基于频率特征点提取的遥感融合图像无参考评价方法研究

针对现有的图像融合评价方法存在受地物的影响较大、评价结果过于笼统、实用性不强的问题,提出使用局部特征点进行图像融合评价的方法,首先定量地确定图像中的高频特征点,然后以高频特征点为依据提取图像中高频区域和低频区域,最后通过空间信息获取程度和光谱信息保留程度两个方面对融合图像进行评价.实验结果表明,本文中提出的评价方法要优于已有的图像融合评价方法,能更好地体现不同融合方法之间的差异.     

基于模板分解与递归式滤波的遥感图像快速Gabor纹理特征提取

设计一种在x、y轴方向上进行2维Gabor滤波器模板分解的可行方法,从而避免模板分解时在倾斜方向上进行重采样所带来的效率、精度损失;接着采用递归方法实现分解后的1维滤波器以进一步提高算法效率.采用高斯滤波对Gabor滤波结果进行校正平滑作为纹理特征输出,并采用k-means算法对其进行聚类以验证方法在提取图像纹理区域时的有效性.和以快速傅里叶变换方式实现的Gabor纹理提取方法进行对比,实验表明,该方法在纹理特征提取上的精度损失很小,但在算法执行效率上则有显著的提高.

Abstract：

A fast remotely sensed image texture feature extracting method is proposed. It firstly decomposes a 2-D Gabor filter along x, y axes Into a set of 1-D filters, which avoids the precision and efficiency losing of re-samplingwhich is necessary when the decomposing is carried out along some inclined orientations of an image plane. Besides, a recursive method is implemented to further improve the efficiency of the decomposed 1-D filtering. A Gaussian filter is used to smooth the filtering outputs, which are then subjected to k-means clustering method for textural image segmentation. A comparison between the method and FFT-based Gabor filtering method is carried out. It demonstrates that our method is o feasible and fast way to extract texture features from remotely sensed imagery,for its higher algorithm efficiency and little precision losing.     

基于局部不变性特征的无人机影像特征点提取

针对不同尺度影像特征点提取的问题,提出了基于局部不变性特征的算法。以经典的SIFT特征点检测算法为参照,详细分析了SURF特征点检测算法,并通过实验从特征点提取速度和适应性2个方面对Moravec、Harris、SUSAN、SIFT、SURF等算法进行了比较。结果表明,SURF算法提取影像特征点的速度较快、适应性较强。     

几何与Gabor纹理特征的机载LiDAR点云建筑物提取

针对仅基于LiDAR点云的几何特征难以区分高程相似地物,且建筑物轮廓边缘信息提取精度不高的问题,该文提出一种基于几何特征与纹理特征的建筑物点云提取方法。利用圆柱体邻域计算16个与强度、高程、平面和密度相关的空间几何特征;通过Gabor滤波器提取24个纹理特征;再通过ReliefF特征选择前10个最优特征训练随机森林分类器,实现建筑物点分类。通过3组机载点云数据试验,对比仅使用点云几何特征(OP)、几何与纹理特征(OP+TE)、几何与纹理特征并特征选择(OP+TE+FS)3种方法的建筑物提取效果。实验结果表明,加入点云纹理特征并进行特征选择,能够进一步减少点云建筑物的漏提取和误提取现象,具有更高的完整率和准确率。     

利用局部自适应阈值方法提取ORB-SLAM特征点

智能驾驶车辆的定位和建图是智能驾驶车辆的关键技术之一,针对ORB-SLAM中的特征点提取为固定阈值的问题,本文提出了一种局部自适应阈值方法提取特征点.首先,对局部自适应阈值的计算方法进行了阐述,主要利用图像对比度设置自适应阈值;然后,在FAST算法基础上构建了高斯图像金字塔,采用灰度质心法解决特征点的尺度不变和旋转问题...     

运用SI-Harris算子提取遥感图像点特征

推导了SI-Harris算子(尺度不变Harris算子)的理论公式,并将其应用于遥感图像的点特征提取。重点对Harris算子与SI-Harris算子在不同空间分辨率遥感图像上的点特征提取进行实验比较,利用"重复率"指标对实验结果进行定量评价。实验表明:SI-Harris算子"重复率"较Harris算子有明显提升,可用于不同空间分辨率遥感图像的点特征提取,进而可服务于不同空间分辨率遥感图像的匹配。     

基于Gabor函数的遥感影像特征与分类

随着SPOT,IKONOS,QUICKBIRD等高分辨率遥感影像的广泛应用,作为遥感影像重要信息之一的纹理信息的提取和利用,在遥感影像分类中呈现出了举足轻重的作用.本文介绍了影像纹理分析中常用的Gabor函数的原理、分类的方法、Gabor变换的特点及应用.     

