基于结构特征的军用机场识别与理解

提出了军用机场结构特征的提取、识别与理解方法 .首先对军用机场图像进行分割、细化、断线自动修补和毛刺分枝自动删除等处理 ,提取出机场的线状几何结构 ;然后根据机场主、辅跑道的平行直线特征 ,与它们之间相连的道路一起构成“日”字、“目”字等结构特征 ,识别出军用机场 ;最后根据机场中各设施的几何结构关系识别并理解它们 .

人工神经网络信息融合及其在机场识别中的应用研究

以机场识别为研究对象,以两种改进的BP网络作为算法工具,以TM影像作为原始数据,在特征级信息融合技术框架下进行机场识别研究。首先对可用于机场识别的特征进行分析,提出使用光谱特征、纹理特征和几何形状特征这三个特征的7维矢量作为BP网络的输入,并对BP网络的训练、测试和识别三个过程进行了详细的讨论。

利用多光谱遥感图像融合的机场识别方法

提出了一种利用多光谱遥感图像融合的机场识别方法。首先,根据机场的光谱特性将多光谱图像进行融合,然后对融合图像进行简单的区域分割,提取出包含机场的可能区域,最后结合机场的结构特征把机场目标从图像中提取出来。实验和实际应用证明,此方法可快速准确地将机场目标从遥感图像中提取出来。

联合深度卷积神经网络的遥感影像机场识别算法

针对亚米级高分辨率遥感影像中机场识别算法存在的定位精度和识别准确率低的问题,提出了一种基于深度卷积神经网络的高分辨率遥感影像机场识别算法。首先,使用双三次插值算法对原始影像进行下采样处理并转为灰度图,进行模糊增强以得到预处理图像。其次,利用Canny算子提取灰度图边缘信息并使用概率Hough变换提取其中的直线,通过判断平行线存在与否对直线区域进行初步筛选及合并。再次,对合并后的区域利用深度卷积神经网络进行判别以得到相应区域的识别概率值。最后,通过分析概率值得到机场目标。对某卫星两种高分辨率遥感影像数据进行实验,得到识别率100%、定位准确率87.53%的实验结果,证明了所提算法的有效性和通用性。

边缘分割算法在机场识别中的应用

机场识别作为模式识别领域的问题之一,在军事上有着重要的应用前景。图像的边缘包含了大量的梯度信息,图像中的真实边界点处的梯度强度大于其左右领域的梯度强度值。本文结合机场识别自身的特点,通过对几种经典的边缘分割算法的比较,并对实验结果进行分析,论述了几种不同分割算法的优劣,为了进一步的识别工作做好了准备。

遥感图像融合方法在机场识别应用中的研究

针对利用光谱特性和几何结构特性可以提高机场识别效率和鲁棒性的理论,对像素级遥感图像融合方法进行了分析比较,并对融合结果进行了针对性的效果评价。实验结果表明,小波变换融合法和高通滤波融合法在继承光谱信息和增强边缘特征方面有一定的优势,能够为机场识别提供信息丰富的图像数据基础。

在基于上下文机场识别中减少虚警率的方法

主要针对基于上下文的机场识别算法存在较高虚警率的情况进行了改进,提出了一种新的减少虚警率的方法。此方法首先进行基于对比度特征的跑道识别,通过定义恰当的跑道对比度特征,采用两种判别准则对此对比度特征进行分类。在此基础上,进一步完善联络道的识别方法,使之能排除剩下虚警的情况。经实验表明,绝大部分的虚警都能在前面的跑道识别中排除,剩下的则能在联络道识别中排除。

模糊增强在机场识别中的应用

不同的卫星图像的分辨率是不同的,其图像的质量也是不尽相同的。使用模糊学增强方法对遥感图像进行预处理,然后对增强前后图像质量评价参数进行比较。实验结果表明,图像对比度、边缘能量、细节能量、图像方差等重要图像质量参数有了大幅的提高,这为进一步的工作做好了充足的准备。

基于卷积神经网络的机场识别

针对传统机场识别方法识别速度慢、准确率低的问题,迁移学习经典AlexNet网络模型参数用于机场识别问题,在MatLab上进行仿真,实验表明该方法能有效提高机场识别率.

