基于加权融合特征与Ostu分割的红外弱小目标检测算法

为提高红外弱小目标在复杂背景干扰与低信噪比条件下的检测精度与效率,基于局部加权融合特征与分类二维Ostu分割,提出红外弱小目标检测算法。利用红外弱小目标与背景的灰度差异,基于Top-Hat算子设计红外背景过滤机制,使弱小目标从背景中凸显出来,使用图像的熵值定义局部加权融合特征,完成弱小目标的粗定位。采用分形理论计算粗定位区域内所有像素的分维值,构建像素分维像模型完成弱小目标的细定位,并通过特征分类二维Ostu分割机制实现红外弱小目标的精确检测。测试结果表明,与现有红外弱小目标检测算法相比,该算法具有更高的检测精度与更短的检测耗时。

基于局部自适应特征加权算法的遥感图像目标检测

遥感图像目标检测已成为目标检测领域的重要组成部分。为了解决复杂背景下高分辨率遥感图像中小尺度目标的漏检与误检问题,结合YOLOv5s算法并在检测端提出一种局部自适应特征加权算法,通过学习已有的标注框信息将含有目标特征的前景与背景分离,获得前景中具有关键信息的目标局部特征,并自适应计算各层局部特征的空间尺度和权重。同时在主干部分引入全局注意力机制用于加强通道与空间之间的跨维度特征信息交互能力,增强特征间的关联性,以弥补检测端局部特征的全局信息丢失,从而降低目标的漏检率和误检率。实验表明:该改进算法的准确率和召回率均得到一定的提升,其均值平均检测精度mAP达到72.33%,相较于传统YOLOv5s算法提升了2.66%。

基于Haar型LBP纹理特征的人体姿态估计

基于人体部件的树形模型表达直观且计算高效,被广泛应用在人体姿态估计中。然而模型本身在部件特征表达上的不足限制了姿态估计结果的准确度,为此,提出一种基于图结构模型和新型纹理特征的人体姿态估计算法。采用改进后的外观模型,从训练集中获得部件位置的先验知识,联系相邻部件之间的关系,并将其应用于测试图像的外观模型建模阶段。应用Haar型局部二值模式(HLBP)纹理特征,提取部件的纹理信息,对图像进行分块处理,并为每一块赋予不同的权重。实验结果表明,带权重的HLBP特征能更有效地提取部件的纹理特征,与HLBP特征、归一化HLBP特征和颜色特征相比能获得更高的准确度。

稳健的软子空间聚类算法

针对软子空间聚类算法(Soft Subspace Clustering,SSC)对噪声敏感的问题,基于非欧氏距离,提出稳健的软子空间聚类(Robust Soft Subspace Clustering,RSSC)算法。RSSC通过在数据点每一维特征上赋予数据点权函数来提高算法在噪声环境中对聚类中心估计的准确性,进而提高算法的稳健性。实验结果表明,RSSC不仅能有效地选取数据的局部特征,而且具有良好的抗噪声性。

基于模板匹配的快速少纹理目标识别算法

针对传统的基于模板匹配算法通常考虑模板的整体性往往遇到计算性能复杂的问题。文中提出一种基于二进制方向压缩映射和局部特征加权的快速少纹理目标识别方法。根据目标边缘点的量化梯度方向,利用二进制方向压缩映射方法对目标模型进行特征描述,快速提取出目标候选位置及其对应的尺度、角度信息;在检测出目标候选位置后,再利用局部特征加权方法建立新的模板特征,对目标候选位置计算新的相似度从而确定目标最终姿态。实验结果表明,文中算法与其他具有代表性的算法相比具有更好的识别率,并且识别时间大幅降低。

基于小波变换的IRS与TM遥感卫星影像融合

本研究在整体小波变换融合方法基础上 ,提出了基于对比度的局部特征选择加权小波变换影像融合方法 ,并以多光谱TM和高空间分辨率IRS 1C全色波段图像为例 ,与色彩空间变换HIS融合方法进行图像融合效果的比较分析试验。试验表明基于对比度的局部特征选择加权小波变换影像融合方法能在最大限度保持多光谱影像光谱信息的同时 ,增强了影像的纹理信息。