基于纹理上下文的遥感图像目标识别

基于统计流形理论并结合形状上下文思想,提出了能够描述图像纹理目标的纹理上下文特征,进而实现对遥感图像纹理目标的识别。首先将图像的灰度概率密度函数看作统计流形上的点,用所得到的图像统计流形模型来描述图像的纹理上下文特征;然后使用Fisher信息距离来度量流形上点之间的相似度,并利用匈牙利算法来匹配纹理上下文特征;最后通过计算匹配距离来实现不同图像目标的相似性度量。实验表明,与经典的灰度共生矩阵、局部二值模式和统计流形算法相比,对于具有纹理特征的遥感图像,该方法具有更高的识别率且具有普适性和稳健性。     

基于灰度分布模型的声呐图像目标检测算法

针对声呐图像目标检测问题,提出了一种基于声呐灰度图像像素点的灰度分布模型的目标检测快速算法。该算法利用图像中各像素点处滑动窗内像素点的灰度分布模型的参数和拟合误差为特征量,构造声呐图像的特征图,并采用自适应阈值算法进行目标特征区域检测处理。最后将该算法的检测结果同分形特征以及扩展分形特征检测结果进行了比较分析。仿真结果表明该算法具有实时性好、准确度高的特点,并且可有效地克服背景中演示等自然景物的影响,实现人造目标的准确提取。     

Fast interactive segmentation algorithm of image sequences based on relative fuzzy connectedness

1.INTRODUCTION Imagesegmentationistoseparatetheobjectofinter estfrombackground.Itistheimportantfoundation ofhigher levelimageanalysis,anditremainsanopen problem.Sofar,variousalgorithmshavebeenpro posed.However,mostofthealgorithmscanonly dealwithspecifickindsofimages.Theseavailableal gorithmscanbeclassifiedintothreegroupsaccording tothesegmentationstyle,automaticsegmentation,manualsegmentation,andinteractivesegmenta tion[1～5].Theautomaticsegmentationmethods,suchas algorithmsbasedonthegra…     

基于形状描述直方图的声呐图像目标识别算法

针对水下声呐图像目标检测与识别问题,在图像规格化条件下,定义了几种不同的形状描述子,并统计计算描述子直方图,定义了几种不同的直方图匹配测度函数用以计算直方图间的相似性。分析了算法中关键参数的选取问题。仿真结果表明,基于该算法的识别率可达到98%以上,具有较强的不变性和鲁棒性。通过进一步信息融合算法可快速准确地实现水下声呐图像目标识别,具有较强的应用价值。     

基于动态局部颜色直方图的图像检索

利用了Mean shift聚类方法对图像进行不规则的划分,在此基础上定义了一种动态局部直方图,设计了一个能同时表征图像颜色和位置信息的统计量,并且给出了计算图像相似度的方法.该算法既改进了以往局部直方图利用图像位置信息的检索方法的不足,而且保留了全局直方图方法具有的旋转不变性和缩放不变性.实验结果表明,在准确引入了图像的空间位置信息后,较大的提高了图像检索的精度,检索结果中不再出现和示例图像颜色成分相似而空间分布不同的图像,实验结果较好的验证了算法的有效性和稳健性.     

形状描述法在图像检索中的应用综述

基于内容的图像检索是根据用户提供的参考图像,自动从图像数据库中搜索相似图像的一门新技术。形状作为图像的核心内容之一,结合图像理解领域的形状描述技术,已经派生出许多基于形状的图像检索算法。与现有的轮廓/区域分类准则不同,从描述形状的不同特征入手,针对图像检索技术研究中最新提出的形状表示算法首先作一个分类。然后根据MPEG-7准则,对各类形状描述方法的整体性能给出比较。最后结合基于图像内容的检索技术的发展现状和趋势,给出形状表示方法的综合评述和发展方向。     

一种基于神经网络的红外目标识别方法

文中介绍了一种基于神经网络的目标识别方法。该方法利用径向基函数（ＲＢＦ）神经网络，结合目标边界的形状特征，对平移、旋转及尺度变化情况下的目标进行了分类识别。实验结果表明，这种识别方法性能稳定，且具有很高的识别精度。     

