基于对偶树复小波变换的遥感图像薄云去除

在卫星传感器获得的遥感图像中,由于受气候影响,图像可能存在被云雾噪声覆盖的区域.提出一种基于对偶树复小波变换的薄云去除方法,利用该变换将含云遥感图像分解成高频和低频成分,通过对高频补偿和低频抑制处理,有效去除遥感图像中的薄云,恢复云覆盖区域的地物信息.实验结果表明,该方法优于常用的薄云去除方法,在去除薄云的同时能有效恢复云覆盖下的地物信息,此效果源于对偶树复小波变换具有的近似平移不变性和良好的方向选择性.     

分块噪声自适应高光谱图像去噪算法研究

高光谱图像在获取过程中容易产生噪音,从而影响了地物空间信息的识别。噪声去除是高光谱图像处理十分必要的步骤。结合低秩矩阵分解理论,在传统奇异值阈值方法的基础上提出基于分块的噪声自适应遥感去噪方法。实验结果证明,该方法运算速度快,并能够有效去除缺失值造成的死线噪声以及高斯噪声,在平均峰值信噪比(MPSNR)和平均结构相似性(MSSIM)上优于Godec算法。     

低秩与字典表达分解的浓雾霾场景图像去雾算法

针对现有图像去雾算法对浓雾霾场景图像去雾效果不理想的问题,提出了一种低秩与字典表达分解的浓雾霾场景图像去雾算法。首先,根据大气散射物理模型与浓雾霾场景图像中"雾"的全局低秩特性,将退化图像看作低秩"雾"图与相对低秩无雾清晰图像的叠加;其次,将"雾"图表示为字典矩阵与表达矩阵的乘积,从而通过低秩与字典表达分解模型分解出"雾"图;再次,利用双三次插值将分解得到的局部"雾"图推广到全局;最后通过减去"雾"图恢复出无雾的清晰图像。实验结果表明:与现有主流图像去雾算法相比,该算法对浓雾霾场景图像的去雾效果更优,对194幅真实浓雾霾场景图像去雾后,图像平均可见边缘比到达了21.315,平均可见边缘质量因子达到了4.540,图像细节信息得到了较好的恢复。     

基于低秩矩阵分解和稀疏表达的人脸识别方法

为了提高稀疏表达在人脸识别过程中的精度,对采集到的人脸图像进行低秩矩阵分解,得到低秩矩阵和稀疏矩阵.通过去除稀疏矩阵,得要一个高度相关性的低秩矩阵样本,对样本稀疏表达后进行人脸识别.与传统的基于稀疏表达的人脸识别方法相比,该方法在识别精度上得到一定程度的提高,并在Yale和ORL人脸数据库的实验验证中取得了较好的识别效果.     

低秩表示和字典学习的红外与可见光图像融合算法

针对目前红外与可见光融合算法在保留可见光图像中的背景信息时无法同时有效地提取红外图像信息,提出了一种基于低秩表示和字典学习的红外与可见光的图像融合算法.首先,采用低秩表示对红外图像和可见光图像进行分解,分别获得源图像的低秩和稀疏成分,其中稀疏成分可以很好地表示源图像的边缘细节特征.其次,用OMP算法的字典学习方法和稀疏系数的最大范数规则,而最大范数规则在对图像背景恢复的同时能够提取目标信息.再次,对分解得到的2个分量进行融合.最后,利用融合稀疏系数和自适应字典重建融合图像.实验结果表明,本融合算法可以突出红外对象信息,同时能够保留可见光图像中的背景信息,达到良好的视觉效果.     

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。     

面向像素级的遥感图像云分割算法

云遮挡对于非气象类遥感卫星的效能发挥具有重要影响,会导致卫星拍摄的遥感图像中无法显示有价值的地面信息,同时,大量无价值的数据下传还会极大的浪费卫星有限的数传资源。针对上述情况,结合星上在轨应用的相关要求,提出了一种基于低秩及稀疏约束制图的图像分割算法,将局部云纹理分布特征与低秩稀疏关联制图约束相结合。最后,通过对不同算法、不同地区、不同云覆盖程度的遥感图像块中的云区域进行分割实验与对比分析,结果表明算法可以在纹理特征空间中,有效捕获不同厚度云纹理的局部及全局结构化差异分布,从而产生更理想的云分割结果。而且在云分布更复杂的遥感图像中,还能有效分辨出厚云、薄云、无云3类像元,可为后续进一步对图像中云的处理提供支撑。     

文本性的盛宴：美国汉学现当代文学研究的亮点和拐点

由于传统焊缝区域检测算法难以准确提取模糊和对比度低的厚钢管焊缝区域,提出一种新的基于鲁棒PCA模型的焊缝区域检测算法,该算法能克服传统方法的不足,并能准确提取焊缝区域.首先,收集一序列X射线图像,并对其进行空域对齐及亮度归一化预处理.其次,计算得到系列图像的背景图像,并将背景图像与待测试X射线图像张成一个观测矩阵.最后,使用鲁棒PCA算法对观测矩阵进行低秩与稀疏分解,测试图像中的不均匀强度及噪声被消除,焊缝区域被凸显出来,通过全局阈值可将焊缝区域较好地分割出来.实验结果表明,该算法能较大地消除厚钢管X射线图像中噪声及不均匀强度分布带来的干扰、同时增强模糊的焊缝边缘及对比度低的区域,相比传统焊缝区域检测算法,具有更高的检测灵敏度(0.952)和精度(0.989),能更好地将模糊和对比度低的焊缝区域完整检测出来.     

