考虑多尺度纹理特征的红外传感图像频域增强

红外传感图像质量容易受探测器和传输距离影响,导致图像亮度和对比度较低、轮廓细节模糊等问题。为此,提出了考虑多尺度纹理特征的红外传感图像频域增强方法。引入残差学习策略,基于多尺度纹理特征搭建多尺度卷积神经网络模型,进行图像去噪。对去噪后图像进行傅里叶变换,获取红外传感图像的低频图像和高频图像。针对低频图像部分,调节图像灰度和对比度以增强低频分量。针对高频图像部分,利用Log算子和Laplace算子增强图像细节及边缘。加权融合两者处理结果,选取Gamma校正调节对比度,增强高频分量。融合两种增强后图像,实现红外传感图像频域增强。实验结果表明,该方法峰值信噪比高于43,信息熵大于8,边缘强度超过82,对比度熵大于8.1,平均梯度大于8。

基于多尺度半耦合卷积稀疏编码的遥感地貌影像纹理识别方法

遥感地貌影像通常包含大量的数据,具有高度的复杂性和多样性,难以捕捉到不同层次的纹理信息,从而影响识别效果;因此,为提高纹理特征提取的效果,确保识别精度,采用多尺度半耦合卷积稀疏编码对遥感地貌影像纹理识别进行了研究;去除遥感地貌影像噪声,增强遥感地貌影像整体质量,通过分水岭算法分割遥感地貌影像,探究不同尺度下遥感地貌影像纹理特征区别,以有效捕捉到不同层次的纹理信息,提高遥感地貌影像纹理的识别性能;然后应用灰度共生矩阵(GLCM)获取遥感地貌影像的多尺度纹理特征,构建半耦合卷积稀疏编码模型,完成多尺度纹理特征提取过程的学习与多尺度纹理特征的有效融合,以能够在保持特征丰富性的同时,减少冗余信息,提高纹理识别的准确性;选取适当的分类器——朴素贝叶斯分类器,并对其进行训练;并以此为基础,制定遥感地貌影像纹理识别程序,执行制定程序即可获取地貌纹理识别结果;测试结果显示:应用提出方法获得的遥感地貌影像处理结果清晰度与对比度较高,地貌纹理特征提取结果更加完整与清晰,地貌纹理识别结果与实际结果一致,充分证实了提出方法应用效果更好。

基于多尺度纹理特征的海底底质样本增强方法

针对多波束海底底质分类模型构建受限于样本和特征对海底底质类型表征不足、模型稳定性差等问题,利用多尺度滑动窗口法提取声学纹理特征,结合K-均值聚类分析其精度,实现了多尺度纹理特征的优选,并利用多尺度纹理特征并辅以地形特征结合SLIC样本增强方法,实现了底质样本的有效扩充。同时,利用随机森林、BP神经网络、K最邻近、支持向量机等4种经典监督分类模型训练预测和评估所扩充的样本数据,最终总体分类精度均达到90%以上,kappa系数达到0.85以上。

结合多尺度纹理特征的高光谱影像面向对象树种分类

【目的】基于机载高光谱影像的分类研究中,利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少,并且相关研究主要针对单一树种识别而不考虑多种树种,因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。【方法】利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况,采用分层分类的方法区分非林地、其他林地与有林地,对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量,包括独立主成分分析ICA变换光谱特征以及空间纹理特征,分析各树种的光谱反射率及所适合的纹理尺度,依据不同尺度纹理特征进行分层分类,比较不同特征利用支持向量机SVM分类的树种分类结果。【结果】结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846;结合不同尺度纹理特征的分类总体精度为89.13%,Kappa系数为0.87,相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中,纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%。【结论】利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的,能够满足机载高光谱影像树种精细识别的应用需求。

一种多尺度时频纹理特征融合的场景分类算法

场景分类目前是机器视觉领域的一个研究热点,为了解决该研究领域中分类特征的提取问题,提出了一种多尺度纹理描述子(MSTD)特征。首先,采用小波变换,获得图像在时频域上的多尺度纹理视觉全局特征信息,之后提取反映局部细节的局部二值模式(LBP)特征,在时频域上进行融合,生成多尺度纹理描述子特征,以此作为图像分类的依据,最后采用支持向量机(SVM)作为分类器进行场景分类。在4个标准数据集上进行测试,实验结果表明,该方法具有较高的分类正确率,对室外场景的分类正确率都在84%以上。所提出的分类方法充分考虑了全局特征和尺度信息,增强了单层特征的区分度,有效地改善了分类的精度。

