基于Shearlet变换的单波段遥感图像拼接技术研究

为了实现遥感图像的拼接,利用加速鲁棒性特征(speeded up robust features,SURF)算法来提取特征点进行粗匹配,并采用RANSAC算法减少特征点的误匹配,再估计出图像间的投影矩阵,特别是在进行图像融合过程中,提出采用能够充分地反应图像细节信息的Shearlet算法,并利用客观评价准则和基于小波变换得到的融合图像进行比较。实验证明,提出的算法充分利用了单波段遥感图像的全局信息,得到的拼接图像细节信息更加丰富,能够准确地实现遥感图像的拼接。     

基于改进ORB算法的无人机遥感图像拼接技术

针对ORB算法尺度不变性较差,运行速度较慢,不适合应用于无人机遥感图像上的特点,提出了一种改进的ORB无人机遥感图像拼接算法。首先利用ORB特征中FAST特征检测算法对Shi-Tomasi算法进行加速,获取快速且准确的图像特征点,然后用ORB描述算法对特征点进行特征描述,在对特征点进行粗匹配和精匹配后,最后使用改进过的SPHP算法融合图像。实验结果表明,这种改进的ORB算法有着更高的匹配精度和匹配速率,能够生成更好的拼接结果。     

基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

采用仿射迭代最近点的晶圆分割方法

针对依赖硬件设施的晶圆分割方法存在生产成本高、工艺复杂且分割效果不稳定的问题,提出以仿射迭代最近点(ICP)算法为核心的基于图像形状配准思想的晶圆分割方法。该方法采用Canny算子提取图像边缘,建立晶圆模板图像与目标图像的特征点集;对目标图像的边缘图像进行基于Hough的直线检测,得到粗略的晶圆矩形边框信息;以矩形左上角的点坐标作为匹配搜索区域的初始值进行基于仿射ICP算法的精确配准,通过晶圆产品图像与模板图像的特征匹配,实现晶圆的快速、准确分割。理论分析及实验结果表明:该方法计算复杂度较低,单独样本分割时间约为0.9s,样本分割精度明显高于其他算法,满足自动化生产线的实时在线检测需求。     

使用特征点定位的纹理优化

提出一种纹理优化算法,以加速纹理合成和确保输出图像结构的正确.在预处理阶段,分析纹理样图中特征点的全局分布,并计算样图结构坐标.在优化阶段,像素邻域匹配之前通过结构坐标匹配排除会导致图像结构错误的匹配位置,避免不必要的匹配计算并确保图像结构的正确;使用低能量的初始值及结构坐标动态调整加速迭代过程的收敛.实验证明,该算法提升了图像质量并加速了合成过程,加速比随纹理随机度的不同而不同,对大多数结构性纹理,至少达到两个数量级.     

一种优化的多源遥感影像高精度配准方法

探讨了一种优化的多源遥感影像的高精度配准算法.利用梯度算子结合Forstner算子快速提取特征点,同时采用基于熵的格网技术控制特征点的分布均匀度,在少量准确控制点的基础上以不变矩相似度量为匹配准则,采用整体松弛法匹配策略快速配准得到同名点,并利用二次多项式模型来剔除误配准点.结果表明,该方法配准速度快,得到的同名点精度高,分布均匀,可以满足遥感影像的融合与快速更新等后续处理的要求.     

一种自适应阈值的遥感影像角点检测算法

本文提出一种自适应阚值的遥感影像角点检测算法：采用8邻域点的扩展邻域计算灰度梯度;采用灰度梯度的概率分布函数确定自适应阚值;确定最大梯度方向,采用边缘方向追踪,结合自适应阚值判别角点。选取ASTER、TM、SPOT三种中高分辨率遥感图像数据,对算法进行试验。试验结果表明,该算法可以准确地提取有价值的特征角点,能有效抑制噪声点,针对不同数据具有很好的适应性,有较强的应用价值     

一种基于粒子群的模糊聚类图像分割算法

针对图像分割特征具有交叉重叠现象、其类属的划分存在不确定性的分割问题,模糊聚类分割算法具有较强的优势,但其速度慢且容易陷入局部最优以及对初始值的设置敏感等问题.根据粒子群优化算法具有全局寻优能力,同时还具有较强的局部寻优能力,能更快收敛于最优解的特点,提出了一种基于粒子群的模糊聚类分割算法.实验证明,该算法相比传统的模糊聚类分割算法,具有更快的收敛速度和更高的分割精度.     

