基于改进SPHP算法的无人机遥感图像拼接

针对无人机遥感图像拼接的稳健性问题,对SPHP(Shape-preserving half-projective,SPHP)图像拼接算法进行了改进。利用SIFT(Scale invariant feature transform,SIFT)算法完成特征粗匹配,按粗匹配点对之间的距离对所有匹配点对进行排序,以最优匹配点对作为随机采样一致算法的初始样本集进行特征精匹配。利用投影变换和相似变换相结合的变换模型进行图像配准,采用线性加权图像融合方法进行无人机遥感图像的无缝拼接。实验结果表明:本文算法能有效剔除错误匹配对,匹配正确率平均提高约7%,明显改善图像拼接的视觉效果和图像质量,可以满足实际需求。     

大区域场景下基于无人机视角的目标计数方法

近年来,无人机因其灵活度高、机动性强在人群计数领域得到广泛应用。然而,现有的人群计数方法大多基于单视点,对于大范围、多摄像机场景下的多视点计数研究较少。为了解决这个问题,提出了一种基于无人机视角的目标计数方法以准确统计场景中的目标数量。选择临海区域进行数据采集,利用深度学习技术对采集的图像进行目标检测和图像拼接融合,在拼接后的图像中映射检测信息,并采用计数算法完成区域场景的计数任务。在公开数据集和该文制作的数据集上进行的实验验证了基于目标检测的计数算法的有效性。     

自动图像拼接中的一种特征提取和匹配方法

在比较目前特征提取和匹配的几种方法比较的基础上,提出了一种基于改进特征提取和匹配的拼接方法,使得图像拼接的质量和速度得到提高。该算法首先利用改进的尺度不变特征变换（scale invariant feature transform,SIFT）特征提取方法获得图像特征点,其次利用近似最近邻匹配进行特征匹配并引入随机抽样一致性（random sample consensus,RANSAC）算法去除误匹配对,最后根据匹配的特征点对得到图像间的变换参数进行拼接和融合。该算法具有很强的鲁棒性,允许图像有缩放变换、旋转变换,不受图像噪声、色差的影响。经实验证明,该方法可实现高质量快速的拼接系统。     

基于ORB和SIFT的特征提取算法

结合SIFT算法提取的特征点具备尺度不变性以及ORB算子在特征点提取时具有较好的实时性,提出了基于ORB和SIFT的特征提取算法.该算法特征点提取主要分为3步:(1)借鉴SIFT算法的思想,建立尺度空间并求出极值点;(2)为解决ORB算法不具备尺度不变性的缺点,去除主曲率大于8和对比度较低的极值点;(3)求出特征点质心方向后求取ORB算子.采用两幅企业的LOGO进行仿真实验.仿真实验结果表明,提出的基于ORB和SIFT的特征提取算法相比SIFT算法和ORB算法具有较低的特征点提取误差,相比SIFT算法具有较高的特征点提取速度,并且相比ORB算法具有较高的特征点提取精度,同时解决了ORB算子不具备尺度不变性的缺点.     

基于残差全卷积网络的图像拼接定位算法

为解决现有篡改定位网络随着深度加深不易收敛的问题,提出一种基于残差全卷积网络的图像拼接定位算法.所提算法一方面迁移残差思想,在全卷积神经网络(fully convolutional network, FCN)的部分卷积层中引入shortcut连接,使其输出的不仅是输入的映射,还是输入映射与输入的叠加.另一方面结合条件随机场(conditional random field,CRF)对定位结果进行后处理,并将FCN与CRF整合在一个端到端的学习系统中,进一步提高定位精度.此外,所提算法还融合3种FCN(FCN8、FCN16、FCN32)的预测结果.在实验中,随机选取公开数据集CASIA v2.0的5/6篡改图像作为训练集,然后对剩余1/6进行测试.为了测试提出算法的泛化性能,采用训练好的模型在公开数据集CASIA v1.0和DVMM上进行交叉测试.在3个数据集上的测试结果表明,所提算法的性能优于现有一些方法.     

对旋转和平移鲁棒的序列图像拼接算法

受分辨率和视角范围的限制,普通的图像获取设备通常无法拍摄到较大场景的图
像,而图像拼接技术可对获取的若干幅小视角场景的图像进行配准和融合得到一幅宽视角的
全景图像. 为此,设计了一种序列图像拼接系统. 针对近似仅存在二维平移的待拼接图像,采
取平移鲁棒的实时序列图像拼接方案,以傅里叶变换的相位相关法为基础进行拼接. 针对待
拼接图像间同时存在旋转和平移的情况,采取了基于Harris特征点检测的旋转和平移鲁棒的
序列图像拼接方案. 实验结果表明,所设计的平移鲁棒序列图像拼接方案能够实时拼接近似存
在二维平移关系的序列图像,但无法处理旋转;而旋转和平移鲁棒的序列图像拼接方案可在
线下非实时地处理同时存在平移和旋转仿射变换的序列图像拼接.     

基于卷积神经网络的面部图像修饰检测

为避免人为因素对人脸面部图像皮肤纹理特征提取产生的影响,用卷积神经网络算法对人脸图像修饰进行检测.传统的图像分类方法需要进行复杂的人工特征提取,而卷积神经网络可以自动学习并直接从图像中获取特征,解决了传统模式识别方法特征提取难的问题,具有更高的识别率和更广泛的实用性.在传统卷积神经网络模型中,调整卷积核大小、减少参数、改变卷积层滤波器数量、调整卷积层和池化层的交替方式、使用dropout来提高模型泛化能力以形成适用于人脸修饰检测的新的网络模型.实验结果表明,在引入的数据集上,新的网络模型对人脸图像的修饰检测有较强的鲁棒性,达到了较高的识别率.     