结合多尺度纹理的高分辨率遥感影像决策树分类

地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。

基于向量小波多尺度纹理分析的红外小目标检测

向量小波具有一般标量小波所不具备的许多优点。以背景纹理分析为基础 ,首先利用向量小波对不同尺度下各通道图像进行分解 ,然后利用能量法提取其局部纹理特征 ,并计算各点的特征向量与中心向量间的距离 ,即可得到一个相关的多尺度距离像 ,根据该距离像进行直方图统计 ,从而实现目标的检测。实验表明 ,本方法对小目标的检测取得了较好的效果 ,检测率高 ,且能较精确地检测出小目标的位置。尤其是本方法所具有的运行速度快 。

多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView-2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30m6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:(1)岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;(2)每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;(3)纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。

结合KPCA和多尺度纹理的IKONOS遥感影像决策树分类

城市地物类型多样,空间分布复杂,具有很强的非线性特征。核主成分分析(KPCA)通过将特征空间映射到高维核空间,可以表达图像像素间的高阶关系,因而可以提取图像的非线性特征,同时提供一组相互独立的主成分。本文在加入多尺度纹理特征的基础上,以应用地物分布的空间细节信息;且利用核主成分分析(KP-CA)方法对光谱和纹理量提取非线性特征信息,增大类别之间的可分性;并结合决策树分类方法对IKONOS遥感影像分类。实验结果表明:KPCA能很好提取地物之间的非线性特征,结合KPCA和多尺度纹理的决策树分类方法能有效地提取地物类型,提取精度为79.3%,KAPPA系数为0.763.

多尺度纹理图像数据抗干扰信息映射方法研究

针对当前的抗干扰信息融合方法受到噪点干扰的影响较大,存在映射精度低、误差大的问题,提出基于白平衡偏差补偿和小波尺度分解的多尺度纹理图像数据抗干扰信息映射方法.首先进行多尺度纹理图像数据的特征采集,对采集的原始图像数据采用小波降噪方法进行提纯预处理,然后进行图像的白平衡偏差补偿,实现图像数据的修正和多尺度纹理信息的融合,采用小波尺度分解方法进行图像数据抗干扰信息的特征提取和分层映射,提高图像数据信息的融合深度.最后进行仿真测试,结果表明,采用该方法进行多尺度纹理图像数据抗干扰信息映射,能提高图像数据的提取精度,图像数据的信噪比和归一化相关系数较大,表明抗干扰信息映射融合的较好,鲁棒性较强.

基于自适应窗口固定及传播的多尺度纹理图像分割

本文提出一种基于自适应窗口固定及传播的多尺度纹理图像分割方法,在小波域隐马尔科夫树模型(WHMT)的初始分割基础上,根据分割粗尺度上的区域一致性好,细尺度上的边缘准确的特点,利用上下尺度像素之间以及本层邻域像素的马尔科夫性,标记出图像的一致性区域和边缘区域,将一致性区域固定,类标直接下传到下一尺度,边缘区域则利用邻域信息确定出上文权值背景传播到下一尺度,与下尺度一起共同指导图像分割,从而很好的保持了区域均匀性和边缘准确性.同时根据纹理图像区域聚集性的特性,利用基于多项式展开和置信区间交叉(LPA-ICI)方法找出各类区域聚集的物理位置中心,融入上下文权值背景中,使得指导分割策略能够更好的进行.实验表明,对于合成纹理图像来说,本文提出的多尺度融合算法在均匀区域内部及区域边界都大为改善,而且无须进行参数的训练,使算法快速的完成.

融合多尺度纹理特征森林资源信息提取

基于SPOT-5多光谱和全色影像进行图像融合,构造NDVI植被指数,提取多尺度纹理特征并参与分类;基于SVM方法进行森林资源植被分类.结果表明:高通滤波(HPF)为最佳的图像融合方法,与单尺度纹理与光谱信息融合的分类相比,多尺度纹理与光谱信息融合的分类方法总精度提高了3%,验证了新方法的可行性.

