复杂背景下的遥感图像特征识别算法

摘要：针对复杂背景和可变光照下的静态彩色图像人脸检测,提出一种基于多目标优化和蚁群算法的遥感图像特征识别方法。首先将遥感图像特征选择转化成多目标优化问题,然后利用特征子集维数和识别率加权构造了目标函数,最后利用蚁群算法的全局寻优和正负反馈投机实现特征子集搜索,从而找到遥感图像中的最优特征子集,实现准确识别。仿真实验结果表明,算法能够很快的找到最优特征子集,消除无用和冗余特征,降低了特征维数,识别率高。     

基于多纹理特征和PCA的地基云图识别研究

地基云图自动分类识别对于天气现象的诊断和预报具有重要意义。以地基云图为研究目标,首先在提取云图灰度共生矩阵和Gabor变换特征的基础上计算云图的多纹理组合特征,然后采用主成分分析法对组合特征进行数据降维,获取最终鉴别特征。通过对积雨云,高积云和层积云三类地基云图进行分类识别的实验结果表明,该方法可以同时提高云图分类的精度和效率。     

SAR图像的特征提取与目标识别

针对已有的SAR图像自动目标识别方法效果不太好的问题，提出了SAR图像的自动目标识别三种方法，即采用灰度特征的目标识别，采用栅格特征的目标识别，和采用模版特征的目标识别.理论和实验表明，采用模版特征的目标识别效果比较好.     

基于卫星云图的DBSCAN聚类云团分类方法

针对云分类问题提出一种新的云团分类方法.该方法先利用风云二号静止气象卫星实时云图图像资料建立多种云和地表类型的样本库,提取分析已知样本的光谱特征和纹理特征;再使用中值滤波器对云图进行预处理,并采用具有噪声的基于密度的聚类算法对云区聚类;最后对聚类得到的云团光谱特征和纹理特征进行匹配,确定云团所属的云类别.实验结果表明,该方法以云团为单位进行划分,易实现云团分类自动化.     

地基云图识别的光照补偿算法

为研究地基云图云状识别中的光照补偿问题,针对可见光地基云图,提出了一种基于BEMD与Closed-Form景物提取算法相结合的地基云图光照补偿算法对云图进行预处理,经过去光照处理后的云图,再进行Hilbert谱特征提取,最后进行云类的识别。与基于L1的全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,又不至于去掉云图自身的信息,且与背景区别明显。试验结果表明,使用该方法与未进行处理的云图相比识别率提高4.17%~18.88%。     

基于PCA的指节纹图像全局特征提取与识别

在基于PCA( Principal Component Analysis) 的指节纹图像全局特征提取和识别中,为了提高准确率,在传统方法的基础上,通过实验验证了4 指指节纹对于识别结果有不同的分类权重( 贡献率) 。改进了已有研究成果中对4 指等权重分配的方法。实验结果显示,和4 指等权重分配方法达到94． 4%的识别率需要32 维特征相比,4 指权重比为2 ∶ 2 ∶ 3 ∶ 2 时,取21 维特征即可达到最高识别率94． 4%。因此该方法可大大降低特征维数,提高识别速度。     

汉字识别中图特征提取方法

为解决图像像素表示汉字特征方法不能有效表示汉字本质特征、空间复杂度较高的问题,提出了一种汉字图特征提取方法。方法主要包含汉字图像二值化,汉字图像骨架提取,汉字图特征提取3个部分;二值化消除图像中的噪声,提高图特征提取的准确度;骨架提取保留图像中重要的像素点,剔除无关的像素点;图特征提取将汉字关键点与图数据结构结合来表示汉字形状特征。在3 908个常用汉字的5种字体上进行实验。结果表明,该方法能够正确提取笔画复杂汉字的图特征,有效表示汉字本质特征;不同字体汉字图特征相同的汉字数量最高为3 195个,方法表现较稳定;平均每个汉字可以用22.6个图节点、19.1个边表示,相较于用单通道图像表示汉字特征,可大幅降低空间复杂度。     

印刷体蒙古文字识别中蒙古文字特征的选择

从文字识别的角度出发,依据印刷体蒙古文字的特点,选择笔划轮廓结构特征、笔划穿越特征、关键特征点、蒙古文构词法等作为蒙古文字的特征,并以这些特征来设计分类器.该分类器已经被成功地用于印刷体蒙古文字识别软件中,取得了较高的识别率,从而证明了选取这些特征是合理的、有效的.     

