基于区域特征的图像配准方法

针对毁伤前与毁伤后图像因拍摄时间、角度不同和毁伤导致图像变化剧烈,造成图像无法配准的问题,提出一种基于区域特征的图像配准方法。该方法通过提取建筑物区域的形状特征和空间关系特征,构建建筑物区域的特征描述符,利用特征描述符的相似性完成图像配准。为了使特征描述符具有平移不变性、旋转不变性和尺度不变性,将描述区域与其他区域的中心距离、中心连线与长轴夹角的范围区间均匀分割,利用分割区间的索引构建二元组,通过计算满足二元组对应距离和夹角范围的建筑物区域与描述区域的面积比值作为特征描述符的元素。实验结果表明,与现有方法相比,该方法能完成毁伤前与毁伤后图像的配准,匹配率高,具有较好的鲁棒性。

深度学习轻量化侦察图像压缩网络

为了满足小型侦察平台对低复杂度图像编码算法的应用需求,提出基于深度学习轻量化侦察图像压缩网络。轻量化侦察图像压缩网络编码端利用三个卷积模块直接将图像映射为服从均匀分布的二进制码流,得到压缩数据;在卷积模块中采用深度可分离卷积、分组卷积+通道重排等方式降低了编码端参数量和计算量。轻量化侦察图像压缩网络解码端采用转置卷积和残差连接等方式提高特征提取能力,进而提高解码图像质量。对分辨率为128×128实际采集图像的测试结果表明,与JPGE2000算法相比,基于深度学习轻量化侦察图像压缩网络PSNR提高了3.85 dB,编码时间降低了91%,实现了图像的轻量化编码压缩。

分块压缩感知的全变差正则化重构算法

针对分块压缩感知(BCS)重建图像质量较差问题,该文提出一种最小化l0范数的分块压缩感知全变差(TV)正则化迭代阈值图像重构算法(BCS-TVIT)。BCS-TVIT算法考虑图像的局部平滑、有界变差等性质,将最小化l0范数与图像的全变差TV正则项结合,构建目标函数。针对目标函数中l0范数项和分块测量约束项无法直接优化问题,采用迭代阈值法使重构图像l0范数最小化,并通过凸集投影保证满足约束条件,完成了目标函数的优化求解。实验表明,与基于l0范数最小化的分块压缩感知平滑投影算法(BCS-SPL)相比,BCS-TVIT算法重构图像峰值信噪比提高2 dB,能消除BCS-SPL的“亮斑”效应,且在视觉效果上明显优于BCS-SPL算法;与最小全变差算法相比,BCS-TVIT算法重构图像峰值信噪比提升1 dB,且能降低重构时间约2个数量级。