基于HSI彩色模型远程测量青年男体围度拟合

为实现人体远程测量系统的有效性,提出运用人体照片来预测青年男体的围度。通过HSI颜色空间转换、轮廓光滑处理等图像处理方法提取了人体轮廓。通过识别人体特征点,得到人体的体表角度、宽度和厚度;按照体表角度、厚度/宽度等指标进行人体体型分类。基于各个围度对应的厚度和宽度构建了颈围、胸围、腰围、腹围、臀围和大腿根围的围度拟合方程,并对拟合方程进行了误差分析。结果表明,建立的围度预测模型有效,保证了人体远程测量系统的可靠性。

基于HSI色彩空间和分水岭算法的冰雹特征参数测量

为了促进冰雹灾害等级评估工作的高效进行,提出一种测量冰雹特征参数的方法。该方法统计冰雹图片的HSI颜色范围,用先验的颜色范围来分割出冰雹并通过形态学滤除噪声,针对冰雹颗粒粘连情况运用基于分水岭算法分割边界。分别采用统计像素法、Freeman链码和改进的最小外接矩形法来测量冰雹颗粒的面积、周长和直径并与相关算法进行了实验比较。实验结果表明该方法精准度高、相关性较好,冰雹周长、面积和直径的均方根误差(Root Mean Square Error,RMSE)分别为0.2081 cm、0.2124 cm 2和0.9314 cm,决定系数(R 2)分别为0.8814、0.8736和0.9314,测量值平均误差在2%~6%之间。研究结果可为冰雹灾害相关的研究者提供准确的数据参考。

基于HSI颜色特征的变电站压板状态识别方法

针对当前变电站压板状态识别存在未充分考虑复杂光照因素以及在图像分割过程中未考虑连通域粘连的问题,提出了一种基于HSI(色调-饱和度-亮度)颜色特征和图像处理技术的压板状态识别方法。首先对采集的压板图像进行畸变矫正预处理;接着利用HSI颜色特征提取技术对图像进行分割处理;然后对连通域进行形态特征分析,利用连通域的边界信息去除标识牌,并利用极限腐蚀算法实现粘连连通域的分离;最后基于简单最小外接矩形边界特征与面积最小外接矩形的偏转角度特征融合识别压板状态。通过与传统RGB(三原色)颜色分割方法、单一长宽比识别方法进行对比试验,结果表明该方法在识别率上有较大提升,具有一定的工程应用价值。

基于HSI颜色空间暗通道的亮度保真去雾方法

图像块和像素先验是实现图像去雾的两类重要策略,但图像去雾后往往会出现亮度损失、过饱和或颜色失真等现象。本文提出了一种基于HSI颜色空间暗通道的亮度保真去雾方法,将RGB颜色空间中传统暗通道模型拓展到HSI颜色空间,以图像亮度、饱和度、颜色浓度和亮度变化构造融合图像块和像素两种先验策略的暗通道模型。通过引入颜色浓度、亮度变化与透射率的两个线性关系,构造出透射率、颜色浓度、亮度变化的方程组,增加了物理散射成像模型参数的可靠性,提高了图像透射率的精度。此外,人造和自然雾天图像去雾实验结果表明,本文方法不但保持了传统暗通道去雾的原有优势,同时也实现了对亮度和饱和度的保真,使复原结果更加逼近真实场景,也更加符合视觉感知。

基于多尺度非对称密集网络的高光谱图像分类

近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性,该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先,提出一个多尺度样本构建模块,通过在每个像素周围提取多个尺度的图像块,并进行反卷积和拼接以构建输入样本,使其既包含详细的结构区域,又包含较大的同质区域;然后,提出一个非对称密集连接结构,在空间和光谱特征联合提取中实现核骨架增强,即增强了方形卷积核的中心十字区域部分提取的特征,有效地促进了特征重用。此外,为了提高光谱特征的鉴别性,提出一种精简的元素光谱注意力机制,并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下,该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%,取得了极具竞争力的分类结果。

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R^2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。

基于HJ1A-HSI超光谱影像的耕地有机质遥感定量反演

以环境小卫星超光谱影像为主要数据源,在耕地有机质实测样本的支持下,开展光谱反射率及其变化形式与有机质的相关性分析,筛选耕地有机质响应的敏感波段与特征组合算法,利用多元回归分析方法,建立基于HSI影像的耕地有机质定量反演模型。研究结果表明,耕地有机质的HSI影像响应波段均位于可见光与近红外波段间,其中以540～860nm范围最佳,相关系数均在0.5左右;HSI反射率对数一阶微分预测模型精度最高,模型及其检验的决定系数都在0.7以上,均方根误差在0.2%左右,可用于顺义区耕地有机质全覆盖空间填图。因此,环境小卫星的超光谱影像对耕地有机质含量具有较好的光谱响应能力,其空间覆盖能力有助于开展县域尺度的耕地有机质遥感反演和空间填图。