基于上下文的机场目标识别方法

提出了一种基于上下文的机场目标识别方法,将机场各组成部分间存在的依赖关系应用于识别技术中,以提高识别效率。根据机场目标具有明显的方向性这一特点,使用Gabor滤波器对输入图像进行滤波,将图像信息按不同尺度和方向分解至多个通道,获取相应的特征图,并利用Radon变换从特征图中提取线特征。通过分析组成机场目标的各线特征之间的相互关系,利用上下文信息,制定一系列判决准则,实现对机场目标的有效识别。

遥感图像中机场目标的识别方法

机场识别作为模式识别领域的问题之一,在军事上有着重要的应用前景。它包括判断机场是否存在和机场定位两个方面。结合已有的方法,提出了一种新的机场识别的解决方案。该方案先使用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,作为疑是机场区域(ROI);用Canny算子进行图像的边缘提取,提出了一种改进的Hough变换,能够从边缘图像中准确地提取出直线段,并最终实现机场跑道的定位。

国内机场目标识别研究现状与展望

介绍了基于跑道检测的机场识别、基于结构特征的机场识别和基于模板匹配的机场识别,并结合图像的类型和图像的分辨率对各识别方法进行分析和比较,讨论了机场识别的关键技术和应用难点,并提出了对该问题的思考和进一步研究的设想。

基于知识推理的机场目标识别

提出了一种新的基于知识的机场目标的识别方法。首先建立机场目标知识库,然后运用知识推理,通过相关知识确定机场各组成部分,最后通过验证各部分组成机场的各种可能性,确定是否存在机场,从而完成对机场目标的识别。实验结果表明:该方法在识别机场的同时,还确定了机场各组成部分的位置,使得机场识别结果更加可靠,验证了该方法的可行性。同时,该方法还具有较大的灵活性,通过更新知识库的知识以及采取更多合适的图像特征,也适用于其他类型的目标识别。

卫星遥感图像中机场的识别方法研究

机场识别作为模式识别领域的问题之一,本文结合一些已有的方法,提出了一种新的机场识别及跑道检测的解决方案。使用模糊学增强方法对遥感图像进行预处理,利用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,最后通过ROI的算法,实现对机场区域的定位。

基于自适应高斯滤波的红外机场跑道识别方法

针对前视红外地面目标图像背景复杂、噪声干扰大的特点,提出了一种机场跑道识别算法。首先,用基于梯度信息的自适应高斯滤波对图像预处理,平滑噪声、增强边缘,然后在Canny边缘检测的图像上,利用空间邻接关系、梯度等信息进行像素级的边缘点搜索,再用最小二乘法拟合直线,在已提取的直线符号上使用多种特征进一步连接修正,最后,利用几何特征、灰度信息进行跑道识别。经实测数据检验,本算法能够准确、快速地识别跑道。

应用深度卷积神经网络的机场及机场内飞机目标识别技术

针对传统机场及机场内飞机目标的识别方法特征难以设计选取、泛化能力差以及难以实现两种目标同时识别的不足,将深度学习的目标识别YOLO(You only look once)算法应用到机场及机场内飞机目标的识别领域,实现了两种目标的同时识别。在此基础上,为了提高识别速度,提出了一种简化的YOLO网络。实验结果表明:该网络能在精度损失很小的情况下大大缩短预测识别处理时间。

机场场面多传感器多轴向感知信号的融合方法

为实现对机场场面航空器/车辆的识别,提出基于D-S证据理论的多轴向传感器二级融合方法,对多个磁阻传感器获取的非协作目标感知特征进行融合。通过最大隶属度原则确定单轴向基本概率分配函数,采用基于证据间相似系数的一级融合方法确定单传感器的3个轴向合成概率分配函数;考虑到传感器网络中的各传感器的感知磁信号的差异性,通过地磁信号能量值的方法分配各证据权重,利用加权综合法进行二级融合。实验结果显示,不考虑3轴向之间相关性及证据间信号能量权重的融合方法的总体识别率仅为63.1%;仅考虑3轴向之间相关性的融合方法的总体识别率为65.6%;仅考虑证据间信号能量权重的融合方法的总体识别率为69.6%;而基于证据间相似系数和信号能量值权重二级数据融合方法的总体识别率高达81.1%。

What the Nose Knows: Zoologists Develop a New Framework for Teaching Animals to Detect Odors

Smell detection plays an increasingly important role in numerous areas of daily existence,from sniffing out drugs at the airport to identifying diseases.Most of the time dogs trained to hone their sense of smell for these purposes,but even man's best friend can have limited use in some situations.For example,dogs don't always operate well without a handler,they may suffer