基于蚁群优化算法的线状目标简化模型

基于蚁群优化算法的基本原理,分析线状目标简化过程中所需满足的约束条件,建立具体的算法设计模型,并引入长期禁忌表和局部搜索策略以提高算法的运算效率,给出解题的关键步骤。最后对该算法进行测试,简化结果表明将蚁群优化算法用于线状目标的简化,能较好地保持线状目标的几何形状特征,在顾及长度偏差和矢量偏差的同时有较高的压缩率。与道格拉斯算法简化结果对比表明,在相同的几何限差内蚁群优化算法所得目标函数值更佳。

多尺度线状目标的机场跑道识别

特定目标的检测与识别是自动目标识别的关键技术之一。作为典型地面目标,机场跑道的识别,一直是自动目标识别领域人们感兴趣的研究课题。针对机场的跑道成像是线状结构和高灰度值的特征,提出了一种基于多尺度线状目标强化的机场跑道识别算法。实验结果表明,在复杂背景下,此方法在将机场跑道目标强化出来的同时,能够很好地抑制其他非线状特征目标,起到真正的强化作用。因此,在复杂背景下,此方法较基于边缘的机场跑道识别算法具有更好的识别性能。

遥感影像上线状目标自动提取研究现状与思考

自动识别遥感影像上的目标 ,快速、准确地获取所需信息是遥感数据处理的主要发展方向。从分析遥感影像上道路的基本特征出发 ,探讨了道路提取的基本思想 ,总结了国内外关于道路半自动提取的现状 ,综述了常用的提取算法 。

在空间抽象中线状目标间拓扑关系的等价转换

拓扑关系在抽象过程中的等价转换是维护多尺度空间关系一致性的基础。本文以空间拓扑关系组合推理所描述的线状目标之间的拓扑关系为例,采用成分抽象的等价转换方法,研究了线之间拓扑关系等价转换的原则,并绘出了相应的等价转换图。

不确定性线状目标之间拓扑关系的描述与判别

总结了常见的不确定性线状目标描述模型以及确定性线状目标之间拓扑关系的描述模型 ,并在此基础上提出了一种定量化分析方法 。

多尺度地理空间线状目标相似关系分析

对多尺度空间下线状目标的相似关系做了全面描述,从多尺度的概念和现实生活的相似定义出发,探讨了多尺度空间下线状目标相似的定义以及影响多尺度空间下线状目标相似的相似因子,通过对多尺度下线状目标相似因子的分析和探讨,为多尺度空间下线状目标的相似性的表达和度量提供参考.

基于压缩感知的线状目标一维距离成像

传统雷达受到Nyquist采样率的限制,在高分辨率的需求下会产生非常庞大的数据。压缩感知理论降低了整个系统对于采样设备以及存储设备的要求。该文在压缩感知的框架下引入一种基于目标特征的不完备的基集合,并建立与之适应的恢复算法。该方法无需事先已知问题的稀疏度,且在求解长度较长的线状目标问题时具有较好的性能。此外,对于线状多目标的问题该方法也可同样求解。仿真结果验证了所提算法的有效性。

基于边缘检测和骨架线跟踪的线状目标识别

线状目标的识别在很多方面具有重要应用,而目前常用的识别方法在准确性、抗干扰能力等方面有所欠缺。本文提出了一种综合利用边缘和骨架线这两个特征对线状目标进行识别的方法。方向小波变换不仅体现了多尺度特征,而且能很好地结合图像的方向及纹理特征,反映图像的边缘信息;基于优先搜索方向的骨架线跟踪方法可以减少搜索范围,降低问题复杂度。综合利用基于方向小波变换的边缘提取方法和基于优先搜索方向的骨架线跟踪方法,有效识别出线状目标,并通过纤维的识别证明了该方法的可靠性与精确性。

遥感影像上线状目标提取方法研究

遥感影像线状目标(主要是指道路)的提取是一个经典研究项目。本文首先基于相位编组的思想,确定出若干个局部图像的主方向,再利用对应方向的Sobel算子进行检测,最后对所得结果进行细化。实验证明,该方法对于图像中弱边界的识别是很有效的。

遥感影像上线状目标提取方法研究

遥感影像线状目标(主要是指道路)的提取是一个经典研究项目。本文首先基于相位编组的思想,确定出若干个局部图像的主方向,再利用对应方向的Sobel算子进行检测,最后对所得结果进行细化。实验证明,该方法对于图像中弱边界的识别是很有效的。

基于距离选通成像的水下线状目标检测算法

基于水下距离选通激光成像技术,提出了一种可用于长距离下的水下线状目标检测算法。该算法针对水下成像中低对比度、模糊和噪声等特性,首先采用对比度拉升、中值滤波、小波变换等方法对图像进行增强处理;然后利用Canny边缘检测算子提取出目标的边缘特征;最后针对边缘特征中出现的噪声边缘问题,选用了鲁棒性强的随机抽样一致性参数估计算法从边缘特征中检测出线状目标,并计算得到目标的位置和方向等相关参数。实验结果表明,该算法可以有效地检测出水下曲线状目标,弥补现有方法只能检测直线目标的不足,检测率可以达到93%,有效检测距离能达到5倍水下衰减长度。

一种三维CT图像中的线状目标检测方法

当前三维CT图像广泛应用在工业和医学中,对于工业无损检测和医学上的病灶分析具有重要的研究意义。线状目标广泛存在于医学和工业的CT图像中,为了实现三维空间中线状目标检测,传统的直线检测方法有Hough和Radon变换,但是计算量很大,而且不适合曲线检测,对于三维图像来说,计算更为复杂。因此提出一种基于距离变换,并通过端点和拐点检测提取线状目标检测算法,不仅对于直线目标有较好的检测效果,对特定曲线也有较好的检测结果,而且通过检测距离变换的距离,自动地检测线状目标的粗细尺度属性。实验证明,该方法具有较好的检测结果。