基于区域Bhattacharyya相似度的SAR图像地物分类方法

传统的基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像地物分类方法难以有效区分起伏变化大的地物。针对该问题,提出了一种基于区域Bhattacharyya相似度的SAR图像地物分类方法。方法首先利用适当的图像分割技术获取均匀的SAR图像区域。接着定义Bhattacharyya相似度来描述区域之间的统计相似程度,并推导了其对应Gamma分布的解析表达式。最后,以图像区域为分类单元,基于最大区域Bhattacharyya相似度准则实现SAR图像地物分类。利用实测SAR图像的地物分类结果表明,该方法性能优于经典的基于像素的最大似然分类方法和支持矢量机方法,且优于基于区域的最小距离法。     

基于热核特征的SAR图像地物识别方法

采用了一种空间敏感度特征包(spatially sensitive bags of feature, SS BOF)来实现合成孔径雷达（synthetic aperture radar,SAR）图像的地物识别。首先采用推广的核模糊C 均值方法分割SAR图像,提取SAR图像目标图形;采用Harris角点检测子提取角点,接着对目标图形进行Delaunay三角剖分;采用cotangent weight方法对三角剖分图赋值,进而求得离散化Laplace Beltrami算子的特征值、特征向量,并计算SS BOF,进而对地物目标进行识别,其识别方法采用比L1相似准则效果更好的相关系数法;最后与热核迹等热核不变量特征以及Hu不变矩特征进行对比。实验表明：空间敏感度热核特征的识别率高于热核不变量的识别率,并与经典的Hu不变矩特征比较,识别率有所提高。     

基于序列图像匹配的车载自主测速方法

针对常见车速测量方法存在测速准确性较低、自主性较差和灵活性不足等问题,建立了车载自主测速模型,将车辆的测速问题转化为序列图像的匹配问题;结合车辆运行状态的约束条件和序列图像的成像特点,依次从特征提取、相似性度量、搜索空间和搜索策略等4个方面对序列图像匹配方法进行分析,并设计序列图像匹配算法。仿真结果表明,采用基于二值图像的匹配方法和采用平均绝对误差作为相似性度量函数,保证了较低的运算复杂度,提高了运算效率;提出的图像匹配算法具有较高的匹配精度和匹配速度。最后通过载车试验验证了所提方法的整体有效性和可靠性。     

基于超分辨ISAR成像的空中目标自动识别

利用最大熵谱估计的方法对四种飞机目标数据进行外推处理,并在此基础上进行逆合成孔径(IS-AR)成像。在获得较高分辨率ISAR图像的基础上,采用ISAR图像的三个特征:基于几何矩的不变量、形状特征、量化能量带等组成特征向量。并对该特征向量进行对数归一化,将归一化的特征向量作为径向基函数(RBF)神经网络的输入,在此基础上进行识别,达到较好的识别效果。     

基于主动形变模型的医学序列图像的分割

对主动形变模型(active shape model)方法进行了改进,将其用于CT序列图像的分割,实现了对一些边缘不清晰的软组织的分割。一个组织在CT序列图像中其形状变化往往是连续的,据此,我们先在序列图像中按顺序每间隔几幅抽取一幅图像,用其他方法分割好;然后对分割结果使用主成分分析方法(Principle Component Analysis)计算其形变特征,生成可变形轮廓模板;再用这个模板去变形、配准、分割其他图像,从而达到一个比较理想的分割结果。     

基于模糊决策的快速星图识别

空间碎片问题日益严重, 需要对其进行常态化监测。光学观测作为重要的监测手段, 需要依靠快速的光学图像处理技术, 采用天文定位方法得到空间碎片的赤经-赤纬测量信息。星图识别是天文定位的关键步骤, 直接影响着图像处理的速度和结果精度。本文提出了一种改进的基于模糊决策的快速星图识别方法, 在保持快速处理的情况下提高了星表匹配的准确性。利用新疆南山站25 cm望远镜的图像对该方法进行了测试, 取得了良好的效果, 证明了算法的有效性和稳定性。     

基于主元分析和稀疏表示的SAR图像目标识别

现有的合成孔径雷达图像目标识别方法通常包括图像预处理、特征提取和识别算法3部分。但是,预处理算法的自适应性很难得到保证。提出了一种基于主元分析和稀疏表示的目标识别算法。首先,阐述了稀疏表示和重构的基本理论;其次,提出了基于主元分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类合成孔径雷达目标图像进行仿真。结果表明,在没有预处理的情况下,该算法仍能有效地识别目标,与主元分析和三阶近邻的识别算法相比,具有较高的识别率和鲁棒性。     