基于HSI和LAB颜色空间的彩色图像分割

彩色图像分割一直是彩色图像处理与分析中最为困难的不可缺少的步骤,针对图像分割质量直接在很大程度上影响了图像后期分析的效果,提出了一种基于HSI和LAB颜色空间的彩色图像分割方法。该方法在HSI颜色空间用最优阈值方法进行阈值分割,在LAB颜色空间采用基于K均值聚类图像分割,然后将两次分割结果进行区域合并,最后进行加窗滤波消除噪声。对林区活立木真彩色图像进行分割的实验结果表明,该方法能够精准地将活立木从背景中提取出来。

基于HSI颜色空间的棉花杂质高速实时检测方法

棉花杂质的有效检测和剔除对于棉花质量的控制具有重要意义.本文提出了一种实用的棉花杂质高速检测方法.该方法利用3D-LUT技术,有效解决了颜色空间转换的时间耗损问题.利用HSI颜色空间的色度和饱和度信息,对棉花中的杂质进行高效检测和定位.彩色运动补偿技术的应用,弥补了相机在硬件上进行空间参数校正的不足,降低了杂质的错误判别率.实验结果表明,该系统可以在10ms内完成80线棉流图像的采集、图像格式转换、杂质的检测和定位等全部过程.在棉流速度为18m/s,杂质大小为2×2mm^2的情况下,杂质识别正确率可达到95.4%.

基于HSI颜色空间的单幅图像去雾算法

针对有雾图像对比度差、能见度低的情况,结合HSI颜色空间特点,提出一种单幅图像去雾算法。首先,将有雾图像从RGB颜色空间转换到HSI颜色空间;然后,依据HSI颜色空间中色度、饱和度和亮度各分量受雾影响程度的差异,建立相应的去雾模型;最后,通过分析图像饱和度,得到饱和度模型中权重的取值范围,再对亮度模型中权重进行估计,从而实现去雾效果。与其他几种算法的实验结果比较表明,所提算法运算效率提高1倍左右。同时该算法能有效增强图像清晰度,能很好地运用于单幅图像去雾。

基于HSI的视觉注意力模型及其在船只检测中的应用

根据现有关于视觉心理学研究的相关成果和计算模型,提出了一种基于HSI颜色空间特征提取的视觉注意力模型,并应用于海上目标检测.首先把输入的RGB图像转换到HSI空间上,采用高斯金字塔和center-surround算子获得HSI三个分量下各自多尺度的视觉差异,通过对不同特征图的规格化和线性融合获得综合的显著图.该方法应用于多种海上目标图像均取得较好效果,背景中的海浪杂波得到了有效抑制,提取得到的显著区域包括了待检测的目标且范围较小,为后继的处理和分析提供了良好的基础.

采用改进HSI模型的车牌区域检测和定位方法

为研制高性能实时车牌照识别系统,提出一种基于改进HSI模型的车辆牌照检测技术,依据转换后的车牌图像纹理特征设计了基于人工神经网络和投影算法的车牌区域检测和定位算法.结果表明,静态图片实验定位准确率98%,车牌检测率91%,得到了很好的车牌定位效果,静态图像处理速度为0.032s/幅,证明提出的定位方法可满足实时系统对识别速度的要求.

HSI空间亮度信息的多尺度Retinex图像增强研究

彩色图像增强可以提高图像的亮度,增强图像的对比度和细节,同时使得图像颜色更加逼真自然,并且较少失真,在遥感、医学、刑侦、电视与多媒体等许多方面具有良好的应用前景和重要的理论研究意义。提出基于HSI空间亮度信息的多尺度Retinex图像增强算法(HSI_MSR),算法通过对HSI颜色空间模型的分析,通过增强HSI模型中I分量,将HSI模型转换到RGB模型,得到增强后的彩色图像。通过仿真实验可知HSI_MSR算法可以较好地提高图像的视觉特性,亮度适合人眼观察,细节较为丰富,使得图像颜色更加逼真自然。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

基于HSI模型和Hough变换的指针式汽车仪表自动校验

为了克服传统的汽车仪表人工校验普遍存在准确率不高的弊端,提出一种指针式汽车仪表自动校验算法.针对汽车仪表盘颜色信息丰富的特征和采集图像时目标物体周边有阴影的现象,将RGB模型下的表盘图像转到HSI(色调、饱和度、亮度)模型以消除阴影影响,并利用色调和饱和度分量作为特征参数进行图像分割,并采用Hough变换检测目标;分别计算出指针指向主要刻度线时相对于零刻度线的偏转角,并与相对应的标准偏转角比较,若超过允许误差范围则返回重调.对常用汽车仪表盘的自动校验结果表明该算法精度好,校验准确率高.