基于知识的线状目标边缘提取与识别定位

介绍了基于知识的线状目标的边缘提取、特征表达与识别定位方法．边缘提取与特征表达充分利用人类关于线状目标的知识，摈弃了传统的图像低、中层处理常用的数据驱动型方法．识别的过程将日标的边缘信息与原始图像的灰度信息相结合，避免了复杂背景下图像理解的歧义性，问时圆满解决了由于航空图像的噪声高而引起的边缘提取的不连续及由此带来的识别难题．本方法计算量小，速度快。

水下线状目标距离选通成像探测研究

针对海底电缆、水下管道等水下线状目标的自动光电探测需求,基于距离选通成像探测方法,构造实验系统在实验船池环境下对水下线状目标进行探测实验,根据图像特征,采用了结合中值滤波、对比度拉伸和小波去噪的图像预处理方法改善图像质量,采用改进型Canny边缘检测算法识别线状目标边界,采用改进型RANSAC算法对水下线状目标进行曲线拟合。实验结果表明本文提出的方法可在5倍水下衰减长度内,有效用于二次曲线状目标检测,算法稳定可靠,可适用于任意形状的水下线状目标光电探测应用。

基于特殊点跟踪的线状目标矢量化研究

针对单像素线宽线状目标栅格图像矢量化,提出了一种基于特殊点跟踪的矢量化算法。该算法通过提取曲线端点和曲线间交叉点这两类特殊点,以扫描跟踪的方式提取曲线上的所有像素点坐标,采用Douglas-Peucker法对曲线栅格点进行压缩,获得最终矢量图。实验结果表明,该算法能够有效地实现线状目标栅格图像的矢量化,在选取数据压缩阀值为2个像素的情况下,矢量图与原栅格图的距离差均值小于0.4个像素,数据压缩比大于850。

基于知识的线状目标的综合理解

基于知识的线状目标的综合理解１）沈丽琴胡栋梁戚飞虎（上海交通大学计算机科学与工程系上海２０００３０）关键词线状目标（ＬＦＯ），边缘提取，目标中心（ＯＣ），目标中心链（ＯＣＣ）．１）国家攀登计划认知科学重大关键项目及国家自然科学基金资助课题．收稿日期１...

Gauss比较函数与复杂遥感图像中线状目标的无偏自动检测

建立基于Gauss尺度空间的比较函数,对遥感图像中的道路结构进行特征描述、分离和定位.在此基础上,结合道路特征的图形和图像特征,提出了基于局部方向能量的线状目标检测算法,并根据道路的拓扑特征和几何特征进行假设验证、编组、融合,提取有效的道路线特征,应用于城市遥感图像中不同宽度和材质的主干道路和小路的提取.该算法计算复杂度小,在阴影遮挡和道路影像不明显的情况下对道路线特征具有良好的分辨能力.对Gauss比较函数的定位和抗零点漂移性能也进行了详细的分析.

航空图像中线状目标的自动识别

本文构造了一个航空图像中线状目标的自动识别系统，其中包括低层目标的细化边缘提取，中层目标中心链的特征表达和高层的目标识别定位．整个过程充分利用人类关于线状目标的知识，提出了一系列针对线状目标特征的识别算法，解决了高噪声航拍图片中线状目标的边缘提取及边缘提取不连续所带来的识别难题，并用可靠的实验结果证明了系统的有效性和普适性．

基于曲率相似性的SAS图像线状目标提取

针对合成孔径声呐图像中常见的线状目标的提取,提出了一种基于曲率相似性的最小代价路径提取方法,利用局部曲率相似性来减少噪声对最小路径方法的严重干扰,最终实现目标的自动提取。算法首先针对水下成像中的低对比度、模糊和噪声污染等特性,采用Retinex方法对图像进行亮度均衡和增强处理;然后将图像的像素定义为图的节点,相邻的像素连结为边,将图像表示为一个格状图,对格状图中的最小代价路径进行搜索;最后为了有效减小噪声与干扰的影响,利用线状目标局部路径曲率的相似性作为代价函数的加权约束因子,从而得到目标的完整路径。实验结果表明,本文方法可有效的从合成孔径声呐图像中提取出线状目标。

序列卷积神经网络支持下线状地图目标的分段方法

依据形态特征差异实施分段处理是实现线状地图目标自适应综合的重要步骤。传统方法主要采用长度、角度、曲率等参量描述局部曲线段的几何形态变化,通过人工设置规则或常规机器学习方法建立模式判别模型。本文提出基于卷积神经网络的线状目标模式识别与分段方法。首先,以相邻坐标点构成的线元为基本单元,以线元端点横、纵坐标差为特征,将线状目标离散化为二维序列;然后,建立序列卷积神经网络进行线元特征序列学习与预测,实现线元层次的模式类型判别;最后,利用迭代融合方法将拓扑相邻且模式类型相同的线元合并,从而输出不同形态模式的分段结果。以1∶5万行政区界线和1∶25万山区道路数据开展试验,本文方法分段结果与人工分段结果的一致性比率分别达到91.25%和85.65%,相较传统方法有一定提升。同时,本文方法通过深度学习获取模式判别的深层次特征,能够有效避免人工选择特征带来的主观性影响,对不同尺度、不同类型的线状目标分段问题适应性更好。