基于最大梯度差和边缘搜索的车牌定位方法

车牌定位是车牌识别系统的关键技术,定位的准确与否直接影响车牌识别的结果。为了实现车牌的准确定位及车牌识别,依据车牌区域具有丰富的边缘信息,提出了一种改进的车牌定位算法。利用最大梯度差缩小车牌图像范围和矩形匹配法粗定位车牌,根据搜索车牌的边缘信息来精确定位车牌。实验结果证明了该方法的可行性及定位的准确性,并且比单一使用最大梯度差法的定位准确率有较大的提高。

基于最大梯度差的叠加文本定位

通过分析文本特征和背景,提出一种基于最大梯度差的叠加文本定位算法。首先获得横向和竖向两个方向的梯度图像,然后设定一个窗口扫描整个图像,分别计算窗口内的最大梯度差,得到两个方向的最大梯度差矩阵,然后分别通过自适应阈值算法找出疑似文本像素,再将两个方向的判决结果取交集,消除部分复杂背景造成的误判。接着利用数学形态学运算和先验知识剔除伪文本区。最后利用改进的穿越线算法精确定位文本。实验表明,本算法不仅对横向文本具有较高的查全率和较低的虚警率,并且对竖向文本也有较好的定位效果。

基于最大梯度差算法的扇形扫描车牌定位方法

车牌定位是车牌自动识别系统中关键的第一步,传统的最大梯度差算法按图像像素矩阵的顺序进行扫描和运算,存在运算量大,耗时长的缺点。为此对原算法进行了改进,提出了基于最大梯度差算法的扇形扫描方法,通过改变原算法的扫描方式,减少了对背景噪声的扫描和运算。经实验测试证明该方法运算量小,耗时短,具有较好的应用性。

一种简单的估算植被覆盖度和恢复背景信息的方法

植被覆盖度是评估生态环境的一个重要参数,其对于全球环境变化和监测研究具有重要意义.如何从遥感资料估算植被覆盖度,并提高估算精度是建立全球或区域气候、生态模型的基础工作.该文从分析土壤、植被光谱信号的特点出发,根据植被覆盖度的定义,推导出计算植被覆盖度的方法,并进一步提出了计算植被覆盖度的三波段最大梯度差法.在此基础上,对部分植被覆盖下的土壤光谱实现重建.上述方法实现简单,适用范围广,并可有效分离植被、土壤的影响,因而有望替代常用的通过NDVI估算植被覆盖度的方法.

基于聚类和MRF模型的场景文字提取方法

提出一种从自然场景中提取文本区域的方法。该方法包括候选文本区域的提取,以及候选区域是否为文字区域的判定。候选文字区域的提取,主要利用图像的纹理特征和HSL颜色空间信息,通过改进的模糊C均值聚类函数,结合拉普拉斯掩膜与计算最大梯度差来实现。由连通域边缘密度信息、形状信息的马尔科夫随机场模型,判定候选文字区域是否为文字区域。经ICDAR2003数据库测试结果表明,该方法具有较高的精确度。

近20a来黄河河口湿地植被退化特征研究

基于RS和GIS技术,利用1992年8月、1995年9月、2000年9月和2004年9月的四期TM、ETM+影像,对黄河河口湿地植被进行了分类。利用E O dum生态系统能值分析法,初步估算出1992年、1995年、2000年和2004年黄河河口湿地生态系统服务的价值,并计算了研究区的生态环境经济效益。结果表明:①研究区的植被具有先退化后逐步恢复的总体演化趋势,1992—2000年处于不断退化阶段,植被覆盖度由59.08%降至40.07%,2004年恢复至58.23%,河口湿地生态系统具有自我修复的特点;②2004年系统输入的太阳能总值为7.77×1021sej,总初级生产力为1.44×1016sej;③黄河河口湿地的生态系统服务功能总价值为2.11×1015元,其中水文调节价值最大,达2.04×1015元。

基于多尺度遥感数据的塔里木河干流地区植被覆盖动态

利用地面观测数据、Landsat TM和MODIS数据,基于尺度上推的研究思路,采用修正的三波段最大梯度差模型反演植被覆盖度,分析了塔里木河干流地区2000—2013年植被覆盖度时空分布及其动态变化特征。结果表明：（1）地面观测数据、Landsat TM与MODIS数据相结合进行尺度上推,尺度转换相对误差控制在4%以内,可以实现分析大范围长时间序列植被变化;（2）塔里木河干流区域植被覆盖度年内最大值出现在7、8月,2000—2013年平均植被覆盖度变化整体上呈现增长的趋势,上游年均植被覆盖度18.67%~23.67%,中游10.6%~12.44%,下游4.7%~6%,但呈现两段式发展（2000—2006年显著提高,2006—2013年小伏波动变化）;（3）塔里木河干流区域植被覆盖度空间差异明显,上游植被覆盖度增长速率最高,中游次之,下游增长速率最小。上游植被覆盖度年增长速率为0.37%,且增长趋势显著;中游年增长速率为0.06%,没有显著的变化趋势;下游年增长速率为0.05%,增长变化显著区域位于河道或稍远离河道附近及台特玛湖附近。

结合颜色和MGD特征及MRF模型的场景文本分割

针对场景文本受到光照、复杂背景等因素影响而难以进行有效分割的问题,提出了一种融合颜色和最大梯度差(MGD,maximum gradient difference)特征及马尔科夫随机场(MRF,Markov random field)的场景文本分割方法。首先提取能够有效表达文本纹理特性的MGD特征,通过概率框架将其和颜色特征结合起来对观测图像进行建模;然后结合空间关系和邻域像素属性差异对传统势函数进行改进;最后建立场景文本分割的MRF模型,利用图割(graph cut)算法快速地求解该模型。实验结果表明,采用颜色和MGD特征相结合以及改进的势函数对分割结果具有较大地改善,尤其在光照不均匀及背景复杂情况下相比其他算法取得了较好的性能。