产生"Tuned"模板的Bayesian Networks 方法

介绍了Bayesian Networks（简称BNs）产生“Tuned”模板新方法的基本原理以及BNs法与蚁群行为仿真技术和单纯形法组合的方法。通过实际航空影像的实验结果表明，新方法对纹理影像的识别率是令人满意的，同时还将新方法与遗传算法的结果作了对比，结果表明新方法是很有应用前景的。     

产生“Tuned”模板的的混沌粒子群算法

针对传统的产生纹理“Tuned”模板方法的缺陷,在介绍混沌粒子群优化算法的基础上,提出了产生最佳“Tuned”模板的混沌粒子群方法;阐述了产生“Tuned”模板新方法的基本原理和实现步骤.通过对实际航空影像分类的实验表明,新方法对纹理影像的分类正确率令人满意.将混沌粒子群算法与基本粒子群算法的结果作了对比,结果表明,新方法具有较好的应用前景.     

基于Bayesian线性规划的影像纹理识别方法

介绍了Bayesian线性规划的基本原理，利用它解决带有不确定性MRF（尔柯夫随机场）参数的影像纹理识别问题，并提出了将不确定性状态参数变成确定性参数的5种选择方法。通过使用实际航空影像的对比识别实验，给出一个合理的选择方法。本方法为解决纹理识别中带有不确定性特征参数的处理提供了新的途径。     

混沌映射在优化计算中的应用

利用描述混沌运动的Logisdc方程的随机性取代常规的均匀分布的随机数发生器的随机性，并应用在产生“Tuned”模板的优化过程中，得到了最佳模板。经实际航空影像的试验表明，Logistic映射的引用可使模板用于影像纹理识别的性能有所提高。     

多级Bayesian Network的影像纹理分类方法

在影像分类的实际应用中,所提取的特征(或波段)间往往存在较大的相关性.为了把Naive Bayes Classifters (NBC)模型更好地应用于分类中,本文在研究NBC模型的基础上,从特征空间划分的角度,将它进一步推广为多级Bayesian Network.实验结果分析表明:由于多级Bayesian Network模型综合考虑了特征之间的条件依赖关系,它在分类精度方面一般高于原始的NBC和最大似然法.然而,对于不同的n值,其分类结果也有所不同.     

融合颜色和纹理特征的彩色图像分割

根据高分辨率遥感影像中地物呈高斯分布的特性,文章将水平集与Bayesian统计理论相结合,提出一种统计理论框架下的广义水平集分割模型;并利用多元高斯分布融合图像的颜色和纹理信息,实现彩色图像的分割及建筑物目标提取.实验结果表明,该模型实现了与eCognition软件中多尺度分割相近的效果,且能够实现不同尺度目标的分割,易于向高维特征扩展,可扩展性强.     

基于免疫粒子群优化算法的影像纹理分类

粒子群优化算法是基于群智能的随机全局优化方法,它源于对鸟群简化社会系统的模拟。为了提高标准粒子群优化算法的收敛性能,将生物免疫系统的记忆能力和多样性引入标准粒子群优化算法,提出一种免疫粒子群优化算法。在提取纹理样本Laws纹理能量模板特征、小波特征等纹理特征的基础上,提出针对分类问题的粒子表达方法和群体寻优策略,实现了基于免疫粒子群算法的纹理分类。实验结果表明,与标准粒子群优化算法相比,免疫粒子群优化算法在获取训练样本类别中心时具有较好的收敛性能,并且基于该算法的影像纹理分类具有较高的分类精度。     

基于ArcGIS Engine的地图模板化输出

地图的模板化输出就是利用模板技术思想将制图专家的地图设计知识和实践经验模板化、可视化,对于实现地图设计知识和实践经验的传输与共享,提高地图制图的效率具有重要的理论研究意义和实际应用价值。介绍ArcGIS制图中3种不同的模板技术,分析在.NET平台下采用C#语言基于ArcGIS Engine组件实现地图模板化输出的原理方...     

基于蚁群行为仿真的影像纹理分类

介绍了蚁群行为仿真的概念 ,提出蚁群行为仿真产生Tuned模板的数学模型和航空影像纹理分类的新方法。为了验证模型的正确性 ,与遗传算法作了对比试验 ,结果表明了本文方法的正确性     

三维地形可视化技术研究进展

三维地形是虚拟自然环境中不可缺少的因素,也是虚拟仿真领域中视景系统的重要组成部分。该文将地形生成技术概括为三维地形简化技术、大规模地形数据的动态调度与地形简化相结合的处理技术和地形纹理数据的组织与应用技术等三大类,并分别介绍了这三类技术的相关理论和方法。     

高分辨率卫星影像车辆检测的抗体网络

将车辆检测的过程视为一种“抗体”检测“危险抗原”的过程, 其中车辆是“危险抗原”, 车辆检测模板是“抗体”。利用一些车辆图像作为训练样本, 建立一种抗体网络学习并获取一组优化的“抗体”。这些“抗体”经过与待测影像的匹配, 实现对道路车辆目标的有效提取。采用0.6m分辨率的QuickBird全色数据进行实验, 实验结果验证了该方法的有效性和可行性。     