一种基于复杂地物背景图像的目标识别方法

为解决复杂地物背景目标识别问题,提出一种基于复杂自然场景图像的目标识别方法。首先,进行多视点多尺度目标动态特征描述和目标轮廓特性视图制备;然后,采用灰度级顶帽形态学重构运算对输入图像进行处理,对处理后的图像进行分割,获得感兴趣区;最后,通过感兴趣区轮廓提取和基于Hausdorff距离匹配识别目标。实验结果表明,提出的方法能有效地从复杂自然场景中识别出目标。     

基于神经网络的形状识别系统及优化

Ｈｏｕｇｈ变换用于形状识别、神经网络用于分类都不是新课题，而我们将这两种方法结合起来，用神经网络实现 Ｈｏｕｇｈ变换并进行特征提取，所提取的特征矢量不受待识别体的大小和位置的影响，且所提特征为一维矢量。对于所构成的神经网络形状识别系统，采用ＢＰ算法进行初１练，优化系统参数。文中最后得出令人满意的实验结果。     

Image completion algorithm based on texture synthesis

A new algorithm is proposed for completing the missing parts caused by the removal of foreground or background elements from an image of natural scenery in a visually plausible way. The major contributions of the proposed algorithm are: (1) for most natural images, there is a strong orientation of texture or color distribution. So a method is introduced to compute the main direction of the texture and complete the image by limiting the search to one direction to carry out image completion quite fast; (2) there exists a synthesis ordering for image completion. The searching order of the patches is defined to ensure the regions with more known information and the structures should be completed before filling in other regions; (3) to improve the visual effect of texture synthesis, an adaptive scheme is presented to determine the size of the template window for capturing the features of various scales. A number of examples are given to demonstrate the effectiveness of the proposed algorithm.     

基于多尺度特征的高分辨率SAR图像机动目标识别

针对客观世界本身的多尺度特性及多尺度分析方法的有效性,提出了能够体现目标宏观和微观固有多尺度信息的SAR图像目标识别方法。该方法通过引入目标先验信息分割出反映目标形状的区域;并根据SAR图像目标对Gabor滤波器组的不同响应,利用多尺度信息及尺度间的相依性提取新的多尺度特征;最后按照方位信息建立多尺度特征库用以指导目标识别。通过MSTAR的实测SAR目标数据集进行了多尺度特征建立和目标识别测试,试验结果表明了该方法的有效性。     

一种基于视频图像的挖掘机工作状态识别方法

为了实现违法用地现象的实时监测,对土地间的挖掘机等施工机械的工作状态识别是非常重要的.实际场景下,因随机噪声和光照变化的影响,给挖掘机工作状态识别带来极大的挑战.本文提出一种基于视频图像的挖掘机工作状态识别方法,首先,对同一品牌挖掘机工作装置的各种姿态建立混合local binary features (LBF)形状回归模型并进行离线训练;其次,利用上述模型预测输入视频帧中挖掘机工作装置的形状信息,构建挖掘机的工作状态特征描述子;最后,利用support vector machine (SVM)分类器自动判别挖掘机的工作状态—-工作状态或非工作状态.实验结果表明,该方法很好地克服了多姿态导致形状变化的影响,对挖掘机工作状态识别准确率达到了93.53%.     

基于DCNN的弹道中段目标HRRP图像识别

针对弹道中段目标识别问题,现有的基于高分辨距离像(high resolution range profile, HRRP)的识别方法直接提取一维HRRP(1-dimension HRRP, 1D-HRRP)的整体特征,对局部特征提取能力较弱,且由1D-HRRP数据提取的特征的表达能力有限,为此提出了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的弹道中段目标HRRP图像识别方法。首先,将1D-HRRP转化为0-1二值图像,从而把数值变化特征转化为图像结构特征;然后,构建DCNN逐层提取图像的局部特征和共性特征并进行识别;最后,结合Dropout和L2正则化双重机制缓解DCNN过拟合问题,利用AdaBound算法提高DCNN训练收敛速度和识别正确率。实验结果表明,所提出的基于HRRP图像的弹道中段目标识别方法比其他12种基于1D-HRRP或二维HRRP(2-dimension HRRP, 2D-HRRP)的识别方法正确率更高,在测试数据集上达到了96.28%,实验结果验证了该方法的有效性。