基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

基于分层MRF模型的POLSAR图像分类算法

针对多极化合成孔径雷达（polarimetric synthetic aperture radar, POLSAR)影像由于受到相干斑噪声影响导致分类精度较低,提出了一种基于均值漂移和多尺度马尔科夫随机场的非监督分类算法。该算法首先由Mean-Shift算法得到最粗尺度的初始分类结果,然后由马尔科夫随机场对结果进行优化得到最粗尺度最终分类结果。将上一尺度的分类结果映射到下一尺度作为初始分类结果,然后由Wishart分布对极化协方差矩阵进行建模并采用迭代条件模式（iterative conditional modes, ICM)算法求取基于最大后验下分类结果。逐层映射,最细尺度的结果作为最终分类结果。详细给出了算法的基本原理和实施步骤,并采用E-SAR和AirSAR数据对算法进行了验证。实验表明,与同类算法相比较,算法具有更高的分类精度。