基于Gabor纹理描述的遥感影像分割

本文引入了在不同影像层次上的Gabor纹理特征,采用分裂-合并加智能像素精致的方法,实现遥感影像的非监督分割。实验结果表明采用Gabor滤波器为基础的多分辨率分析来描述高分辨率遥感影像的纹理特征,可以明显地描述影像的高、低频特征,并且基于Gabor纹理特征进行遥感影像的分割是有效的;将本文方法的分割结果与经典的eCognition分割结果进行了对比试验,表明本文方法的分割结果较好。     

基于多特征聚类的复杂环境机载点云层次滤波方法

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。     

基于多分辨分析的图形图像滤波算法

本文在分析了现有的基于小波分析的滤波算法之不足的基础上，提出了一种新的基于多分辨分析的信号与噪声分离方法和相应的图形图像滤波算法，该方法在滤去噪声的同时可以较好地保持图形图像上的结构特征。     

基于特征基元的高分辨率遥感影像道路网自动提取技术

高分辨率遥感道路网络的自动提取在城市信息更新等方面具有非常重要的意义。在综述国内外道路信息提取进展的基础上,本文提出一套基于特征基元的道路网提取方法体系。即采取自下而上的研究路线("影像像元—特征基元—道路单元—道路网络"):首先通过影像大尺度的区域划分获取道路区域,在此基础上进行小尺度分割,提取出特征基元;然后根据基元的形态、走向、亮度、纹理等特征对基元进行模式分类,识别出道路单元;最后根据道路网语义规则将道路单元进行形态学处理及拓扑连接,形成道路网络。     

高分辨率遥感影像建筑区域局部几何特征提取

及时准确地获取城市建筑区域的空间分布及其变化信息对于城市规划、空间地理数据库建设及区域社会经济分析具有重要意义。本文提出一种基于多尺度Gabor变换和感知聚类方法即张量投票TV (Tensor Voting)相结合的自适应局部几何不变特征检测方法,并将其应用于高空间分辨率遥感影像建筑区域提取。首先,考虑到高分辨率遥感影像复杂的几何结构特征,使用Gabor滤波器组对影像进行多尺度多方向变换检测奇异性特征。然后,在感知聚类框架下,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,为了突出影像几何特征,对不同尺度、不同方向子带中任意像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合。再次,对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点以确定建筑物坐标。最后,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法(Otsu)阈值分割自动提取居民地多边形区域。使用分辨率分别为0.49 m、0.98 m的Google Earth及0.8 m的高分二号等影像数据集进行实验,实验结果表明本文方法相对于已有的Harris和HSCD点检测算法,在建筑区域提取质量上(Quality)上分别提高了4.79%,5.96%;1.47%,3.76%和1.91%,4.08%。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。     

增强型形态学建筑指数的建筑物变化检测

针对在高分辨率遥感影像中,利用形态学建筑指数提取建筑物时,同质性区域内部会出现噪声影响建筑物变化检测精度的问题,该文提出一种基于增强型形态学建筑指数的建筑物变化检测方法。采用增强型形态学建筑指数进行建筑物的提取,较好地去除了同质性区域内部的噪声,提高了建筑物提取精度;利用变化向量分析法获得建筑物变化检测结果,并采用LFI指数对变化检测结果进行后处理,有效地区分出建筑物对象和城市道路等地物,提高了建筑物变化检测精度。最后通过实验证明:该文算法可以有效地进行建筑物的提取和变化检测。     

无人机高分辨率影像的森林株数密度制图

本文以大兴安岭无人机遥感数据为基础进行森林密度制图,并提出了一种局部阈值算法,通过与传统的Otsu方法去除背景噪声相比,得出了该方法在中等或较低森林株数密度地区能很好地去除噪声背景.结合局部最大值法取得很好的单木提取精度,其查全率达到了100％.传统的Otsu去除背景方法在较高森林株数密度地区具有较好的识别效果,但对非...     

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题,以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先,通过双树复小波变换提取影像纹理特征,联合光谱特征形成表达影像信息的混合特征向量;然后,将混合特征向量高斯归一化处理,并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图;最后,借助马尔可夫随机场模型在初始分割结果中引入上下文信息,基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度,同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”,从而进一步提高了高分辨率遥感影像分割的精度。