模式识别在遥感图像中的应用

模式识别技术在遥感图像中的应用日益受到重视并在许多方面得到了实际应用,本文阐述了模式识别在遥感图像应用中的基本原理,处理方法,并对这些方法提供了理论依据.     

遥感图像中机场跑道的检测

针对遥感图像中机场跑道区域比较狭长的特点,提出了一种新的检测遥感图像中机场跑道的方法.对原始图像的二值图像进行一系列数学形态学操作和逻辑运算,实现感兴趣区域的增强,以此为基础,借助Hough变换检测出跑道区域的中轴线.应用图形学中的Bresenham算法,对每务中轴线取平行线,得到机场跑道区域.通过对大量的图片进行测试表明,该方法可以较准确地检测出机场跑道.     

一种光学遥感图像海面舰船检测算法

为了在通用硬件平台上实现光学遥感图像海面舰船检测,提出一套适合实际系统应用的算法。首先,在海陆分割阶段设计能快速粗分图像内容的自适应双门限阈值分割方法;其次,根据海面舰船分布稀疏的特点对分块后的图像进行目标存在性初判;接着,只对初判为有目标的分块提取目标候选区域,提高了检测效率,其中引入杂波率系数自适应地控制Top-Hat算子中结构元素的尺寸,使其更好地抑制背景;最后,采用基于特征的模式识别方法剔除虚警。测试结果验证了算法的性能,并在硬件平台上进行了实现。     

基于目标匹配的遥感图像变化检测方法

针对传统的像素级遥感图像变化检测方法中检测精度严重依赖于图像配准、辐射校正和差异图像阈值选取的问题,提出了一种基于目标匹配的目标级遥感图像变化检测方法。该方法直接作用于2幅未经配准和辐射校正的不同时相遥感图像,利用目标的区域不变矩与目标之间的角度关系对目标进行匹配,将不能匹配的目标作为变化目标,利用匹配目标对2幅图进行配准,以同时实现图像的配准与变化检测,并用配准结果对变化检测结果进行修正。实验结果表明,该方法具有较好的定性检测性能。     

基于多分类学习的光学遥感图像舰船检测

针对光学遥感图像中舰船检测易受云层、波浪等因素干扰导致检测精度低的问题,提出了一种基于多分类学习的检测算法.首先利用多光谱图像提取舰船候选区并在对应的全色图像上截取切片,然后采用卷积神经网络自动提取特征并进行分类,最后利用旋转卡壳法求取目标的最小外接矩形进行精确定位.利用自建的数据集进行模型的训练、验证和测试,数据集包含2.375 6×10~4张图像,由于舰船目标类内差异大,将数据集精细地分为10种类别.目标类分为大船、中船、小船、多条船和尾迹5类,非目标类也分为波浪、黑色区域、陆地、海上密集带状物和云5类.实验结果表明:结合了多光谱信息的多分类学习可以有效提高检测率并降低虚警率,该方法在复杂海面背景下能精确地检测舰船目标,检测精度达到95.02%,虚警率低至5.24%;基本可以排除多种因素的干扰,鲁棒性较强.     