融和启发信息的蚁群特征选择方法

特征提取和选择是模式识别核心问题之一,它极大地影响着分类器的设计和性能,高维的特征选择更是一个NP难题。针对特征选择这一组合优化及多目标优化问题,本文提出了改进的融合启发信息ACO(Antcolony optimization)特征选择的新方法,该算法比不用启发信息的ACO方法能更好地找出代表问题空间的最优特征子集,降低分类系统的搜索空间,从而提高搜索效率。以航空纹理影像的特征选择和分类问题为例,利用原始蚂蚁算法和改进的蚂蚁算法选择的特征分别进行识别,结果证明该算法不仅能够比没有改进的蚂蚁找出有效特征集、降低图像特征空间维数、减少图像分类的工作量,而且提高了分类识别正确率。     

流形群运动目标自动识别与跟踪模型结构及参数的最优配置

探讨了用流形群运动目标的形状、纹理特征，以及它们的空间面积的重叠度来构建多种适合流形群运动目标自动识别与跟踪的匹配模板的方法。通过最大欧几里得贴近度的择近原则，实现模板匹配，完成目标识别；通过对匹配模板的交替更新和交叉匹配算法，实现目标跟踪。为了提高识别与跟踪的准确度和效率，对识别与跟踪模型结构及参数进行了优化组合，建立了一种适合计算机自动识别和跟踪类似中尺度对流系统(MCSs)的流形群运动目标的优化模型，即多级串行和多级并行模板匹配的识别与跟踪模型，并提出了基于此模型的快速识别与跟踪算法及技巧。用优化了的多级串行识别与跟踪模型及快速跟踪算法，对1998、1999、2000、2002年6～8月的青藏高原上空MCSs进行了识别与跟踪试验。试验结果表明，其准确率高达90％。     

变分法遥感影像人工地物自动检测

人工地物（建筑物、道路、桥梁等）检测是目标识别的一个重要组成部分。本文将人工地物检测转换为能量泛函数最优化问题。首先对遥感影像进行超像素分割,综合图像的颜色、纹理、梯度等信息,以超像素为单元计算图像的显著度信息,然后构建一个包含显著性约束、面积和边界约束、纹理约束及灰度方差约束的能量泛函数,通过变分法迭代求解能量泛函最小值,获取目标前景部分即为人工地物区域。本文以重庆和广东某地的遥感影像数据为例对算法进行验证,将其与常见的人工地物目标提取算法,如C-V模型、MRF模型,以及当下研究较为热门的深度学习算法进行对比。试验结果表明,该算法能有效地检测出遥感影像中的人工地物区域,并保证较低的误检率及漏检率。论文对该方法与深度学习方法进行了一定的分析对比。     

顾及纹理特征的航空影像自适应密集匹配方法

半全局匹配实质是在视差连续性假设下的离散优化方法。为克服视差断裂带影响,依赖一组参数控制视差不一致性。若参数过小,在平面内难以保证视差连续性,产生明显噪声,导致凹凸不平现象;若参数过大,将致使物体表面过于平滑,难以保留视差断裂等重要特征。为克服上述问题,本文提出了一种顾及纹理特征的自适应密集匹配方法:首先,检测影像纹理特征并定量表达纹理丰富性程度;其次,依据纹理丰富程度与视差差异存在正相关的规则知识,实现匹配参数依据纹理信息的自适应选择;最后,采用上述参数进行自适应的半全局匹配。通过ISPRS基准数据集和国产SWDC-5获取的倾斜影像进行试验分析证明,本文方法能够有效减少低纹理区域匹配噪声,同时更有效保留边缘特征。     

基于蚁群优化的特征选择新方法

利用蚁群优化算法解决特征选择问题，以获得能代表问题空间的较优特征子集，并能降低分类系统的搜索空间。以航空纹理影像的特征选择和分类问题为例，利用主分量变换和蚁群优化算法分别对原始纹理影像特征集合进行特征提取、选择和分类。结果表明，本文方法不仅能够降低图像特征空间维数，减少图像分类的工作量，而且还可以提高分类识别的正确率。     

基于小波的SAR影像纹理分析

在分析SAR影像特征的基础上 ,引入了基于小波的纹理提取方法 ,并采用第二代提升小波与双正交小波对SAR影像进行小波二级分解 ,提取影像各尺度上的小波特征系数。对机载的SAR影像进行了纹理分析及分类 ,得出了不同小波的分类分析结果。     

基于模板的专题制图数学模型构建和应用

数学模板是基于面向对象的理念对专题制图数学模型所涉及的参数变量、数学运算的一种抽象和结构化。提出通过数学模板的嵌套和递归调用构建专题制图数学模型的新思路。基于这种思路,设计数学模型构建软件,通过该软件可以把数学模型分解为数学模板并以文件的形式提供给专题制图系统使用。这种方法具有非编程、灵活、可扩展性强等优点。     

影象纹理的多尺度分析

按照２ＤＧａｂｏｒ函数的特点和视觉机制，提出了用来捕捉纹理基元的纹理检测器函数，然后基于纹理检测器和新近发展的小波多尺度分解理论，提出了影象纹理的多尺度分析方法，并按照神经动力学的侧抑制和端点抑制等理论，建立了对多尺度纹理特征的融合方法。这一多尺度纹理分析方法在介于空间域和付里叶域之间，为纹理分析提供了一个层次性的分析框架，能够检测不同尺度的纹理信息并与视觉纹理处理机制相一致，有效地提高了纹理的识别能力。