融合多特征的高分辨率遥感影像震害损毁建筑物检测

为充分利用特征的互补优势提高变化检测精度,本文提出了一种多特征融合的损毁建筑物检测方法。首先通过建筑物线划图获取建筑物对象,然后统计对象的灰度直方图和方向梯度直方图(Histogram of Oriented Gradient,HOG),并用G统计量计算地震前后对象的光谱距离;用震前影像训练基于HOG特征的支持向量机(Support Vector Machine,SVM),计算震后对象的HOG特征的响应值;再用Relief方法对光谱距离和HOG特征响应值进行加权融合,最后用FCM方法分类从而检测出损毁建筑物。实验结果表明,本方法充分利用了各特征的优势,有效提高了变化检测的精度。     

利用HOG-LBP自适应融合特征实现禁令交通标志检测

针对禁令交通标志牌提出了一种基于HOG-LBP自适应融合特征的交通标志检测方法,将标志图片等分为多个不重叠的块,每块内将加权后的HOG和LBP特征进行串行融合作为最终特征,其中每类特征权值由块内梯度幅值决定,融合后的特征采用SVM进行分类器训练,并将训练结果用于交通标志检测.实验结果表明,基于HOG-LBP自适应融合特征的效果优于基于单独HOG、LBP特征和简单HOG-LBP融合特征的效果.     

利用多特征进行航空影像建筑物提取

高分辨率遥感影像在不同的尺度下表现出不同的特征,根据这一特性,提出了一种基于多层次特征的航空影像规则建筑物提取方法。该方法先利用大尺度特征——方向梯度直方图（histograms of oriented gradient,HOG）特征对建筑物进行识别,然后提出了一种小尺度特征——纹理和光谱融合特征,该特征能够有效地将HOG特征识别结果中的道路、草地等非建筑物剔除,最终获取建筑物边缘信息。实验结果表明,该方法不仅对矩形建筑物有较好的提取效果,对结构复杂的规则建筑物也有较好的提取效果。     

一种高分辨率遥感图像舰船检测方法研究

本文针对传统舰船检测方法在复杂海况条件下检测结果不佳,易造成大量虚警的问题,提出了在利用自适应分割算法进行舰船快速筛选的基础上采用方向梯度直方图(HOG)特征提取舰船的边缘结构信息,通过监督学习进行舰船检测虚警滤除的新算法。与现有算法相比,这种算法克服了由云、浪造成的舰船目标虚警滤除问题,在保证鲁棒性的同时兼顾了算法效率,并使用该方法对遥感图像进行了检测试验。     

高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。     

混沌蜂群优化的NSST域多光谱与全色图像融合

为有效融合多光谱图像的光谱信息和全色图像的空间细节信息,提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域图像融合方法。首先对多光谱图像进行Intensity-HueSaturation(IHS)变换,全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配;然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换,对低频分量使用改进加权融合算法进行融合,以互信息作为适应度函数,利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络(PCNN)方法进行融合,再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换(NSCT)和非负矩阵分解(NMF)、基于NSCT和PCNN等5种融合方法。本文方法在提升图像空间分辨率的同时,有效地保留了光谱信息。     

基于图像融合的高分全色遥感影像变化检测

针对同一地区不同时期的全色高分辨遥感影像,提出一种基于影像融合的变化检测算法。首先采用基于匹配点的三角网校正方法对两景影像进行几何校正,然后选用基于迭代多元变化检测(IR-MAD)的相对辐射校正方法进行辐射一致性处理,接着对经几何一致性处理、辐射一致性处理后两张影像进行显著性融合,采用Mean-Shift分割算法对融合影像进行分割,选用方向梯度直方图(HOG)特征获取影像纹理强度图,最后通过比较分割块纹理变化获得变化检测结果。以Toposys激光雷达系统搭载相机拍摄的全色影像对该算法进行了检验,并使用单一时期影像为分割对象进行对比实验结果。实验结果表明,以融合影像为分割对象的结果远优于以单一时期影像为分割对象的变化检测结果,极大地减少了误检和漏检,在城市、郊区等地区人工地物变化监测中有一定的应用价值。     

高分辨率遥感影像普通车辆自动检测方法探讨

利用高分辨率遥感影像数据,研究停车场上普通车辆的自动提取方法。基于影像的灰度信息,分别采用边缘检测法、阈值分割法、区域生长法和点特征提取法等方法对遥感影像中的车辆目标进行检测。通过对比分析各种算法实验结果,探讨不同算法进行车辆检测的效果,并利用灰度线性变换的方法对阈值分割法进行了改进,提高了普通车辆目标检测效果。     

