基于尺度空间的体数据边界不确定性可视化研究

数据可视化的数据预处理过程中会不可避免地导致数据的不确定性.以体数据中边界体元为研究对象,提出了基于多尺度空间的边界体元中多种物质的概率分布计算方法,并采用信息熵度量边界体元的不确定性,然后使用颜色渐变的方式将不确定性信息叠加绘制在表面模型上.实验表明,该方法能快速有效地计算和表示体数据中物质边界的不确定信息.     

序列全景图像的特征提取与匹配

为了提高SLAM系统特征提取和匹配的稳定性,文章提出了在全景展开图像的多尺度空间上提取特征的方法.该方法首先对全景图像进行基于虚拟柱面的展开和矫正,然后在此基础上为展开图像建立多尺度空间,最后在多尺度空间内通过Harris特征跟踪器来选择候选特征点,并用Laplace公式选择出在尺度空间范围内具有局部最大值的特征点.这些特征点具有尺度、旋转和光照不变性,并且在有限视角变化下也能保持稳定性.实验证明,这种方法比在未展开图像或展开图像的单尺度空间内提取特征更具稳定性.     

基于核密度估计尺度空间的目标跟踪算法

为能够准确表示目标颜色分布、适应目标尺寸连续变化,提出了一种新的序列图像目标跟踪算法。该算法首先计算目标区域颜色概率分布的核密度估计函数,然后通过规整化每一帧输入图像像素在此函数上的取值生成目标概率分布图。最后通过检测多尺度规范化Laplacian滤波的极值,实现目标的定位和尺寸描述。与基于直方图的算法比较并结合大量真实序列图像上的实验验证表明,该算法更好地描述了目标颜色特征,提高了跟踪算法的精度。     

城区机载激光雷达点云数据与航空影像的多尺度配准方法

提出了一种激光雷达(LiDAR)点云数据和航空影像的多尺度配准方法. 该方法采用渐进式的配准策略,利用面形态学的方法构建尺度空间. 配准过程分为两部分:在大尺度下利用面片特征进行配准;在小尺度下利用直线特征进行配准. 渐进式的配准策略简化搜索匹配的直线特征的过程,提高了自动化程度,构建基于面形态学的尺度空间提高了配准元的提取精度. 最后,通过实验验证了方法的可行性.      

基于SSHC的三维地形多分辨率建模(英文)

针对应急灾情态势显示系统数据量庞大与数据更新迅速而造成模型数据量大、计算时间久的问题,提出了一种多分辨率三维地形建模方法。目的是使地形模型本身既满足视觉逼真度,又可以降低调用模型所耗的计算时间。为此,采用构建三维模型的分层递阶模型(hierarchical model,HM)的方法进行多分辨率建模。将用于遥感地物识别的基于尺度空间的层次聚类算法(scale-space based hierarchical clusteringalgorithm,SSHC)引入HM的构造过程,依据HM设置三维模型的各组节点,并与基于多边形优化的多细节层次(levels of detail,LOD)建模技术相结合构建大场景的三维地形模型.实验证明该方法可以实现符合视觉原理的由宏观到微观显示的同时降低地形模型的计算量,满足应急灾情态势显示的需要.     

采用非线性尺度空间滤波和SIFT的遥感影像配准方法

针对传统点特征匹配算法存在运算时间长和配准精度低的问题,提出一种基于非线性尺度空间滤波和尺度不变特征转换(SIFT)点特征配准算法.首先,通过非线性尺度空间滤波对基准影像和待配准影像分别进行预处理,保留其边缘信息并去除噪声.其次,采用SIFT算法对预处理后的两幅影像进行特征点提取,通过最近邻和次近邻的欧式距离比值法进行双向匹配,得到匹配特征点.最后,对待配准影像进行仿射变换.结果表明:该方法的总体运行时间比传统SIFT点特征配准算法降低63.2%,且配准精度大幅提高.     

基于小波多分辨分析的再生核

再生核Hilbert空间是连续小波变换的基础，在小波多分辨分析理论的基础上，再生核理论和小波分析理论有着很深的联系，针对小波变换不同尺度下的尺度空间，存在一系列再生核，这些再生核具有一定的联系，特别是强一层空间的尺度核和弱一层空间的尺度核之间有相应的内积关系，同时不同小波空间的再生小波核也具有类似于尺度核的相关性。     

基于CSS角点提取的红外与可见光图像匹配算法

针对红外与可见光图像中特征点匹配的难题,提出了一种基于曲率尺度空间（curvature scale space,CSS)角点提取的特征点匹配算法。首先采用基于曲率尺度空间的角点检测算法进行特征点提取;其次利用三维二次函数剔除低对比度的特征点;然后以特征点所在曲线的法线作为主方向,避免了图像的旋转代价;再通过计算构建特征点邻域的梯度方向在［0,π)范围的分布直方图,计算其统计特征并构造一个64维的特征点描述符,并进行归一化;最后采用最近邻算法实现直线匹配。实验结果表明,该算法能够有效地实现对红外与可见光图像特征点的精确匹配。     

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。