基于GF-1影像的城市高大地物的阴影检测方法

对阴影信息的研究是高分辨率遥感影像研究的重要问题,但是,在高分辨率遥感影像中,水体、暗色植被和偏蓝色地物会影响阴影检测精度,基于HSV色彩空间与主成分变换法,文中提出了一种检测阴影的阴影指数PSI。选择两个试验区,采用主成分变换法与PSI进行阴影区域检测并对检测结果进行比较分析,结果表明,在没有深色地物的情况下,PSI能够有效的区分阴影区域与水体、暗色植被和偏蓝色地物。在有人工草坪的情况下,PSI能够有效的区分人工草坪与阴影区域。在有深色地物的情况下,对HSV色彩空间中的V分量利用直方图阈值法对阴影区域进行检测,分离后的阴影区域中不包含深色地物,对PSI指数检测阴影的结果与V分量检测的阴影结果进行逻辑与运算,得到目标阴影区域;最后对阴影提取结果进行小区域去除和形态学滤波等后处理。实验结果表明,该方法针对GF-1影像具有良好的适用性,能精确并且快速地检测出阴影区域。     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于卫星遥感影像的土地分类实验方法研究

为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015 年9 月20 日高分二号( GF-2) 卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机( SVM: Support Vector Machine) 分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。     

LiDAR与航空影像的融合分类与精度分析

为了弥补单一数据源在地物分类时的不足,提出将机载激光扫描(LiDAR)数据与航空影像融合进行地物分类的思想,实现基于面向对象和单像元的复杂城区多级地物分类.将真彩色航空影像与机载激光扫描距离影像融合,采用光谱特征和空间特征将影像分割成若干同质区域;利用多源数据产生的各种信息建立分类规则并实现基于面向对象的地物分类,将植被信息和高差信息与分类结果叠加,实现基于单像元的分类结果纠正,然后再以对象内包含的建筑物直线段数量为约束条件对分类结果中的建筑物进行三级精化分类.实验表明该方法能够有效地自动分离建筑物、树木、草地和道路,其中建筑物的制图精度和用户精度分别是92.53%和95.79%,整个区域的分类精度为89.62%,该方法在复杂城区可行有效.     

基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测

当前人工调查土地资源利用情况具有较高的人力成本且劳动强度大,对其实现自动变化检测具有较高的理论和应用价值。将深度置信网络(deep belief network,DBN)应用于高分辨率遥感影像的建筑物变化检测,但DBN在变化检测时存在由误判现象造成的建筑物完整度欠缺、空间存在噪声等问题,提出DBN与数学形态学融合模型对高分辨率遥感影像建筑物进行变化检测。在遥感影像预处理基础上,标记少量明显的变化与未变化样本,利用搜索窗口从标记的区域获取大量带有标签的样本训练融合模型分类器对建筑物进行变化检测,检测方法准确率为94.76%,召回率为87.63%,F_1为91.06%。实验结果表明,该方法可以为建筑物的变化检测提供有效依据。     

一种高分辨率多光谱图像的多尺度分割方法

综合扩展的分水岭变换和分水线动态范围,提出了适用于高分辨率多光谱图像的多尺度分割方法。该方法首先计算多光谱图像的梯度,接着去除梯度图像上不相关的局部最小区域,然后计算分水岭的动态范围,通过设置不同的阈值,得到多层次(多尺度)分割结果。采用城市地区的高分辨率数据来评价所提出的方法,并与现有的图像分割方法进行比较。实验结果表明,该方法可生成多层次的分割结果,并较准确地分割出地物特征。分割结果反映了地物的多层次信息,为后续的面向对象分析提供了有意义的参考。     

融合卷积神经网络与Adaboost算法的病害松树识别

针对无人机平台获取的高分辨率可见光松树图像,提出一种结合深度卷积神经网络和Adaboost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题.首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土及黑影等复杂信息剔除掉,提取病害松树、健康松树及黑影区域的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用Adaboost分类器进行目标识别.实验结果表明,该方法相较传统的K-means聚类、支持向量机、Adaboost算法、BP神经网络、VGG(visual geometry group)算法等在识别精确度方面有显著提高.     