一种基于SVM多特征综合的图像分类方法

分别利用多通道Gabor滤波器和HSV颜色模型对图像进行特征提取,得到两种特征空间。用顺序向前浮点法搜索,以J-M距离(Jeffreys-Matusitas distance)为评价指标进行特征选择,最后利用综合后的特征数据在SVM基础上实现图像的监督分类。上述方法提高了彩色纹理图像和遥感图像的分类正确率。实验表明,多特征融合的分类效果比单一特征要好。     

基于多特征融合的遥感影像变化检测算法

针对传统的变化检测算法主要依赖像斑的光谱信息,未能有效地利用影像多特征检测优势的问题,基于面向对象的分析思想,提出一种多特征融合的遥感影像变化检测算法。首先,以多尺度分割的影像对象为基础,统计各对象的颜色直方图和边缘直线梯度直方图;然后,利用推土机距离计算不同时期对象之间的颜色距离和边缘直线特征距离,采用自适应加权方法将颜色距离和边缘直线特征距离组合构建对象的异质性;最后,采用直方图曲率分析获得像斑的变化检测结果。实验结果表明,该方法能够充分融合颜色和边缘直线特征,提高变化检测的精度。     

基于方向膨胀的核安全壳锈蚀识别算法

核安全壳锈蚀影像噪声密集,锈蚀缺损严重,颜色相似的干扰强。本文提出了一种基于方向膨胀的锈蚀识别算法。利用锈蚀的黄橙色特征对影像进行RGB三通道阈值分割提取锈蚀基础信息,根据锈蚀的圆环形态特征,按照轮廓延伸方向进行多角度分块。设计了八方向膨胀核,对相应轮廓块进行不同方向膨胀以补全圆环轮廓,计算轮廓矩进行圆度识别。试验证明,该算法能滤除大量噪声和颜色相似的干扰信息,正确识别并定位锈蚀。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

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。     

基于改进随机蕨算法的GIS增强现实应用研究

随机蕨算法由于其简单高效,实时性好的特点,在计算机视觉领域得到了广泛的应用。但是其在构造二值特征过程中采用的基于像素点灰度值比较的方法对图像变形的适应性较差。本文基于方向梯度直方图对光照变化,图像变形鲁棒性较好的特点,利用统计方向梯度直方图取代像素灰度值进行比较,以此构造特征点二值特征。基于改进的随机蕨算法,本文设计了一种将增强现实技术(AR)应用于GIS的框架模型。实验结果表明,经过改进的随机蕨算法对目标识别的正确率得到了有效提升,且算法的实时性较好,适用于GIS的增强现实应用。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

基于颜色特征利用色矩与BTC法进行影像聚类

影像聚类是一种对影像数据进行分组的方法,在基于内容的影像检索中,如果能够利用较低层次的可视特征进行高效的影像聚类,将会大大提高影像检索的精度.文章分别利用色矩法与分块截短编码(BTC)方法提取影像颜色特征,然后采用K均值聚类算法来对两种方法进行聚类分析.实验结果表明,分块截短编码(BTC)方法的聚类精度优于色矩法.     

利用视觉词袋模型和颜色直方图进行遥感影像检索

基于内容的遥感影像检索已经成为遥感领域的研究热点,因此,本文提出了一种综合视觉词袋模型和颜色直方图的遥感影像检索方法,利用尺度不变特征算子提取影像的局部不变特征,通过视觉词袋模型组合局部特征,生成每幅影像的金字塔直方图,接着结合每幅影像的颜色直方图生成更有区分性的特征向量,利用新的特征向量集训练支持向量机分类器,通过分类器输出与查询属于一类的影像,完成遥感影像检索。试验结果表明,本文方法不仅提高了影像检索的查准率和查全率,并且验证了该方法能有效克服影像光照、噪声、方向等变化,鲁棒性较好。     

颜色不变量与AKAZE特征相结合的无人机影像匹配算法

基于特征的影像匹配方法是无人机影像匹配中较为实用的一类方法。针对传统特征匹配方法主要以灰度影像作为输入量,难以利用颜色特征高效区分同名点这一问题,本文结合颜色不变量,设计了一种运用AKAZE特征的匹配算法,克服了传统无人机影像匹配忽略彩色信息的缺点;然后通过灰度级变换,使特征点数目大量减少而又不失其可靠性。试验表明,该方法不仅能够准确识别同名点,而且还提高了运行效率。