基于局部阈值插值的地基云自动检测方法

地基云自动化观测是当前气象业务发展的迫切需求.目前的地基云检测算法仍主要是以阈值为基础,针对固定阈值和全局阈值算法在云检测精度方面存在的不足,利用晴朗天空下天空呈蓝色、云呈白色的属件,提出了一种基于局部阈值插值的地基云自动检测方法.该方法在对云图进行重采样后,对云图蓝、红波段进行归一化差值处理,再将处理后的结果图像按空间像素位置自动分成互不重叠、大小相等的均匀子块,对每一子区域采用一定的规则并结合改进的最大类间方差自适应阈值算法计算局部阈值,然后对每一子区域形成的阈值矩阵采用双线性插值算法进行插值处理,形成与原始云图大小相等的阈值曲面,利用此阈值曲面与云图蓝、红波段归一化差值处理结果进行比较,即可完成地基云的自动检测.与固定阈值和全局阈值算法相比,局部阈值插值算法对一些细碎的云和与背景反差不大的云获得了更好的检测效果.定量的评估结果表明,固定阈值方法在正确率和精确度上都要远远低于全局阈值和局部阈值方法,而文中提出的局部阈值算法在正确率和精确度上相比全局阈值算法又有较大提高.     

图像特征检测与匹配方法研究综述

几十年来,图像特征检测与匹配一直是图像处理的最核心领域之一,是计算机视觉的基石.没有特征检测与匹配就没有SLAM、Sfm、AR、通用图像检索、图像配准、全景图像等视觉任务.本文在回顾几十年来的经典检测算法的基础上,阐述了引用最新的以深度学习为首的机器学习算法后,在本领域取得的最新进展,包括特征点、局部特征子、全局特征子、匹配及优化、端到端框架等所有关键点,展示了算法各自的优缺点.总而言之,面对工业界的宽基线、实时、低算力检测的要求,图像特征检测和匹配仍然是一项未能完整攻克的任务,融合特征点、局部特征子、全局特征子、匹配及优化的多任务全局框架成为未来发展的趋势.     

基于线支持区域的闪电通道识别算法

提出了一种基于线支持区域的闪电通道识别算法 (LLSR),该算法首先应用对比度拉伸和高斯匹配滤波方法对闪电通道图像进行预处理,以增强闪电通道的对比度;然后自动检测出包含闪电通道的线支持区域,并用最小外接矩形包含这些区域;最后在各个矩形区域内分别使用最大类间方差Otsu阈值法进行分割,得到闪电通道识别结果。试验结果表明:LLSR具有良好的局部特性和自适应性,它不仅能自动提取低对比度闪电图像的通道,还能自动提取具有复杂背景闪电图像的通道,自动提取结果在视觉上与人眼观测结果一致。且定量评估结果表明:LLSR相比传统算法具有更好的分割精度。     

面向高光谱图像分类的超像素级Gabor特征融合方法研究

由于高光谱图像中的地物空间分布具有规整性和局部连续性,同时超像素分割是一种将空间图像分割成多个同质区域的有效方法,因此从超像素的角度进行高光谱图像分类将具有重要意义.本文提出了一种超像素级Gabor特征融合的高光谱图像分类方法,简称为SPGF.首先,使用一组预定义的二维Gabor滤波器与原始高光谱图像进行卷积运算,提取有效特征.同时,利用简单线性迭代聚类（简称SLIC）超像素分割方法将原始高光谱图像划分成互不重叠的超像素.然后,对于每个Gabor特征模块,利用支持向量机分类器进行分类,并使用多数投票策略实现各模块分类结果的融合.最后,使用通过SLIC算法得到的超像素图对分类结果进行修正.在2个真实高光谱数据集上的实验结果表明,本文提出的SPGF方法能够比领域内的一些经典算法获得更高的分类效果.     

一种基于场景合成和锚点约束的SAR目标检测网络

随着深度学习方法在计算机视觉领域的崛起,如何将其应用于具有全天时、全天候等优点的SAR图像也成为一大研究重点.相较于传统图像,SAR图像由于其难判读、应用人群较少等原因难以获得大量标注数据.本文提出一种基于场景合成和锚点约束的SAR图标检测方法.通过区域生长算法和阈值法对SAR车辆目标及其阴影进行分割,然后随机嵌入SAR复杂场景中的合理区域来合成目标检测数据集.针对SAR车辆目标的几何特性、图像分辨率参数,对Faster-RCNN中的锚点大小进行约束,减少不符合SAR车辆目标检测框尺寸的候选框,大量约简冗余计算,提升训练、测试效率及精度.     

基于注意力特征提取网络的图像描述生成算法

针对解决图像描述生成中对浅层图像特征利用不充分、图像目标间关系提取不足的问题,提出一种基于注意力图像特征提取的图像描述生成算法.通过语言模型上下文信息对不同深度图像特征进行自适应注意力权重分配,使带有注意力的图像特征参与指导图像描述生成,提升了图像描述生成的效果.在MSCOCO测试集中所提算法的BLEU-1和CIDEr得分分别达到0.752和0.934,从而验证了所提算法的有效性.     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络（CNN）方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明：基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

最优小波尺度空间的图像边缘检测方法

根据图像和检测算子的特性,以相关性为准则,使用遗传算法对图像小波变换的尺度进行选择,从而构成一种自适应的高斯小波尺度空间.融合该空间下不同尺度检测的图像边缘,使得整幅图像的边缘细节丰富清晰,具有更好的抗噪性能.对测试图像使用Canny算法、单尺度、二进尺度和自适应尺度小波进行边缘检测,验证了该算法在去除噪声和准确定位方面的有效性.     