一种高分辨率多光谱图像的多尺度分割方法

综合扩展的分水岭变换和分水线动态范围,提出了适用于高分辨率多光谱图像的多尺度分割方法。该方法首先计算多光谱图像的梯度,接着去除梯度图像上不相关的局部最小区域,然后计算分水岭的动态范围,通过设置不同的阈值,得到多层次（多尺度）分割结果。采用城市地区的高分辨率数据来评价所提出的方法,并与现有的图像分割方法进行比较。实验结果表明,该方法可生成多层次的分割结果,并较准确地分割出地物特征。分割结果反映了地物的多层次信息,为后续的面向对象分析提供了有意义的参考。     

基于超体素的LiDAR点云粘连目标分割算法

针对点云地物分割结果中存在的粘连现象,结合三维点云的空间分布和颜色信息,引入过分割方法将点云集划分为超体素,并构建加权图模型。在此基础上,利用归一化分割方法实现点云粘连区域的目标分割。针对树木、建筑物的实验结果表明,该方法对树木之间、树木与建筑物之间的粘连具有良好的分类效果。     

基于遥感影像的重要地物的变化检测和标注

破坏性灾害会造成巨大危害和损失,灾后一定时间内由于信息匮乏,使得对了解灾情和救灾都极为不利。为了及时获取灾区建筑物、道路、桥梁、水库等重要地物的倒塌和毁坏信息,本文给出了一种可自动识别和标注灾害前后遥感图像差异区域的方法。首先对时序遥感影像通过BM3D方法去除高斯噪声,然后利用SIFT方法进行图像配准,通过对差分图像采用Wv_Canny边缘检测方法获得差异区域重要地物的边缘信息,最后识别并标注出发生变化的重要地物,真实遥感图像实验结果按建筑物变化面积比较,正确率78~79%,误检率21~22%,无漏检率。仿真试验和实际遥感影像处理表明：本文方法可有效识别和标注建筑物等重要地物的差异区,有利于灾后破坏性地物的及时了解和救助工作。     

彩色航空影像中的建筑物阴影提取

在彩色航空影像中，建筑物阴影能提供大量关于建筑物形状、位置等相关信息。提出了一种基于特性的自动提取建筑物阴影的方法，以获取彩色航空影像中建筑物阴影的形状信息。利用可分离亮度和色调的颜色模型（包括HSV、YIQ、YCbCr颜色模型）提取彩色航空影像中的建筑物阴影，并利用数学形态学处理阴影分割图像。试验结果表明该方法是行之有效的。     

基于边缘检测的溢水标记分水岭算法

针对已有标记分水岭算法存在的过分割问题,提出一种基于边缘检测的溢水标记分水岭算法。首先,对遥感影像进行相位一致边缘检测,获取边缘信息。然后,基于获取的边缘信息进行区域增长,检测对象区域的微弱边界,并改善对象边界的位置精度。最后,利用提出的溢水模型生成新标记继续增长,直到得到最终分割结果。在卫星影像和航空影像数据集上的实验结果表明,所提出的算法有效地抑制了过分割现象,能够准确的提取对象区域。     

彩色淋巴结细胞显微图像预处理算法研究

传统的预处理方法,在对于血液图像这样简单的医学图像的分析中得到了广泛的应用,并取得了较为理想的效果.但该方法对于淋巴结这样有着复杂背景的显微图像处理效果并不理想.综合运用彩色图像处理和数学形态学等知识,并采用基于彩色图像分割的背景剪除、基于区域生长的边界清除、基于高斯函数的图像融合和基于数学形态学方法和双边滤波去除图像噪声等方法,取得了较好的预处理效果.     

