一种顾及区域特征差异的热红外与可见光图像多尺度融合方法

针对传统的热红外与可见光图像融合方法对比度低,容易出现边缘细节、目标等信息丢失或减弱的现象,提出一种顾及区域特征差异的热红外与可见光图像多尺度融合方法。首先采用自适应PCNN（脉冲耦合神经网络）模型和二维Renyi熵相结合的图像分割方法,分别对红外和可见光图像进行区域分割;然后利用非下采样Contourlet变换对原图像进行多尺度多方向分解,根据区域的特征差异设计不同的融合规则,融合热红外与可见光图像。实验结果表明,该方法不仅能有效地融合热红外图像的目标特征,还能更多地保留可见光图像丰富的背景信息,融合图像对比度高,在视觉效果和客观评价上优于传统融合方法。     

结合PCNN的红外与可见光图像多尺度融合

针对红外与可见光图像融合对比度不高,易丢失细节信息等问题,提出了一种非下采样Contourlet变换域内基于特征激励的自适应PCNN红外与可见光图像融合方法。PCNN模型采用平均梯度和赋时矩阵来自适应调节其链接强度和迭代次数等参数。对NSCT多尺度多方向高低频子带系数,分别采用特征激励PCNN,根据点火时间图的区域能量来选择融合系数。实验结果表明,该方法能够有效地融合红外和可见光图像信息,对比度高,细节保持好,无论在视觉效果上还是客观评价指标上,优于常用的图像融合方法。     

一种基于相位一致的高分辨率遥感图像特征检测方法

精确检测图像边缘特征是进行高分辨率遥感图像分割和识别的关键。空域特征检测算子以解决阶跃形边缘为主,得到的边缘特征对图像的亮度和对比度敏感。本文引入了一种基于频域相位一致的图像特征检测方法,该方法对遥感图像亮度和对比度具有不变性,同时适用于多种边缘特征的检测。使用Log Gabor小波计算IKONOS Pan图像的相位一致多尺度梯度,对农田、道路和厂房等典型地物进行特征检测的结果表明,相位一致算法对图像局部亮度和对比度不敏感;并且对线形物体产生单线响应,不似空域检测算子产生双线响应。最后考察滤波器尺度和方向参数变化及添加高斯噪声对检测结果的影响,发现相位一致算法无需先使用低通滤波去除噪声,因而具有更稳定的特征定位精度;并且抗噪声干扰的能力强,检测结果不会因为噪声而出现波动。基于相位一致的遥感图像不变特征提取,为高分辨率遥感图像的分割和对象识别提供了基础。     

基于对比度增强和形态学的遥感影像道路提取

提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。     

基于图像分块和线段投票的遥感道路边缘线提取

从遥感图像中提取边缘线是一个经典的课题,不同的边缘提取算法适用于不同类型的图像。实际图像中道路的几何形状不甚规则,因受到建筑和树木遮挡导致对比度较低且噪声影响较严重,道路边缘线会发生断裂,故高分辨率遥感图像道路边缘线提取一直是一个研究热点。针对现有方法很难提取出清晰连续的道路边缘线问题,提出一种遥感图像道路边缘线提取新方法:首先通过方向模板检测边缘点,搜索出分块图像中的子线段;然后延伸子线段并进行投票,连接处于弯曲边缘线的直线段,将长度大于特定阈值的边缘线作为输出结果;最后去除毛刺和分叉,取8个方向道路的并集作为最终道路网。实验结果表明,该方法能够从高分辨率遥感图像中较好地提取带有一定曲率、对比度较低、噪声影响严重的道路边缘线。     

一种基于小波分析的旋转不变图像快速匹配方法

提出了一种基于小波分解的具有旋转不变特性的三级特征图像快速匹配方法,利用小波分解的高频分量得到图像边缘,进而提取具有旋转不变特性的边缘特征;小波分解的低频分量则用于提取同样具有旋转不变性的图像尺度共生矩阵特征.前一个特征反映了图像边缘间的空间关系,后者则体现了图像灰度间的空间关系,利用这两类特征构成一个三级决策树对图像进行搜索,以查找搜索图中是否包含样本图,对满足匹配条件的若干候选子图,给出具有最大相似特性的一个,实验结果表明,较之于传统的模板匹配方法,该方法具有快速,高精度,抗干扰能力强等优点.     

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,在图像金字塔的每层图像中划分图像网格区域,并遍历计算每层图像网格区域的对比度来设置每个网格区域的局部阈值;最后,在每个图像网格区域中完成特征点提取并利用四叉树结构存储特征点。测试结果表明,本文算法在阴天场景提取的特征点数量比原算法提取的数量多61.9%,在光照充足场景下多23.3%;在阴天场景和光照充足场景下,本文算法提取的特征点数量的波动比原算法提取的特征点数量波动小。     

一种基于小波变换的图像融合方法

针对传统基于方向对比度的小波变换融合方法所得结果局部区域清晰度不高的问题,本文在高低频分量的处理方法上作了改进,采用Tenunbaum梯度辅助增强图像的细节信息。试验结果表明,该方法所得融合结果边缘细节更清晰,信息量更大,融合效果较好。     

热红外港口图像特征的评估器提取与选择

针对低对比度、条纹噪声、低空间分辨率等特点而导致的热红外图像识别效果不佳问题,提出了一种港口目标热红外遥感图像特征提取与选择方法,实现了一定情况下港口目标的高精度分类。采用纹理、几何等29个特征,通过评估器选择最佳特征组合,并根据识别精度选择最佳分类器,能生成热红外图像港口目标22个最佳分类特征,且具有一定的鲁棒性。经过参数优化后的libSVM(一种支持向量机)分类器分类精度较高;白天图像比夜间图像分类精度更高;像素值、灰度直方图相关的一维和二维统计特征、局部二进制模式特征、边缘方向直方图特征等与灰度和纹理相关的特征对港口目标热红外图像识别影响较大。     