基于低秩矩阵恢复的视频背景建模

针对传统背景建模存在的问题,文中基于低秩矩阵恢复原理,直接从视频序列中分离出前景物体和背景模型.已有低秩矩阵恢复算法的迭代计算过程中涉及大量的奇异值分解,而这些奇异值分解一般非常耗时且不够简洁,文中在非精确增广拉格朗日乘子法中引入线性时间奇异值分解算法,以得到更加有效的背景建模算法.基于实际视频序列实验,结果表明该改进算法具有更好的建模效果和较少的运算时间.     

厚钢管X射线图像中焊缝区域的检测

由于传统焊缝区域检测算法难以准确提取模糊和对比度低的厚钢管焊缝区域,提出一种新的基于鲁棒PCA模型的焊缝区域检测算法,该算法能克服传统方法的不足,并能准确提取焊缝区域.首先,收集一序列X射线图像,并对其进行空域对齐及亮度归一化预处理.其次,计算得到系列图像的背景图像,并将背景图像与待测试X射线图像张成一个观测矩阵.最后,使用鲁棒PCA算法对观测矩阵进行低秩与稀疏分解,测试图像中的不均匀强度及噪声被消除,焊缝区域被凸显出来,通过全局阈值可将焊缝区域较好地分割出来.实验结果表明,该算法能较大地消除厚钢管X射线图像中噪声及不均匀强度分布带来的干扰、同时增强模糊的焊缝边缘及对比度低的区域,相比传统焊缝区域检测算法,具有更高的检测灵敏度(0.952)和精度(0.989),能更好地将模糊和对比度低的焊缝区域完整检测出来.     

卫星微波遥感中云层的影响

本文在微波频率1—300GHz(波长1mm一30cm)范围内,卫星微波遥感以陆地和海洋为背景,分析8种典型的云层情况,衡量各因子的作用,进行分析讨论。为卫星微波遥感中消除云层污染及微波遥感云层特性提供了数据。     

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。     

基于局部均值和标准差的Curvelet变换遥感图像融合算法

为充分利用各种遥感图像的有用信息,在Curvelet变换的基础上,提出一种基于局部均值和标准差限定的遥感图像融合算法.通过Curvelet变换将同一场景下的高空间分辨率全色图像和低分辨率多光谱图像分解到不同尺度、不同方向的频带范围内,然后对低、高频系数分别采用最大值法和局部均值及标准差限定法的融合规则进行融合,最后进行Curvelet反变换得到融合图像.实验表明,基于该融合规则的Curvelet算法优于传统的遥感图像融合算法.     

支持向量机在云检测中的应用

针对地球观测系统/中分辨率成像光谱仪影像资料中的云检测工作,提出了基于支持向量机SVMs(support vector machines)的遥感影像分类方法.分析了云检测过程中的特征提取和选择,建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验.云检测结果中,云与陆地、水体、积雪准确地区分开来.结果表明,特征选择对云检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势.     

基于K-means算法分割遥感图像的阈值确定方法研究

当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。     

基于分形及纹理分析的城市遥感影像阴影去除

为有效去除城市遥感影像中阴影效应所产生的影响,实现阴影区域的自动检测及区域内景物重建,利用纹理分析的方法,通过计算共生矩阵及其相关指数来确定阴影区域,以实现阴影区域的自动检测;同时利用分形插值中的随机中点替代法对阴影区域内景物进行了复原,真实再现了阴影区域内的景物特征．对实际航空遥感影像的处理结果表明,该方法能有效实现遥感影像阴影区域的自动检测及区域内的景物重建．     

基于小波变换局部方差的遥感图像融合

为了充分利用各种感图像的信息，在分析以往图像融合方法优缺点的基础上提出了基于小波变换局部方差的融合方法，将各源图像进行小波分解，采用局部方差准则融合源图像的各分解层，再进行小波逆变换得到融合图像．利用信息熵等标准和其他融合方法进行比较，实验结果表明用此方法能得到更好的融合效果．     

TM影像解译中去除云层及其阴影方法研究

目的对TM（Thematic Mapper，专题制图仪）影像上的云层及其阴影进行处理以识别被覆盖的地物。方法在遥感图像处理软件ERDAS的支持下，综合运用该软件提供的多种图像处理方法，分别进行去除云层及其阴影试验。结果利用空间卷积运算、傅立叶变换、傅立叶图像编辑、傅立叶逆变换组合和缨帽变换的方法有效地去掉了试验区图像上的云层；利用去霾处理和主成分分析方法按一定顺序组合将有效地去除云层的阴影。结论该方法及其思想不仅可用于去除云层和阴影对遥感图像质量的影响，而且也可用于其他图像处理中，如影像的割补、分类后处理等。     

云环境下基于预分片的遥感数据并行重采样方法

面向海量高分辨率遥感影像数据快速发布需求,针对当前云环境下遥感影像数据并行重采样存在的难题,结合云平台MapReduce并行计算框架特性和遥感影像数据处理特点,提出了一种基于预分片的遥感影像数据并行重采样方法,通过预分片机制有效实现了该框架中对影像数据分片和并行重采样任务的控制,解决了MapReduce难以用于并行处理非结构化、具有空间位置特征的遥感影像数据的问题,从而实现了云环境下遥感影像数据的高效并行重采样.通过在开源云平台Hadoop上的实验和分析表明,该方法具有良好的重采样性能,能够实现高分辨率遥感影像数据的高效重采样.     

一种多传感器遥感图像的配准方法

提出了一种对多传感器遥感图像进行配准的新方法，应用数学形态学的方法提取源图像的结构特征，并在此基础上选择图像相关配准点，利用仿射变换作为变换模型，根据变换参数将输入图像与参数图像进行配准，实验结果表明，此算法可以有效地解决成像差异较大的遥感图像间的配准问题，具有较高的使用价值。