计算机视觉系统的二步法颜色恒常性

理论研究表明 ,三色视觉系统在单视野条件下 ,三维颜色恒常性的计算问题只有在一些约束下才能解决。约束选择的合理与否和后续的任务密切相关。针对不同环境光照条件下的人体肤色分割的具体任务 ,提出了一个新的关于三色系统颜色恒常性问题的物理模型 :1 )将视觉系统所获得的原始信息分裂为亮度信息和颜色信息。 2 )将传统的颜色恒常性问题分解为基于亮度的亮度恒常性和基于颜色信息的颜色恒常性 ,并用二维描述子描述等亮度彩色图像中物理表面的颜色特征。该描述子具有颜色恒常的特性。基于颜色的图像分割实验结果表明 ,二步法颜色恒常性技术是一种非常有效的方法。     

一种基于简化PCNN的红外图像分割方法

提出一种基于简化脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的红外图像分割新方法.针对红外航拍图像所具有的噪声大、灰度范围较窄以及具有对比度反转现象等特征,从原始图像与分割图像的相似性出发,采用最大互相关匹配来确定PCNN的最优参数,最终完成图像分割.实验结果验证了该方法的有效性.     

基于颜色信息与区域生长的图像分割新算法

提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法B-JSEG.该算法是在彩色图像分割的JSEG算法和边缘检测中的方向算子的基础上实现的.根据已有算法的缺陷,利用新的参数描述纹理颜色信息,并通过区域增长和合并来获得最后的分割结果.由于在JSEG算法中加入了方向算子,同时考虑了区域的相似性和边界的非连续性,减少了过分割.大量图像的实验结果表明,所提出的算法具有很好的鲁棒性,比JSEG算法更符合人类的视觉感知.     

一种基于无人机影像的高精地图车道线检测与提取方法

高精度地图是实现自动驾驶技术必不可少的基础设施,车道线是高精度地图车道级路网的重要组成部分。以往高精度地图的车道线检测多基于车载摄像头数据,存在成像范围有限、需要透视变换和多次拼接造成的效率问题。基于无人机航拍影像,采用U-Net网络识别道路区域,过滤非道路区域噪声,通过HSL颜色变换和Sobel算子分别计算车道线颜色和边缘梯度特征,使用Otsu算法自动确定特征分割阈值获得二值化车道线特征图,通过局部最大值算法确定滑动窗口的初始位置,最后借助滑动窗口算法和多项式检测拟合车道线。实验结果表明,在保证一定检测精度的前提下,单条车道线检测长度超过了百米,道路检测效率达到25.2 m/s,对比于地面影像的检测算法具有明显的效率优势。     

灰关联空间中基于最大熵阈值的医学彩色图像分割算法

将灰关联理论引入彩色图像分割领域,提出一种在灰关联空间中面向医学彩色图像的最大熵阈值分割算法.通过对分辨系数和色彩影响因子的选取,避免了传统彩色图像分割中三维色彩信息的丢失现象,并使算法具备了一定的抗噪性能,分割的精度和实时性也获得了较大提高.实验结果证明了算法的有效性.     

基于核心密度估计的动态目标分割改进模型

数字视频中的动态目标分割是基于计算机视觉技术的分析、识别系统中关键的处理步骤,分割结果的正确率决定了后期分析或识别过程的质量.在数字视频中存在各种有害动态像素,它们会降低分割过程的正确率.动态目标的阴影是这些有害像素的一种,因为它们本身不属于动态目标形状信息的范畴,但分割过程却能很容易将它们作为有效的动态目标像素分割出来.最近有关动态目标分割的研究提出了基于核心密度估计模型的分割方法.基于RGB颜色空间的核心密度估计模型能够在彩色视频中抑制阴影,但是对于灰度视频这种模型是无法抑制阴影的.作者针对上述局限提出了一种基于像素边缘测量的核心密度估计模型,用于动态目标分割,能够在彩色和灰度视频中抑制阴影.实验结果证明,这种新模型在通常的应用条件下是有效的.