基于RANSAC算法的二维图像拼接方法

全景图应用领域广阔,为了获取全景图,图像拼接是其中关键技术.图像拼接是将多幅存在一定重叠部分的图像进行匹配,经融合后拼接成一个视野较宽,场景完整的图像.兼顾算法的精度和效率2个方面,提出一种基于随机一致性(RANSAC)算法的图像拼接方法.在VS2013环境下,结合Opencv,对室内图像及自然光照环境下采集的2幅图像进行拼接,得到无缝拼接图像,效果非常好,验证了该方法的有效性.     

基于残差块的遥感图像目标识别自编码网络

实现遥感图像目标识别的智能化是一个亟待解决的问题.由此建立了黑龙江地区地表高清遥感图像数据集,以深度学习为基本工具,设计了基于残差块的遥感图像目标识别自编码网络,并使用优化算法对学习过程进行了优化提升.搭建了实验平台,完成了对神经网络的训练和测试实验,验证了该文所提算法的有效性,为实现遥感图像目标识别的智能化提供了有效方案.     

一种基于四叉树划分的改进ORB算法

原ORB （oriented FAST and rotated BRIEF）算法提取的图像特征点经常出现“扎堆重叠”现象，其分布较为密集且缺乏尺度不变性，因而容易造成图像特征点误匹配的问题。为了解决该问题，提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔，然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征（features fromaccelerated segment test，FAST）算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后，根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值，提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点，并使用改良后的二元鲁棒独立基本特征（binary robust independent elementary features，BRIEF）算法计算得出特征点的描述符，最后进行特征点匹配。实验结果表明，本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升，冗余重叠的特征点数量减少，且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于3D-CNN的高光谱遥感图像分类算法

现有的三维卷积神经网络(Three-dimensional convolutional neural network, 3D-CNN)模型常有参数过多和特征提取不全面的情况，并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题，采用生成式对抗网络模型对原始数据进行数据增强，解决了个别样本标签少导致分类模型出现过拟合的现象；针对3D-CNN网络提取特征不全面的问题，所设计高效的3D-CNN网络模型，在网络中加入纹理信息增强模型，使网络能更好地提取图像的空谱特征。实验表明，算法在小样本数据情况下比原始网络分类精度更高，能自适应提取高光谱图像的空谱联合特征。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

二进制引力搜索结合LSI的混合CBIR算法

针对高级用户描述的对象与低级的图像特征之间的语义差异问题,将潜在语义索引(LSI)与二进制引力搜索(BGSA)结合,提出一种基于内容的图像检索(CBIR)算法.该算法利用BGSA同时进行自适应特征提取和特征选择,LSI作为CBIR中的一个语义模型,图像特征矩阵的构建由Gabor小波、Daubechies小波和小波矩完成.实验在Corel收集的1 000幅图像库上进行,对某些类别的图像,该算法的检索精度可高达100%,前10幅图像,算法的准确率为83.18%,对于前100幅图像,精度仅降至67.40%.相比其他优秀算法,提出算法在平均精度和平均查全率方面均有显著提高,实用性较好.     

一种基于四叉树划分的改进ORB算法

原ORB(oriented FAST and rotated BRIEF)算法提取的图像特征点经常出现"扎堆重叠"现象,其分布较为密集且缺乏尺度不变性,因而容易造成图像特征点误匹配的问题.为了解决该问题,提出了一种基于四叉树划分的图像特征点提取算法.首先对图像建立尺度金字塔,然后使用四叉树划分图像并限制划分深度.用加速...     

基于条形图的全景图像拼接

传统的全景图像(Panoramic Image)拼接方法是选取一幅图像作为参考图像,其它图像同参考图像对齐、变形、整幅图像拼接生成全景图．这种方法由于累计误差使拼接后的全景图像失真(Distortion)情况严重;重叠区域大,相邻图像融合较复杂．本文介绍一种基于视频图像序列的条形图拼接方法,该方法克服了传统拼接方法的缺点,而且计算简便、快速．     

嵌套网络模型下的相似图像检索方法

对深度学习领域的稠密卷积网络（dense convolutional network, DenseNet）进行改进，提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络（squeeze-and-excitation network, SENet），调整原DenseNet网络结构，优化特征提取模块，从而提高图像检索的准确率。在整个深度学习的过程中，给图像特征通道设置合理的权值，抑制图像中的无效特征，能够进一步提高图像的检索速度。实验结果表明，所提算法能够加强图像有效特征的传递，无论从精度和速度方面均可得到较好的图像检索结果。     

基于Java Web的图像拼接系统：WebPano

针对图像拼接系统从桌面移植到网上存在的用户体验和服务效率等瓶颈问题,提出一种基于模型-视图-摔制器框架的网卜图像拼接系统一WebPano,并采用JSP/Servlet和Java技术分别实现了系统的网络平台和核心的图像拼接算法.以用户目视为准则,在上传多幅高分辨率图像的条件下,对网上系统拼接服务质量进行了测试,并利用LoadRunner对多用户同时在线访问系统的负载性能进行了测试.结果表明,在网上图像拼接系统上可以实现与桌面系统相同的用户体验和服务效率.     

基于改进Harris算法的全自动无缝图像拼接

基于传统的Harris算法,提出了一种改进的Harris算法用来进行角点检测。此算法通过改变原来的梯度算子,提高了算子的检测敏感度。采用一个新的角点响应函数,避免了人为设定参数。在图像拼接过程中,通过卷积神经网络(Convolution neural network,NCC)对图像进行配准,利用稳健的RANSAC算法剔除误匹配,最终图像融合。实验结果表明,该算法提高了图像拼接的准确性,减少了图像拼接所耗费的时间,提升了图像拼接效率,具有良好的实用性。