能够快速准确地识别出干扰类型,具有很好的鲁棒性,并且在干信比和干噪比在0dB以上时,正确识别率均在90%以上。
为了提高变换域通信系统(transform domain communication system,TDCS)在复杂多变电磁环境下的抗干扰性能,提出了一种新的TDCS自适应门限设置方法,通过设置权重因子考虑系统的检测概率和虚警概率,建立门限优化函数并求得最优门限值表达式.该门限值由干扰信号功率、噪声功率以及权重因子共同决定,能够随着环境干噪比的变化进行自适应调整.理论分析和仿真实验证明,在多音干扰和窄带干扰共存的信道环境下,该方法能够准确定位干扰并将其剔除,进而生成近乎纯净无干扰的基函数幅度谱,降低了TDCS系统的误码率,提高了系统的抗干扰性能.