基于多尺度纹理特征的最小二乘法深度信息估计方法

由于二维图像三维化技术重建三维场景可以低成本、高效率地提供三维显示资源,使得该技术成为图像处理领域重要的研究课题。深度线索的提取是重建三维场景的重要研究内容之一。为了更好地描述纹理特征与场景深度之间的关系,提出了一种基于多尺度纹理特征的最小二乘深度信息估计方法。通过构建多尺度模型、纹理滤波的方法捕捉头像的多尺度纹理梯度、纹理变化等特征作为训练样本;并进行训练,得到纹理线索与场景深度间的关系参量;最后用该参量来估计待测样本的深度。实验结果表明,该方法对场景深度信息的估计具有较好的效果。

应用多尺度纹理边缘的居民地轮廓提取

提出了一种多尺度纹理边缘与感知编组结合的居民地轮廓提取方法,用于在航空影像上提取居民地轮廓。该方法首先根据影像边缘点的尺度信息计算边缘隶属度,生成多尺度边缘图像;然后将边缘点属于高纹理区域的概率表示为边缘隶属度的函数,通过计算边缘点的概率确定高纹理区域边缘;最后利用曲线跟踪连接提取点形成初始零散轮廓集,并应用感知编组连接初始轮廓,获得完整闭合的居民地轮廓。实验证明,提取的居民地轮廓位置准确且完整闭合。

一种GIS空间知识分析的影像纹理尺度提取算法

本文提出了一种基于GIS领域空间知识的影像纹理尺度提取方法:该方法分析了GIS领域知识辅助下人类对纹理特征的认知过程,对4个步骤的具体实现算法进行探讨;并选取海南省昌江县作为研究区域,实验证明了本方法的有效性,且与传统的枚举法相比,在性能相近的情况下其效率显著提高,更适合于大数据量遥感影像分类运算。

大尺度弱纹理场景下多源信息融合SLAM算法

为实现自主机器人大尺度弱纹理场景下局部精准和全局无漂移的状态估计,提出一种视觉惯性与全球导航卫星系统多源信息融合的同时定位与地图构建算法。首先,通过在局部状态估计中加入线特征来更直观表示环境的几何结构信息,有效提升了弱纹理场景中关键帧之间相对位姿估计的准确性;其次,通过引入线性误差表示,将线性特征表示为直线端点上的线性约束,从而将线特征整合到基于特征点算法的线性表示中,有效改善算法在重复线特征场景下的鲁棒性。最后,使用多源信息融合算法,融合视觉惯性与GNSS测量信息实现了局部精确和全局无漂移的位姿估计,有效解决了大尺度弱纹理场景下的精准状态估计问题。多个公共数据集的评估结果表明,所提出算法的鲁棒性更强、定位准确度更高。

基于核的多尺度纹理特征遥感影像SVM分类

遥感影像的分类精度受到多方面的影响,如遥感影像的质量,所选的分类方法和有效的辅助数据等。为了得到更好的分类结果,很多科研人员提出了各种各样的方法。文中针对遥感影像分类问题,提出一种结合核主成分分析和多尺度纹理的高分辨率遥感影像支持向量机分类方法。实验结果表明,该方法能有效地提取地物类型,提高分类精度。

基于颜色信息熵和多尺度纹理特征的图像检索

颜色特征采用分块的HSV颜色空间的信息熵,纹理特征采用小波多尺度高频子带方差特征,结合遗传算法的图像检索方法。采用组合特征进行图像检索,改善了颜色特征缺乏空间信息的缺点,利用遗传算法能够自适应地搜索最优解,减少了在相关反馈的检索过程中,用户的选择操作。通过比较实验,具有很好的检索性能。

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度,本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先,对ASTER数据进行主成分变换,对选取的第一主分量采用Haar小波进行多尺度小波分解,将小波系数的统计特征作为纹理特征,构建纹理及光谱多维特征空间;接着,运用支持向量机(SVM)进行岩性分类;同时,根据光谱特征提取主要造岩矿物;最后将主要造岩矿物叠加在分类结果上,结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.4962%,较光谱+灰度共生矩阵纹理分类精度提高了2.6756%,较光谱特征分类精度提高了6.3189%。与最大似然法(MLC)分类相比,SVM分类精度提高了6.6237%。矿物提取结果表明,构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明,填图结果与野外调查结果的相关系数为0.7,可见,基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。