一种改进的基于MSER算法的不变量提取算法

结合MSER(maximally stable extremal regions)算法,提出一种对图像的尺度、旋转、仿射变换更加稳定的区域不变量提取的算法。对于输入图像采用多尺度MSER提取算法,并对提取的MSERS依据其灰度变换的平稳性对提取区域进行修正。提高了区域提取的可重复性和匹配概率。

基于边缘结构相似度的目标凸显性分析

在景象匹配中,为了对匹配算法的可靠性和图像的适用性进行分析,必须对图像质量进行评价。景象匹配中的图像质量评价主要分析图像目标的可匹配性,可归结为目标的凸显性。通过将边缘结构相似度算法运用于小波域多尺度图像计算不同尺度图像的疑似目标数目,并对各级图像的疑似目标数目进行加权,获得最终疑似目标数目,设计了目标凸显性指标。经实验分析,该指标与图像匹配概率一致,符合景象匹配的评价需求。

基于频谱统计特性的地物目标跟踪算法

根据傅里叶变换特性,图像在发生尺度、旋转、光照变化时频域内会产生相应变化。针对该特点,将频域信息转换到极坐标系中,通过半径统计度量得到一维不变量用于地物目标跟踪算法,利用角度统计度量判断目标尺度变换,从而确定目标模板更新准则。实验结果表明,该算法对发生尺度、旋转、光照变化的图像有较好的跟踪性能,且相比Nprod,SSAD算法,其跟踪精度较高、耗时较少。

复杂地面目标前视红外景象匹配算法

针对复杂地面目标前视红外图像边缘模糊、背景杂乱无章,无直接可用的同源基准图的情况,研究了一种灰度与形状特征相结合的由粗到精景象匹配算法。在粗匹配阶段,将积分图像引入归一化积相关算法中,并对其计算公式进行了近似,使运算速度大大加快;精匹配阶段,利用实时图与所制备基准图形状相似的特点,采用形状上下文进行匹配。实验结果显示,该算法匹配精度高、速度快,对于复杂地面目标前视红外图像的匹配识别具有一定的应用价值。

前视红外图像质量评价指标研究

实时图像质量严重影响景象匹配性能,但目前尚无通用可行的评价标准来衡量其质量,而且不同匹配算法对各种图像特征的敏感性有差异,需要根据算法对图像质量评价问题展开分类研究。文中首先给出了图像质量评价的工作方式,然后从成像质量和目标凸显程度两个方面进行指标分析,提出了包括信噪比、模糊度、目标局部凸显程度和全局凸显程度在内的指标体系。实验表明,各指标与匹配性能之间具有单调一致关系。

基于独立成分分析的遥感影像可匹配性度量(英文)

为了提高景象匹配中基准图制备的效率和可靠性,对遥感影像图源的可匹配性进行分析,提出一种基于独立成分分析的遥感影像可匹配性度量方法.利用独立成分分析提取纹理基函数,并计算其概率分布,确定可匹配区域;然后定义可匹配区域所占面积比例指标、离散性指标和稳定性指标;最后,利用三个指标构建遥感影像可匹配性度量模型.实验表明,该遥感影像可匹配性指标与实际匹配概率相关性强,提高了基准图制备的可靠性,能够满足景象匹配图源筛选的实际需求.

面向边缘特征的遥感影像可匹配性度量

为了提高基准图制备的有效性,需要对前期遥感影像的可匹配性进行预测.在边缘特征中,提出基于块逆概率差纹理基元共生矩阵的遥感影像可匹配性度量方法.首先,利用边缘密度将遥感影像分为不可匹配区和潜在可匹配区,并从潜在可匹配区选取部分图像样本作为训练集;其次,对样本图像构建块逆概率差纹理基元共生矩阵,计算边缘特征向量;再次,利用仿真实验计算样本图像实际匹配概率,采用支持向量机回归方式利用边缘特征向量构建匹配概率预测模型;最后,对整幅遥感影像采用匹配概率预测模型预测匹配概率.实验证明,该方法预测的匹配概率与实际匹配概率平均平方误差低,平方相关系数强,并且对于灰度校正后的同一卫星遥感影像其预测模型是通用的,不仅能满足遥感影像可匹配性度量需求,并能对匹配算法选择提供决策支持.

基于兴趣点的遥感影像可匹配性度量

为了提高基准图制备的有效性,研究了遥感影像的可匹配性,并针对点特征提出了基于兴趣点度量遥感影像可匹配性的度量指标。首先,利用非下采样Contourlet变换的高频系数提取图像的局部极值点作为兴趣点;然后,利用兴趣点的高频系数和方向特性定义兴趣点的幅值特性和结构特性。最后,分析兴趣点幅值特性和结构特性与实际匹配概率的关系,构建可匹配性度量指标。实验结果表明,可匹配性度量指标与实际匹配概率的线性相关性高于0.9,Spearman相关系数高于0.85,评估结果准确性高、单调性好。利用该指标对图像可匹配区域进行筛选,其制备的基准图的平均匹配概率大于95%,比传统方法提高了15.4%,改善了基准图制备的效率和可靠性。

基于小波域灰度梯度共生矩阵的遥感影像模糊度分析

在分析小波域灰度梯度共生矩阵对梯度特性描述的基础上,设计了一种模糊度评价指标.在遥感影像小波域统计特性,即不同子带对噪声和模糊敏感程度不同的基础上,设计了一种抗噪声的遥感影像模糊度评价指标.实验表明:该指标与图像的实际模糊度水平一致性强,能准确评价遥感影像的模糊度水平.

基于数学形态学的遥感影像噪声分层估计

噪声估计可应用于图像去噪、图像复原和图像质量评价等多个方面。遥感影像噪声主要表现为高斯噪声,由于其纹理复杂度高,噪声估计十分困难。针对遥感影像,提出了基于数学形态学的分层噪声估计算法。该方法首先利用不同大小的结构元素采用形态学闭运算在二值边缘图像上分层提取平稳区域,在此基础上计算不同层的噪声方差估计值;其次,分析相邻层噪声方差估计值的变化规律,根据特定准则确定噪声和信息的最佳分离层;最后,分析信噪分离层及其相邻层的特性,依据特定规则估计图像噪声值。实验结果证明,该方法与传统噪声估计方法相比,可以有效解决分块不准确问题,噪声估计误差低,能够应用于复杂纹理图像,适用范围更广。