基于超像素时空显著性的运动目标检测算法

针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。

基于图像融合的高分全色遥感影像变化检测

针对同一地区不同时期的全色高分辨遥感影像,提出一种基于影像融合的变化检测算法。首先采用基于匹配点的三角网校正方法对两景影像进行几何校正,然后选用基于迭代多元变化检测(IR-MAD)的相对辐射校正方法进行辐射一致性处理,接着对经几何一致性处理、辐射一致性处理后两张影像进行显著性融合,采用Mean-Shift分割算法对融合影像进行分割,选用方向梯度直方图(HOG)特征获取影像纹理强度图,最后通过比较分割块纹理变化获得变化检测结果。以Toposys激光雷达系统搭载相机拍摄的全色影像对该算法进行了检验,并使用单一时期影像为分割对象进行对比实验结果。实验结果表明,以融合影像为分割对象的结果远优于以单一时期影像为分割对象的变化检测结果,极大地减少了误检和漏检,在城市、郊区等地区人工地物变化监测中有一定的应用价值。

基于特征分组融合的可识别分析

针对高分辨率遥感图像的特点,提出了一种多特征分组融合的可识别性分析方法。该方法首先提取图像的各类特征,包括颜色特征、纹理特征以及形状特征等,然后按照特征分组优化的组合方式分别采用Adaboost进行训练学习,最后将各组特征分类器处理的结果用决策树的方法进行融合获得最终的结果。实验分析对比了单个特征、分组特征以及分组特征融合三种方法的识别率,与前两种方法相比,多特征分组融合的方法具有更高的精度,因而得到结论,多特征分组融合是一种有效的高分辨率遥感图像可识别性分析方法。