融合边缘检测的 3D 点云语义分割方法研究

针对点云分割中分割目标不明确,边缘不清晰,全局特征与边缘特征未能有效融合等问题,提出 了一种融合边缘检测的 3D 点云语义分割算法。 首先,通过 3D 点云语义分割网络对点云数据进行初步提取 区域内的全局语义特征;然后,采用引入了注意力机制的语义边缘检测网络,能够更好地对点云数据中的物 体进行特征提取增强,抑制非边缘信息的产生,得到了具有丰富的语义信息的边缘特征;最后,通过融合模块 将属于同一物体的语义特征融合起来进行分割细化处理,使得分割目标更精确;此外,使用了双重语义损失 函数,使网络产生具有更好边界的语义分割结果。 通过搭建实验平台和使用 S3DIS 标准数据集进行测试,改 进后的算法在数据集上的平均交互比为 70. 21%,在精度上较 KPConv 语义分割算法有所提高。 实验结果表 明:该算法能够有效改善物体边界分割不清晰、边缘信息模糊等问题,总体分割性能良好。     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

一种改进的多光谱遥感图像超像素分割算法

针对简单线性迭代聚类算法在多光谱遥感图像超像素分割中存在的未充分利用图像特征信息及超像素尺寸、 数量固定导致分割精度较低的问题, 提出将流形 简单线性迭代聚类算法引入到遥感图像超像素分割任务中, 并对其进行改进. 首先, 给出一种基于彩色局部二进制模式改进的多光谱遥感图像纹理特征提取方法; 其次, 扩展流形 简单线性迭代聚类算法的光谱空间, 使算法可以适应高维图像数据; 最后, 改进流形 简单线性迭代聚类算法的聚类距离度量, 融合图像的多段光谱特征、 空间特征及纹理特征对像素进行迭代聚类, 实现内容敏感超像素分割. 实验结果表明, 与现有方法相比, 该算法对多光谱遥感图像的超像素分割结果更准确, 在边缘召回率、 欠分割误差、 可达细分精度指标上均有提升, 能改善多光谱遥感图像分割预处理方法中精度较低的问题.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

基于Mean-Shift聚类的交互式图像分割

提出了一种基于Mean-shift聚类的交互式图像分割算法。首先利用Mean-shift聚类算法初步分割图像,然后用户只需简单地输入交互信息,大致标识出部分对象点和背景点,再根据区域间的最大相似性准则合并区域,分割出感兴趣区域。实验表明,此算法简单有效,能准确地从复杂背景中提取对象轮廓。     

形态梯度重构的标记分水岭高光谱影像分割

传统分水岭算法通常对梯度图像做无标记分割,其结果是容易造成过度分割。为了克服过分割的缺陷,进而应用于复杂的高光谱遥感图像分割,结合形态学预处理方法,在对图像实施平滑处理的同时,利用形态学开闭重构技术对梯度图像进行重建,在此基础上对高光谱遥感梯度重建图像进行标记分水岭分割。实验证明,这种处理技术对高光谱遥感图像的分割效果良好,能够满足高光谱遥感图像分类与信息提取的需要。     

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。     

基于自动多种子区域生长的遥感影像面向对象分割方法

在遥感影像分割分类中,种子区域生长算法是一种常见的分割算法.传统的种子区域生长算法只能提取单一连续的、纹理简单的目标地物,而对具有复杂纹理和多光谱特征的遥感影像,分割时存在分割效果差、不能同时有效地提取多个地物的问题.针对以上问题,本文提出了一种改进的面向对象的自动多种子区域生长算法.该方法适用于同时提取多个目标地物,且分割效果好.该方法首先使用一种改进的中值滤波对影像进行平滑处理,使目标内部一致性更高,同时保留纹理信息.然后通过一定的准则进行自动种子选取并进行生长,最后对生长后的区域进行碎斑合并处理,最终得到多种对象的分割结果.本文采用三组不同大小的1m空间分辨率的航空影像进行实验,通过与分水岭以及传统单种子区域生长算法的多组实验对比,发现该方法可以面向全局对象,自动选取覆盖各种地物类型的种子,同时对多种地物目标进行分割处理,可为后续面向对象影像分析和应用提供可靠的数据基础.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.     

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.