多光谱图像的边缘特征检测方法

利用多光谱图像的两像素点灰度差异强度指数,定量分析了多光谱图像的边缘特征及响应特征差异,指出传统灰度算子会导致弱边缘特征漏检。为减小边缘响应强度差异,在光谱特征空间中分别利用特征值和特征向量表征多光谱图像的梯度变化大小和方向,同时采用B样条小波对影像进行多尺度变换,获取不同尺度的边缘特征。实验结果表明,此方法对多光谱图像检测出的边缘特征响应均匀且较为显著,综合多尺度边缘能准确检测并定位边缘点,且能有效地抑制噪声。     

若干平滑和插值方法对图像空间分辨力估算的影响

图像空间分辨力是图像质量评估中的一个重要指标,而对图像空间分辨力的估算通常采用调制传递函数（ＭＩＦ）解算。由于图像噪声的存在和采样数据的离散性,平滑和插值是必不可少的两个环节,因此,平滑和插值算法的好坏直接影响最后的评估结果。采用了两种最常用的平滑算法和两种插值算法,并按８种实验方案对两幅典型的图像进行了实验对比研究,获得了这两种算法对图像空间分辨力评估的影响机理,从而遴选出了较好的平滑和插值算法     

突出边缘特征的图像融合方法研究

介绍了像素级图像融合及特征级图像融合方法,分析了两种融合层次的优点。在此基础上,提出了两种突出边缘特征的图像融合方法,两种方案均对人们感兴趣的边缘特征进行增强,并在融合过程中考虑了边缘提取时的假边缘和双边缘情况。实验结果显示,边缘增强方案1提高了边缘定位的准确性,边缘增强方案2有效解决了方案1中融合影像缺少空间细节信息的问题。两种方案有效地增强了融合后图像的边缘特征,有利于图像的后续判读及图像识别。     

突出边缘特征的图像融合方法研究

介绍了像素级图像融合及特征级图像融合方法,分析了两种融合层次的优点。在此基础上,提出了两种突出边缘特征的图像融合方法,两种方案均对人们感兴趣的边缘特征进行增强,并在融合过程中考虑了边缘提取时的假边缘和双边缘情况。实验结果显示,边缘增强方案1提高了边缘定位的准确性,边缘增强方案2有效解决了方案1中融合影像缺少空间细节信息的问题。两种方案有效地增强了融合后图像的边缘特征,有利于图像的后续判读及图像识别。     

基于Voronoi几何划分和EM/MPM算法的多视SAR图像分割

基于区域和统计的SAR分割方法,提出一种结合Voronoi划分技术、最大期望值EM(Expectation Maximization)和最大边缘概率MPM(Maximization of the Posterior Marginal)算法的多视SAR图像分割方法。首先利用Voronoi划分将图像域划分成不同的子区域,而每个子区域可以被看成待分割同质区域的一个组成部分,并假设每个子区域内的像素满足同一独立的Gamma分布,从而建立多视SAR图像模型,并在贝叶斯理论架构下建立图像分割模型,然后结合EM/MPM算法进行图像分割和模型参数估计。该方法将基于像元的马尔可夫随机场(Markov Random Field,MRF)模型扩展到基于区域的MRF模型,并且能同时有效地获取模型参数估计和基于区域的SAR图像最优分割。采用本文算法,分别对RADARSAT-Ⅰ/ⅡSAR强度图像和合成SAR强度图像进行了分割实验,定性和定量的测试结果验证了本文方法的有效性、可靠性和准确性。     

基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

知识驱动下的飞机目标变化检测方法

针对高分辨率光学遥感图像,提出了一种知识驱动下的机场区域飞机目标变化检测的思路和实现方法。首先,根据机场的地理位置知识信息,建立该机场的空间掩模图像,在此基础上获取待检测飞机目标的候选区域;然后,结合目标区域的控制点知识信息,对输入图像进行空间位置配准;再利用飞机目标的变化会导致区域纹理发生显著变化这一知识信息,提取目标区域的纹理特征进行变化检测,并对区域进行弱纹理剔除和边缘抑制处理;最后,利用数学形态学运算方法剔除部分孤立点,得到最终的检测结果。实验表明,该方法可以显著减小由配准误差、边缘响应等因素造成的虚警,飞机目标变化检测的正确率达到92.47%。     

SAR影像中海洋浮油膜特征分割的Level Set方法

介绍了一种全新的区域影像分割技术--基于迎风格式偏微分方程（PDE）的Level Set方法进行海洋浮油膜特征提取.在该方法中,海洋浮油膜特征表示为扩散界面,影像灰度的梯度决定了界面扩散的方向和强度.界面边缘在影像灰度差异动力和曲率流的共同作用下不断向外扩散,能够有效地克服尖锐突起和裂缝等,在特征边缘趋于稳定和光滑.同时,该方法对高噪声具有一定抑制作用,适用于低对比度高噪声图像,特别是SAR图象中特征提取.以不同地区ERS-2 SAR图像中海洋浮油膜提取为例,进行方法验证,同时对传统的影像分割技术进行对比.     

基于边缘图和边缘方向的遥感图像检索

介绍了遥感图像检索中边缘特征的不同描述方法。边缘特征有两种类型:一种是边缘图;另一种是边缘方向。文中分别采用目标图像和纹理图像对不同的方法进行了实验,结果表明将两种边缘特征结合可以提高检索的效果。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

基于编解码网络的航空影像像素级建筑物提取

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。