利用多特征融合的面向对象的高分辨率遥感影像变化检测

针对高分辨率遥感影像变化检测中的一些难点和传统基于像元的变化检测方法的局限性,提出了一种多特征融合的面向对象变化的检测方法。为保证图斑的空间位置对应,首先利用改进的图像分割算法对两幅影像进行联合分割,然后统计图斑的多种特征,依据该特征进行变化向量分析,得到图斑的变化和非变化类型。最后,利用Quick Bird影像验证了该算法的可行性,检测结果明显优于传统基于像素的检测方法。     

2m分辨率遥感影像地表覆盖分类误差研究

以贵州省镇远县焦溪镇为研究区,以资源3号(ZY-3)2m分辨率卫星影像为主要数据源,采用面向对象分类技术提取研究区地表覆盖信息,将提取结果与普莱亚(Pleiades)影像,经目视解译并结合实地验证获取的高精度地表覆盖进行对比,分析ZY-3影像提取地表覆盖各类型的精度误差。研究结果表明:ZY-3影像相对于Pleiades数据提取平均总误差为1.56%,其中旱地和建设用地分类误差相对较大,精度误差分别是3.41%和3.08%。而水体分类误差最小,为0.70%,其余地类水田、乔木林、灌木林、草地、裸地提取误差则分别是1.28%、0.53%、0.86%、1.18%、1.47%。     

可见光遥感图像中舰船目标检测的多阶阈值分割方法

针对遥感图像中海洋复杂背景下的海上舰船目标检测,提出了基于自适应多阶阈值分割舰船目标检测方法.使用该方法对Spot,Quickbird,Ikonos,Landsat等不同卫星数据来源、不同分辨率、不同内容的12 704个样本进行了试验,成功检测了1 104个目标中的1 098个,检测率达到99.5%,同时虚警率保持在较低水平.实验证明,该方法对遥感图像中的海上舰船目标检测适应性强、检测率高、稳定性好.     

改进的Mean-Shift遥感影像分割方法

基于高斯核Mean-Shift(MS)算法因收敛速度慢难以满足遥感图像处理的实时应用要求,提出一种改进的MS算法应用于遥感图像分割.针对传统MS算法需多次人工试用来确定固定带宽的问题,给出几种类型遥感影像的空间带宽参考值,且不同波段影像用plug-in规则分别计算值域带宽.针对遥感影像数据量大、MS迭代计算时间长的不足,使用一些加速策略来加速收敛;由于采用MS算法检测出的模点数较多,采用基于全局模点融合来稳定遥感影像分割结果;可用于分割遥感影像的特征很多,模点检测时用灰度特征,全局模点融合时用纹理特征,这样充分利用了遥感影像多维特征且不降低计算速度.采用Quickbird影像进行分割试验,研究结果表明:本文算法自适应程度高,速度和精度也能满足应用要求,是一种稳健的自动分割方法.     

基于遥感影像分割单元的土地利用变化快速检测方法

针对土地利用变化动态监测的实际业务需求,提出一种土地利用变化快速检测方法,即基于同一区域土地利用现状图与高分辨率遥感影像进行叠加分析,通过土地利用现状图图斑边界对高分辨率遥感影像进行分割,并对分割单元的像素灰度值进行统计分析,以此判断图斑内对应的土地利用是否发生变化,从而提取影像发生变化区域范围。以某城市局部区域土地利用变化监测为例,通过对该区域2013年高精度遥感影像与2012年土地利用现状图叠加分析,对938个图斑进行土地利用变化检测,发现变化图斑12个。其中,8个为实际发生变化图斑,4个为错判,无漏判。实验结果表明:该方法能快速、有效地实现土地利用变化信息的检测和提取,并适用于识别提取新增建设用地占用农林用地的情况。     

基于区域生长算法的彩色遥感图像分割

与普通彩色图像相比,遥感图像一般具有模糊、不均匀性等特点.提出了一种针对遥感图像的多区域彩色图像分割方法,该方法首先对彩色遥感图像进行预处理,然后结合K-mean聚类算法和区域生长算法分割目标区域,并利用数学形态学方法对分割结果进行后处理.实验结果表明,本文所提出的方法对彩色遥感图像能获得较好的分割效果.