点扩散函数的改进倾斜刃边重建的高精度估计

基于现有刃边法提出了一种不受刃边倾角限制的点扩散函数高精度估计算法,通过改进刃边拟合、样本去噪与防走样重采样优化边缘扩散函数重建过程,并采用高斯函数拟合点扩散函数得到高精度PSF估值。试验表明,相较于现有刃边法,本文方法的估计精度与稳定性有显著提高。     

任意形状曲线刃边的点扩散函数估计方法

遥感图像的点扩散函数估计是降低光学模糊、提高质量的必要前提。倾斜直线刃边法受到靶标极大的限制。现有的曲线刃边估计法虽然克服了倾斜刃边法只能适用于直线刃边的缺点,但是会因坐标拉伸导致估计值误差偏大。利用移动窗口的思想,提出了一种基于投影法的任意形状曲线刃边法,并在理论上说明了可行性。试验验证过程中先进行线性拟合刀刃边缘点,再对选定窗口内一定行数或列数的灰度值运用投影法采样,并对不同采样窗口的采样中心进行对齐处理,剔除不适合的样本点后插值和重采样,最终得到估计的点扩散函数。对于曲率在0.001～0.01的刃边,在较强模糊下,峰值信噪比依旧能保持在35 dB以上,测得点扩散函数峰值的误差可以控制在20%以内。相比传统刃边法和曲线拟合法,峰值信噪比平均能提高10 dB以上,且具有一定的抗噪性。     

用蒙特-卡罗方法计算大气点扩散函数

大气效应的纠正是一个仍未被彻底解决的定量遥感问题,随着遥感器空间分辨率的不断提高,各种斜视星勒遥感不断涌现,寻找交叉辐射项的修正方法日显迫切,该文应用蒙特－卡罗（Ｍ－Ｃ）方法求得不同大气条件下的点扩散函数图形,结果显示：（１）大气状况对点扩散函数的形状、目标像元的贡献率有不可忽略的影响;（２）一次散射的假定将导致背景像元的贡献率,其绝对误差最大可达７％,其相对误差最大可达４０％;（３）斜视条件下与     

遥感相机在轨点扩散函数高精度测量方法

提出了一种新的遥感相机在轨点扩散函数测量方法,在阶跃响应法基础上,深入分析了倾斜角度、尺寸、插值、对比度、像素饱和、噪声等因素的影响,通过选取满足条件的阶跃区域并进行采样相位弱化处理,增加了测量结果的准确度。通过对实际全色谱段遥感图像的实验,验证了方法的有效性与可靠性,并利用所测点扩散函数对退化图像进行了复原,复原图像质量明显提高。     

优化点扩散函数估计与稀疏约束的图像盲复原

在卫星光学图像盲复原问题中,点扩散函数的估计和复原模型选择对结果影响很大。针对点扩散函数模板估计困难的问题,该文在分析图像中近似点状地物成像特点的基础上,提出了基于点状地物信息的椭圆抛物面模型点扩散函数估计方法,得到较好的点扩散函数模板;针对图像噪声对复原的影响问题,采用能够分离图像的信号和噪声的归一化稀疏约束模型进行盲复原。利用"吉林一号"卫星图像进行了实验。结果表明:该文提出的优化点扩散函数估计方法可行,盲复原后图像质量得到了提高。     

一种基于Harris-Laplace算法的亚像素角点检测方法

为了解决Harris-Laplace检测算法的角点坐标偏移与像素级角点的问题,提出了基于Harris-Laplace算法的亚像素角点检测方法。该方法首先用原始图像与高斯函数进行卷积生成多尺度空间,在原始图像和多尺度空间图像上各自提取Harris-Laplace角点;然后以多尺度空间角点为中心向原始图像投影,统计原始图像上投影区域内的角点形成角点集群,并结合多尺度空间角点响应值对集群角点进行筛选;最后采用位置(坐标)加权平均法确定角点的精确坐标。实验结果表明,该方法能够提供稳定抗噪、尺度不变的亚像素精度角点。     

一种基于Cross-Validation的盲图像恢复方法

图像盲复原所面临的主要问题是可利用的信息不足，目前已有的图像盲复原算法一般都是有先验知识，如非负和有限支持域的限制。但在实际中目标的支持域是未知的。文中介绍了CV(cross-validation)的基本原理，给出了一种基于CV原理的支持域确定方法的详细步骤；并针对计算大的问题提出了一定的改进。最后给出了实验结果，证明CV确定支持域的方法对于图像盲复原是有一定价值的。     

一种基于进化规划的变异函数模型拟合方法

研究了变异函数理论模型的最优拟合问题,提出了以滞后距倒数为权系数建立目标函数的基于进化规划的变异函数模型拟合方法,实现了动态地估计参数值,避免了估计过程中各参数在精度上的相互依赖.     