几个常用气象要素相关场显著性检验的统计模拟

对天气预报,特别是气候分析和预测中经常用到的几个气象要素场,应用相关场显著性检验的统计模拟方法,计算出了某一单点或区域平均气象要素与全球ＯＬＲ,北太平洋ＳＳＴ和北半球５００ｈＰａ高度的相关场的显著性检验判据。并对气象统计预报中相关场显著性检验的问题进行了讨论。     

气象学中使用统计检验的几个重要注记

在气候诊断研究和短期气候预测中广泛使用统计方法,例如相关分析和合成分析.本文对国内外文献中对统计检验显著性水平的各种描述进行了评论,指出了错误.指出了描述统计检验的结果时应该注意的问题.认为,对相关系数和合成分析等统计检验的描述,不应该称为"95%的信度","95%的显著性水平",而应该称为"5%的信度(显著性水平)",或者"95%的置信水平".还指出,统计检验或者显著性检验不应该被改称为信度检验,并分析了错误与产生混乱的原因.     

基于空-谱先验条件随机场的高分辨率遥感影像变化检测方法

高空间分辨率遥感影像能够提供丰富的空间细节信息,使利用遥感影像进行精细变化检测成为可能.为充分挖掘高分辨率影像中的光谱、空间信息,本文提出一种基于影像空-谱先验信息的条件随机场（Conditional Random Field based on Spectral-Spatial Prior,SSPCRF）模型,该方法使用显著性检测方式自动提供先验光谱-空间样本信息,提高一元势能构建精度,有效缓解一元势能构建不准确导致的推理过程中的误差传递问题,并在二元势能中综合考虑标记场与观察影像的空间上下文信息以保持变化地物轮廓信息.最后,使用基于消息传递机制的推理方法将模型进行全局优化.在2组高分辨率影像数据集上的实验结果表明该方法能够提供较精确的初始变化检测信息,使得在减少变化检测结果中虚警点的同时保持变化地物细节信息.     

支持向量机在积雪检测中的应用

针对地球观测系统/中分辨率成像光谱仪EOS/MODIS（Earth Observation System/Moderate Resolution Imaging Spectroradiometer）影像资料中的积雪检测,提出了基于支持向量机SVMs（Sup-port Vector Machines）的遥感影像分类方法。分析了积雪检测过程中的特征选择和提取,建立基于支持向量机的遥感影像分类模型,并进行了积雪检测试验。结果表明,特征选择对积雪检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势,值得进一步推广使用。     

多普勒雷达图像逆风区的自动监测识别

在多普勒雷达降水回波径向速度场中及时准确地发现逆风区,对灾害天气预报预警具有重要意义.根据逆风区在雷达径向速度图中的物理图像特征,采用数字图像处理和分析方法实现了逆风区自动监测识别.首先,以雷达图像色标为依据,采用阈值法分别获取正、负速度区域二值图像,再对2幅图像分别进行形态学运算,然后将上述4幅图像做交叉逻辑运算,得到逆风区监测识别结果和相关参数.通过在2005-2011年长沙雷达站47幅根据实况进行人工标注后的多普勒雷达径向速度图像上进行实验,表明该方法对逆风区可以进行快速准确识别,与人工标注结果比较准确率可达89%,满足实际应用需要.     

一种基于无约束总变分模型的阴影检测方法

阴影检测是进行阴影处理前的重要步骤,总变分模型可以用于影像阴影检测.通过对总变分模型进行改进,提出了一种基于无约束总变分模型的阴影检测方法.经实验及统计分析证明,在合适的迭代条件下,该方法对于单一阴影影像的处理效果理想.     

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

针对FY3D/MERSI和EOS/MODIS的云检测问题,提出了一种基于深度学习技术的全自动云检测算法,首次将深度学习引入到卫星影像云检测领域。本算法使用深度全卷积神经网络(Deep Convolutional Neural Networks)作为核心结构,基于EOS/MODIS基本云检测原理选择合适的通道作为特性向量参数,针对不同的场景进行分类和网络模型的训练,最终得到基于深度学习的云检测模型。经过EOS/MODIS数据和FY3D/MERSI数据的测试,云检测的精度达到98%以上,可以看出基于深度学习的云检测算法能够用于云检测,该算法具有效率高、精度高等特点,云检测效果理想。     

图割模型在卫星云图云检测中的应用

提出一种基于图割模型的卫星云图云检测方法。利用FY-2C卫星云图的长波红外通道和可见光通道的云图提取了10个灰度特征和80个Gabor纹理特征,再用主成分分析方法（principal component analysis,PCA）降维到9个主成分。将这9个主成分构成的特征作为每个像素的特征,建立相似度矩阵,再利用改进的NormalizedCuts模型进行分割,将云图分成了晴空区域和有云区域。与地面观测结果相比,平均一致率达到86．51％,表明将Gabor纹理特征和灰度特征相结合并利用改进的Normalized Cuts模型对卫星云图云检测有比较好的效果。     

基于相关点均值处理的Kinect人手位置检测方法研究

在人机交互领域中,人手的位置信息往往直接用于交互指令的解读与交互结果的计算,因此高精度的实时人手位置检测是实现非接触式的、自然的人机交互的重要基础.针对Kinect 2.0追踪人体骨骼点获取的三维坐标数据的波动和误差较大的问题,本文提出了基于相关点均值处理的人手位置检测算法.该算法基于深度信息,以手腕为分割阈值点,进行人手图像分割,并对人手位置信息相关点进行空间平均处理与时间平均处理,提高位置检测精度.实验结果表明：基于相关点均值处理的人手位置检测算法是有效的,检测误差在5 mm以内,能够满足在人机交互等应用系统中的基本要求.