边缘追踪模型与SURF检测结合提取天绘影像机场目标

目的遥感影像提取识别机场目标是遥感领域研究的热点。但是大多研究仅使用被裁剪的影像进行提取识别,由于处理速度等原因很少使用整景高空间分辨率遥感影像提取机场目标。大多数研究是先提取出图像中的直线,根据直线确定机场跑道再确定机场目标,但高分辨率图像提取的直线不仅是机场跑道的,还有可能是高速公路、铁路、大型厂房的外墙、耕地边缘、山脉、地层等,如何区分提取的直线是机场跑道很少被研究。很多研究提取的都是大型机场目标,没有对小型机场进行提取识别,另外如果图像中同时有两个机场应该如何提取也没有被研究。天绘具有数据实时回收,数据全球覆盖等特点,本文将使用高空间分辨率天绘影像(6 000×6 000像素)提取机场目标。天绘影像地物类型复杂,细节丰富,仅使用一般的空间滤波或边缘探测方法会导致检测结果中有过多的噪声和伪边缘,致使机场目标识别不出来,所以建立了一种以边缘提取追踪模型和SURF(speeded up robust features)检测结合的检测方法和提取流程,达到机场目标识别的目的。方法边缘提取追踪模型是建立在边缘提取基础上。首先对天绘影像进行滤波处理消除噪声,再对图像进行梯度幅值和法线梯度方向的计算,并利用改进的非极大值抑制方法找到梯度图像中局部变化的最大值,删掉其他值,获得单像素边缘图像,然后对边缘图像进行边缘轮廓线追踪提取出边缘轮廓线,最后使用直线检测和SURF检测方法识别出机场目标。结果使用本文方法成功地识别了4景天绘卫星图像中的机场目标。借助改进的非极大值抑制和边缘轮廓线追踪提取方法有效地提取了影像中所有地物的边缘,识别出的地物边缘都是清晰的、单像素的边缘,对地物边缘轮廓进行直线提取,并在提取直线的基础上使用SURF检测获得图像中的机场目标。利用天绘卫星图像成功在2景图像中分别提取出一大、一小两个机场,在另外两景图像中分别各提取出一个机场,顺利地实现了用天绘卫星图像提取识别机场目标的过程。结论本文提出的机场目标提取方法十分有效,该方法不仅适合于天绘卫星遥感数据,还适用于和天绘卫星类似的其他遥感卫星数据。其中对非极大值抑制方法的改进能够提取出更准确的边缘,也能提取出更细微的边缘,抑制虚假边缘的产生,对提取小型机场有帮助。

基于SURF的ROI区域的可逆水印算法

针对ROI水印算法对几何攻击的抵抗能力较弱的问题,本文提出一种基于SURF(Speeded Up Robust Features)特征点选取ROI,并分别嵌入中、低频子带的可逆水印算法,能有效抵抗几何攻击。该算法首先提取载体的SURF特征点,然后对载体图像进行5/3整数小波变换,筛选出感性兴趣区域(ROI)的低频系数和非感兴趣区域(ROB)的中频系数;水印经过置乱变换和抽样金字塔分解,水印分解后的近似子带嵌入感兴趣区域的低频子带中,残差子带嵌入非感兴趣区域的中频系数中。实验数据表明该算法能够抵抗常规的几何攻击和信号攻击,提取的水印相似度高,NC值均保持在0.89以上,具有良好的可逆性和鲁棒性。

基于SURF的移动AR博物馆文物可视化系统设计与应用

基于移动增强现实技术,对博物馆三维模型展示进行了研究。简要介绍了增强现实技术;设计了博物馆移动增强现实系统,利用3DS Max建立模型,利用WiFi对系统进行定位,利用SURF算法提取自然特征并进行跟踪配准,实现了三维模型的建立。在系统测试中,对WiFi的定位精度和跟踪配准精度进行了测试,结果显示其平均定位误差为0.55 m,表明其对环境遮挡具有较好的适应性,能够满足系统的要求;将博物馆内的一些文物以三维模型的形式进行展示,验证了该方法的有效性。本研究为移动增强现实技术在博物馆中的应用提供了一定参考,有利于移动增强现实技术的进一步推广。

基于兴趣点方向梯度直方图的图像检索方法

提出了一种基于图像兴趣点方向梯度直方图的检索方法。为了提高检索准确度,首先采用直方图均衡化增强图像对比度,然后利用SURF(Speeded Up Robust Features)检测子检测图像中的兴趣点,以兴趣点为中心,对兴趣点邻域内分块方向梯度直方图进行图像特征描述,最后进行相似性度量。该算法通过直方图均衡化,提取到图像中更丰富的细节信息,尤其对于颜色单一与颜色较深的图像,而且算法中充分利用了图像中包含信息量较多的图像兴趣点。实验证明。该算法提高了图像检索的准确度,相比其他算法取得了更好的检索结果。

基于CamShift的视频跟踪算法改进及实现

运动目标图像的检测跟踪技术是计算机视觉的关键技术之一,广泛应用于工业、交通、军事等诸多领域。基于无人机平台下的动态场景运动目标检测与跟踪是该领域的一个技术难点,在实际应用中,环境复杂、目标较小和平台运动等特性对算法的实时性和可靠性提出了较高的要求。如果能将目标的一些其它特征加入到搜索过程中就有可能改善Camshift本身存在的不足。本文以跟踪算法Camshift为基础,将SURF特征检测整合到Camshift算法中,大大提高了目标物体的跟踪准确度,同时也有较好的实时性,能够对目标实现更好的跟踪,实现了较好的跟踪效果。

基于机器视觉的TLD目标跟踪算法改进

运动目标跟踪是计算机视觉领域重要的研究内容之一。在经典的半监督学习跟踪算法(跟踪-学习-检测(TLD))的基础上,提出了以下改进:检测模块耗时巨大是TLD算法难以实时的主要原因,结合卡尔曼滤波器,提出了一种不降低检测精度的局部与全局检测结合的优化方法,实验表明此方法提高了算法实时性;采用改进的SURF特征点检测算法替换原算法中网格均匀采样的方法,克服中值流跟踪存在的问题,提升了整体跟踪算法的鲁棒性。通过对改进算法与原算法的对比实验,验证了改进算法的准确性和实时性均优于原算法。