基于视觉传达的模糊激光遥感图像重建方法

受到成像设备、传输环境等因素的影响,导致激光遥感图像存在明显的模糊现象,为恢复激光遥感图像质量提出基于视觉传达的模糊激光遥感图像重建方法。利用视觉传达技术获取模糊激光遥感图像,从纹理、统计分布、频率等方面提取图像特征,以此作为图像重构规律,通过图像配准、去模糊、噪声等步骤,得出模糊激光遥感图像重建结果,以可视化的形式输出。通过测试实验得出结论:与传统重建方法相比,优化方法得出重建图像峰值信噪比最高达到了38 dB,结构相似性最高达到了0.94,表明优化方法在重建质量方面具有明显优势。

基于机器学习的激光遥感图像多目标检测方法

目前方法检测多目标激光遥感图像时,其未处理遥感图像的辐射量失真情况,导致检测方法的平均识别率、平均精度均值低和检测效率低。提出基于机器学习的激光遥感图像多目标检测方法,该方法处理激光遥感图像辐射量失真情况,通过校正辐射和辐射匹配获取到更清晰和真实的遥感图像,结合改进的原始Mask R-CNN网络,引入分级跳连法和K均值聚类算法,解决Mask R-CNN网络不适用于激光遥感图像检测的问题,采用改进的机器学习,实现激光遥感图像多目标检测。实验结果表明,所提方法检测出激光遥感图像中的全部目标,平均识别率为95.6%,目标检测时间为0.02 s,平均精度均值达到77.5%,因此,该方法有效提高了平均识别率、平均精度均值和检测效率。

基于联合稀疏字典学习的激光遥感图像超分辨重建

针对激光遥感图像的超分辨重建问题,本文提出了基于联合稀疏字典学习的单幅图像超分辨重建算法,并将其用于激光遥感图像的超分辨重建。该算法首先利用已有的高分辨图像,通过预处理得到高低分辨样本集。然后提出了联合稀疏字典学习技术,并利用该技术对高低分辨样本集训练得到稀疏的高低分辨字典。最后利用高低分辨字典重建高分辨图像,并分析了算法的计算复杂度。相比较现有的激光遥感超分辨重建算法,由于采用了联合稀疏字典学习技术,本文提出的算法训练字典时需要较少的样本数和计算量,同时由于稀疏字典学习能够提高数据表示的精度,重建效果得到了进一步的提高。实验结果验证了算法的有效性。

激光遥感图像乘性噪声降噪技术

激光遥感图像乘性噪声的降噪处理中,传统解决乘性噪声的图像降噪技术存在较多的缺陷,故根据乘性噪声的非线性和时变性,提出基于TV模型的激光遥感图像乘性噪声综合降噪方法,在不破坏图像基本结构的情况下进行降噪。该方法使用TV模型针对乘性噪声的非线性和时变性进行能量变分,获取乘性噪声能量极限,综合使用规则化方法和边界约束法对能量极限进行迭代求解,从激光遥感图像的边缘处开始向内进行乘性噪声平滑降噪,很好地保留了图像边缘信息。实验对不同降噪方法进行了对比分析,结果显示,所提降噪方法具备良好的降噪性能。

模糊激光遥感图像关键角点特征检测系统

针对传统模糊激光遥感图像特征检测过程未对外界干扰进行处理,导致检测耗时较长、检测准确性较低的问题,设计并提出了一种模糊激光遥感图像关键角点特征检测系统。从硬件部分和软件部分两方面进行分析,硬件部分主要由具有可变增益功能的放大电路模块、A/D转换模块、特征识别模块、MCU单片机控制模块构成;软件部分,首先利用小波分析对模糊激光遥感图像角点特征信息进行融合,提高图像角点特征识别能力,其次对模糊激光遥感图像进行滤波处理,降低外界干扰因素的影响,最后对激光遥感图像关键角点特征进行检测,完成系统设计。实验结果表明,该系统的检测耗时远远低于其他系统,且输出图像的峰值信噪比高于其它2种传统方法12.7%和21.8%,表明该系统具有良好的性能。

基于机器学习的激光遥感图像特征分割

激光遥感图像的特征分割中受到相似纹理和亮度不均匀性的影响,导致图像的冗余信息较多,为了提高激光遥感图像分割精度,提出基于机器学习的激光遥感图像特征分割方法。构建激光遥感图像分块拓扑结构模型,根据图像的拓扑结构信息进行图像像素分组,根据激光遥感图像像素分组之间的属性差异性进行冗余信息滤波,提取激光遥感图像的超像素特征量,构建像素晶格边界,采用机器学习算法进行图像特征分割的最优边界和网格寻优,实现激光遥感图像特征分割优化。仿真结果表明,采用该方法进行激光遥感图像特征分割的像素分布均匀性较好,对冗余信息的滤除能力较强,提高了图像特征分割的精度和识别能力。

基于特征向量提取的激光遥感图像模式识别系统设计

针对当前激光遥感图像识别系统在设计上采用单一固定特征提取图像,存在丢失细节且易出现过识别、整体对比度低、细节模糊等问题,设计了特征向量提取的激光遥感图像模式识别系统。硬件上选用ADSBF535作为图像识别模块的核心,采用XC2S200 FPGA作为图像输入模块的硬件支撑,输出像是模块配置单排排针连接P2对应的IO引脚,更便于DSP和LCD的连接。软件根据模糊熵理论结合特征提取结果计算图像提取区间灰度均值,按照灰度值进行标号对灰度直方图进行均衡,依据均衡后的灰度直方图对区间内的灰度采用均衡系数平移,实现区间内灰度细节的填充,完成激光遥感图像模式识别。实验结果表明,所设计系统相比当前激光遥感图像识别系统,有效提高了图像对比度和分辨率,识别了图像局部细节,显著改善了激光遥感图像模式识别效果。

浓霾污染的激光遥感图像去噪滤波器设计

激光遥感图像受到噪声的污染,可能会使图像边缘失真,出现图像模糊,为此提出了浓霾污染的激光遥感图像去噪滤波器,首先分析激光遥感图像非平稳信号的相关扭曲和偏差,通过全变差优化方法得到相应的滤波器和分解后的激光遥感图像低频成份和高频成份,完成信号和图像的自适应分解研究,然后结合最大似然估计得到优化的激光遥感图像小波系数的参数估计,运用最大后验概率来估计从含噪激光遥感图像的小波系数中恢复该激光遥感图像的系数,从而完成激光遥感图像去噪滤波器设计,最后实验结果表明,该有效降低了激光遥感图像存在的噪声,提高了激光遥感图像质量。

红外激光遥感图像散斑特征提取

当前方法对红外激光遥感图像进行散斑特征提取时,采用2D(二维)图像作为数据采集手段,存在散斑特征提取区域误差大的问题。据此,提出基于深度学习的红外激光遥感图像散斑特征提取方法。采用无人机配置自动旋转云台上搭配2D激光测距传感器对区域红外激光数据进行采集、标定和利用激光里程计算法对区域内特征值提取和匹配。结合线性插值法对应的周期内接收的激光数据进行区域转换,利用L-M算法解决红外激光遥感图像范围的预计问题,采用信赖区域法迭代出最优区域范围,将激光数据转化到世界坐标系下的点云中,通过点云叠加完成区域的散斑特征提取。仿真实验结果表明,所提方法在进行红外激光遥感图像散斑特征提取时水平和区域深度定位误差都能控制在±1 m之内,符合分割要求。与其他方法相比,该方法的提取准率95%~99%的范围内变化,平均耗时为0. 45 s,说明该方法提取精度更高,提取速度更快。