基于HSI高光谱和TM图像的土地盐渍化信息提取方法

选择黄河三角洲垦利县代表性盐碱化区域为研究区,以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源,经几何纠正、图像裁剪、大气校正等预处理,分析不同盐渍化程度土地、水体、滩涂等主要地类的光谱特征,确定地类信息提取特征波段。结合土壤盐分含量,采用定量与定性相结合规则,构建地类信息提取模型,以决策树分类方法进行图像分类,提取土地盐渍化信息。利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果,对遥感解译数据进行精度验证,并对高光谱和多光谱影像的分类精度进行比较分析。结果表明:HSI图像的总体分类精度达96.43%,Kappa系数为95.59%,而TM图像的总体分类精度为89.17%,Kappa系数为86.74%,说明相比多光谱TM数据,基于高光谱图像可以更为准确有效地提取土地盐渍化信息;由分类结果图可以看出,高光谱影像土地盐渍化的区分度高于多光谱影像。该研究探索了高光谱图像土地盐渍化信息的提取技术方法,提供了不同盐渍化土地的分布比例数据,可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。

一种基于HSI空间的异类传感器假彩色图像融合算法

提出了一种基于HSI空间的假彩色异类传感器图像融合算法。该算法从边缘、色彩这两个图像的基本特征着手,在灰度融合图像的基础上,基于HSI空间,用色彩体现特殊传感器的独有信息。选用laplacian金字塔融合算法及一致性融合规则得到边缘灰度融合图像,并将其送至HSI空间的I通道;根据需要,将某特殊传感器获取的图像,送至H通道进行调制;最后将HSI空间的融合图像变换到RGB空间显示。仿真结果显示:本文算法得到的彩色融合图像不仅保留了与灰度融合图像相近的空间分辨率,而且突出了独有信息,是一幅信息量比较完备的融合图像。同时,对于HSI三通道的选择是固定的,具有很好的算法稳健性。

基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法

针对彩色图像复制-粘贴篡改中误匹配的问题,提出一种基于SIFT和HSI模型的彩色图像复制-粘贴盲鉴别算法。首先确定彩色图像的SIFT特征点和特征向量;然后对每个SIFT特征点提取HSI彩色特征;最后对两两不同特征点的SIFT特征向量和HSI特征向量进行匹配,确定图像的复制-粘贴篡改区域。实验结果表明:本文算法与SIFT算法、SURF算法和改进SIFT算法相比,能有效地降低误匹配率,并对高斯模糊、白噪声和JPEG重压缩有较强的鲁棒性。

基于直方图的HSI空间伪彩色编码研究

利用输入图像直方图和图像中已有的灰度级,结合互补色编码原理和人的视觉习惯,提出了一种基于直方图的色调、色饱和度和亮度空间(hue,saturation,intensity,HSI)伪彩色编码方法,用于对输入图像进行伪彩色变换.结果表明,该方法利用了原输入图像的有用信息,变换后得到的伪彩色更为丰富,具有较好的自适应性,且易于实现.可用于对实时性要求较高的军事、医学和卫星遥感等领域.

卷积神经网络与视觉Transformer联合驱动的跨层多尺度融合网络高光谱图像分类方法

高光谱图像(HSI)分类是地球科学和遥感影像处理任务中最受关注的研究热点之一。近年来,卷积神经网络(CNN)和视觉Transformer相结合的方法,通过综合考虑局部-全局信息,在HSI分类任务中取得了成功。然而,HSI中地物具有丰富的纹理信息和复杂多样的结构,且不同地物之间存在尺度差异。现有的二者结合的方法通常对多尺度地物目标的纹理和结构信息的提取能力有限。为了克服上述局限性,该文提出CNN与视觉Transformer联合驱动的跨层多尺度融合网络HSI分类方法。首先,从结合CNN与视觉Transformer的角度出发,设计了跨层多尺度局部-全局特征提取模块分支,其主要由卷积嵌入的视觉Transformer和跨层特征融合模块构成。具体来说,卷积嵌入的视觉Transformer通过深度融合多尺度CNN与视觉Transformer实现了多尺度局部-全局特征信息的有效提取,从而增强网络对不同尺度地物的关注。进一步地,跨层特征融合模块深度聚合了不同层次的多尺度局部-全局特征信息,以综合考虑地物的浅层纹理信息和深层结构信息。其次,构建了分组多尺度卷积模块分支来挖掘HSI中密集光谱波段潜在的多尺度特征。最后,为了增强网络对HSI中局部波段细节和整体光谱信息的挖掘,设计了残差分组卷积模块对局部-全局光谱特征进行提取。Indian Pines, Houston 2013和Salinas Valley 3个HSI数据集上的实验结果证实了所提方法的有效性。