基于改进的SIFT顺序尺度标志识别算法

设计一种由矩形和圆构成的合作标志;为克服动态环境下拍摄影像的旋转、平移、变形等问题,提出了一种改进的SIFT尺度信息提取方法,通过统计信息量,设定合适阈值去除误差点,根据均值对尺度信息排序,优化尺度信息;将优化后的特征量作为支持向量机(SVM)的输入,经过训练、预测,完成标志识别。与传统HU不变矩、仿射矩(AMI)相比,在清晰、加噪、遮挡等条件下,改进的SIFT尺度信息特征量都具有更高的识别精度。实验表明:利用SIFT顺序尺度进行目标识别的方法在准确性和鲁棒性方面能够满足要求,算法能较准确的进行标志识别。

改进的多尺度顺序边缘连接检测法及在医学图像中的应用

边缘提取是图像处理与分析中的基本问题 ,由 Purdue大学的 Edward JDelp等人提出的多尺度顺序边缘连接检测法 (Multiresolution Sequential Edge L inking,MSEL )在保持边缘的连接性、较小的错误率等许多方面优于其它的边缘提取方法 .但是 ,它在初值选取上不尽合理 ,该文有效地解决了这一问题 ,并给出了在医学图像应用中的实验结果 .

基于顺序多尺度的智能规划问题模型及其求解方法

针对规划定义域语言不支持对多尺度规划问题的建模,提出一种顺序多尺度的规划问题模型,设计了新的规划定义语言,并通过构造一个基于贪婪最好优先搜索法的基本方法求解顺序多尺度规划问题,证明了顺序多尺度规划模型的可解性.

数字高程模型空间分辨率对精细尺度地形变化检测的影响

基于数字高程模型(Digital Elevation Model,DEM)的地形变化检测方法易受DEM空间分辨率效应的影响。基于两期DEM相减的地形变化检测研究,目前仍缺乏其对空间分辨率影响的讨论。本文利用两个典型地形变化的实验样区,以实测点云数据作为数据源,使用两类5种方式(点云重采样方式3种,DEM重采样方式2种)构建不同空间分辨率的DEM数据,并在不同空间分辨率下使用不同的操作顺序进行地形变化检测;通过平均误差、标准误差、莫兰指数等多个指标探索DEM空间分辨率对地形变化检测的影响。实验结果表明:(1)DEM空间分辨率对地形变化检测的影响与多空间分辨率DEM的生成方式有关,使用双线性插值法的平均误差、标准误差、莫兰指数均最小,其不仅能有效降低地形变化检测的误差,同时还能优化误差的空间分布。(2)不同的多空间分辨率DEM生成方式得到的分辨率效应的整体趋势基本一致,即空间分辨率变粗,地形变化检测结果的整体偏差和局部偏差均变大,误差的空间自相关性也越来越强,并且误差和空间分辨率之间存在一定的线性关系。(3)地形变化检测和升尺度操作的先后顺序并不影响检测结果,即先对DEM重采样后进行变化检测的结果和先进行地形变化检测再对地形变化进行重采样的结果一致。本研究可为地形变化检测时DEM的生成方式、空间分辨率的选择以及地形变化检测的操作顺序提供参考。

利用尺度不变量特征的ISAR二维像自动识别技术

在平移、旋转、投影和遮挡等条件下,逆合成孔径雷达对目标成像不理想,会导致逆合成孔径雷达二维像目标识别困难.针对这个问题,提出了一种新的逆合成孔径雷达二维像特征提取方法,可以在不同的目标姿态获得有效的识别结果.利用尺度不变量变换,提取逆合成孔径雷达二维像的尺度信息,并按照从大到小的顺序重新排列,称为顺序尺度.将顺序尺度截取相同长度作为不变量特征,利用基于支持矢量机的识别算法选择RBF核函数,对逆合成孔径雷达二维像进行目标识别.仿真结果表明,利用顺序尺度作为特征变量,可以对逆合成孔径雷达二维像进行有效识别.

基于MSTO的含噪声多传感器图像融合算法

为了解决在含噪声多源传感器图像融合中,常规滤波存在图像边缘缺失、对比度差的缺点,提出了一种基于多尺度顺序开关算子(multi-scale sequential toggle operator,MSTO)和Beamlet保边滤波算子的含噪声红外与可见光图像融合算法.首先,将多源图像通过MSTO进行多尺度分解,得到能量分量和细节分量.对于细节分量采用Beamlet保边滤波算子进行处理,保持图像边缘细节的同时滤除噪声,采用MSTO计算出能量图像的亮边缘和暗边缘并融合叠加到细节分量中,进一步增强融合图像的边缘.对于能量分量采用基于灰度值取大的融合规则.最后根据MSTO反变换对融合后的能量分量和细节分量进行重构,得到结果图像.实验结果表明,融合后的图像不但滤除了噪声,而且对轮廓和边缘细节得到较完整的提取和增强.该图像融合算法在含噪声多源传感器的融合中取得较好的效果.

基于MSSTO与NSCT变换的可见光与红外图像增强融合

针对红外与可见光图像融合结果中边缘区域失真严重、对比度差的问题,提出一种基于多尺度顺序翻转算子(MSSTO)和非下采样轮廓波变换(NSCT)的图像增强融合算法.首先,采用NSCT将图像分解成高低频系数;其次,利用MSSTO从低频系数中提取出有效的亮、暗信息,并将其注入到融合低频系数中以合成最终低频系数;再次,高频系数采用局部空间频率加权(LFSW)与区域能量取大的融合方案;最后,对合成的高低频系数进行反NSCT得到融合图像.实验结果验证了所提出算法的有效性.