一种基于Cross-Validation的盲图像恢复方法

图像盲复原所面临的主要问题是可利用的信息不足,目前已有的图像盲复原算法一般都是有先验知识,如非负和有限支持域的限制.但在实际中目标的支持域是未知的.文中介绍了CV(cross-validation)的基本原理,给出了一种基于CV原理的支持域确定方法的详细步骤;并针对计算大的问题提出了一定的改进.最后给出了实验结果,证明CV确定支持域的方法对于图像盲复原是有一定价值的.     

基于NSWT模极大值的PSF估计

大气湍流扰动严重影响了空间目标的观测、成像和识别。在目标图像的重建过程中,对成像系统和大气条件先验知识的缺乏使PSF(Point Spread Function)的估计成为解决病态问题的重要内容。在NSWT(Non-Subsampled Wavelet Transform)和Fried参数的理论基础上,根据不同尺度下小波变换模极大值和高斯点扩散函数方差的关系,结合Fried参数提出一种新的估计方法,即基于非抽取小波变换模极大值的PSF估计算法。实验结果证明,该估计算法是确实可行的,重建的PSF能够有效地改善因受大气湍流影响的图像解卷积的效果。     

基于倒频谱的运动模糊图像PSF参数估计

针对任意方向的直线运动模糊图像,说明只能直接在运动方向上得到运动参数,从而设置二维点扩展函数(point spread function,PSF)。在此基础上,应用倒频谱分析法给出了PSF参数估计的方法。实验表明,该方法在模糊为任意方向且模糊范围介于5~55像素时对参数的估计误差较小,能保证较好的恢复质量;当模糊范围超出该范围时,估计误差急剧加大,估计值不可信,无法保证恢复质量。     

CBERS-1 PSF估计与图像复原

分析了遥感图像获取过程中导致图像退化模糊的原因。讨论了一种借助图像中的特定线状目标信息(如桥梁、堤坝等)，采用经验拟合的方式提取图像获取、传输过程中的点扩散函数，并利用该点扩散函数结合频域维纳滤波器求解去图像模糊的空域反卷积算子。将该方法应用于中巴资源卫星一号(CBERS-1)图像，图像质量得到明显的提高，收到了较好的复原效果。     

利用点扩散函数进行DEM尺度转换

利用点扩散函数的图像模糊特性,提出了一种利用点扩散函数进行数字高程模型(digital elevationmodel,DEM)尺度转换的方法,即以不同尺度的点扩散函数作为模板,通过其与原始DEM的卷积实现不同分辨率DEM的尺度上推。设计了DEM尺度转换的评价指标,该指标包括高程统计特征、空间自相关特性及地形结构特征等。以陕北和晋中两种不同地形的1∶1万5 m格网分辨率DEM为研究数据,对此方法进行了分析验证,并与常用的最邻近、双线性以及立方卷积等方法进行了对比。     

基于MATLAB的边缘检测算法研究

边缘检测是处理与剖析图像的主要内容之一,它在文字识别、车牌识别、遥感特征地物的提取等生产和生活领域发挥着非常重要的作用。但是,不同的图像有着不同的特征,到目前为止,没有一种统一的方法对所有的图像及地物的特征进行边缘检测。针对这一不足,本文首先探讨了4种经典的二值化算法和相应的改进二值化算法,并将经典算法与改进后的算法进行对比分析,然后利用Canny算子对二值化处理后的图像进行边缘检测。得出结论,迭代法和改进的迭代法与Canny算子相结合作为边缘检测的方法是一种高效率、高精度的方法。     

基于多结构元素复合滤波的形态学边缘检测

为了进一步提高形态学边缘检测算法的性能,设计了一种多结构元素复合滤波器,定义了一种具有方向估计的形态学梯度,并在此基础上提出了一种对噪声不敏感的边缘检测算法。该算法充分发挥形态学变换方式和结构元素的噪声抑制和细节保持性能,用含有方向信息的结构元素检测图像的边缘,并通过沿梯度方向进行非极大值抑制获取单像素宽边缘。实验结果表明,本算法边缘检测效果良好,抗噪性能强,且处理速度较快。     

基于边缘的多光谱遥感图像分割方法

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.     

基于共面条件的点云配准旋转角参数求解方法

针对目前LiDAR获取的点云数据配准中ICP算法迭代计算效率较低和使用标靶配准时精扫标靶费时费力等问题,提出利用扫描地物所包含的平面特征及点云数据的离散特性,通过拟合平面得到平面的单位法向量进行旋转角的求解.由于点云数据中含有误差,使用拟合平面的法向量不仅避免了对标靶的精细扫描,而且也消弱了点云误差对转换参数的影响.最后通过实例验证了本文方法的可行性与严密性.     

基于边界保留的点云精简算法研究

传统的栅格法与曲率法对数据模型进行精简时很容易剔除特征点,但是误判率较高,导致精简后的数据不能较好地突出点云数据的特征,使重构后的实体模型精度下降。针对以上问题,本文算法首先使用改进的Kmeans进行质心初始化;然后,使用X-Y边界提取算法来保留边界完整性;最后,根据Hausdorff距离对簇进行细分,在高曲率区域保留必要多的点,在低曲率地方保留一些均匀分布的点。实验验结果证明该方法优于传统的栅格法与曲率法。