仿射协变的G-质心

图像质心保持仿射协变,但仅可用于消除平移。为方便地提取仿射不变特征,需构造保持仿射协变且异于质心的类质心点。现有算法要么计算量大,要么对二值图像不适用。针对这种情况,提出G-质心,通过改造在极坐标系中图像质心的定义得到,引入极径方向积分的变换函数,使得目前大多的类质心构造算法均是其特例。实验结果表明,通过引入中心投影类的变换函数,所得G-质心可比广义质心、交叉权重质心等算法具有更优的抗噪性能。

基于仿射协变区域的抗几何攻击图像水印算法

提出了一种基于仿射协变区域的抗几何攻击数字图像水印算法.首先利用仿射不变点检测算子提取图像特征点,并通过基于最小生成树聚类算法的选择策略获得一组稳定且彼此独立的仿射协变特征区域.然后基于特征区域,利用图像归一化和主梯度方向对齐得到具有缩放和旋转不变性的圆形区域.最后将水印在空域直接嵌入到圆形区域中.大量的实验结果表明本文方法是有效的,对常规图像处理、几何攻击以及组合攻击均具有较好的鲁棒性.

城市遥感图像建筑物仿射协变区域融合检测

本文针对城市建筑物的特点,提出融合Hessian-Affine和MSER的仿射协变区域检测方法,利用重复误差筛选高度相关的不同类型区域,根据仿射匹配性分值选择性删除冗余区域,并采用平均重复率、平均匹配区域数进行综合评价分析。实验结果表明,提出的算法将两种检测子互补使用,对于各种仿射变换下的建筑物检测准确率较高,冗余少,适用于城市遥感的实际应用中。

窗口融合特征对比度的光学遥感目标检测

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗,计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值,在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后,采用Naive Bayes框架进行特征融合,并训练分类器。在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值,初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征,再根据训练好的分类模型计算各个窗口的后验概率。最后,挑选出局部高分值的候选区域并进行判断合并,得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示：4类特征在单独描述3类目标时表现出的性能各有差异,最高检测准确率为74.21%-80.32%,而融合方案能够综合考虑目标自身特点,准确率提高至80.78-87.30%。与固定数量滑动窗方法相比,准确率从约80%提高到约85%,虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%,测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。