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。     

基于图像显著性区域的遥感图像机场检测

针对已有方法对图像逐像素进行分析的不足,将人眼的注意力选择计算模型引入到遥感图像的机场目标检测中,提出一种基于图像显著性区域的遥感图像中机场目标检测与识别的方法,以提高自动目标检测的效率.首先利用霍夫变换对遥感图像中是否存在机场目标进行初步筛选,然后利用改进后的基于图像的视觉显著性模型提取显著性区域,根据区域上的尺度不变特征变换特征并结合多层分类回归树完成机场目标的识别.实验结果表明,该方法比现有的其他机场检测方法具有速度快、识别率高、虚警率低的特点,同时对噪声有较强的鲁棒性.     

一种用细胞神经网提取遥感图像边缘的新方法*

针对灰度遥感图像具有噪声多、图像亮度均匀、边缘模糊等特点,提出了基于细胞神经网遥感图像边缘检测的新方法。该算法主要是利用细胞神经网先后对遥感图像进行图像滤波、灰度阈值化、膨胀腐蚀、边缘检测等模板操作。实验结果表明,与传统的Sobel和Canny边缘检测算法相比,本算法不仅能有效地去除噪声对边缘检测的影响,而且能够快速完整地提取图像边缘。     

基于深度学习的卫星遥感图像边缘检测方法

为解决卫星遥感图像边缘模糊噪点过多,导致图像清晰度过低的问题,提出基于深度学习的卫星遥感图像边缘检测方法。利用Softmax分类器结构,提取边缘图像节点处的数据信息参量,遵循深度学习算法,完成对图像信息的卷积与池化处理,实现基于深度学习的卫星遥感图像识别。根据尺度空间定义原则,确定边缘检测特征点所处位置,再联合梯度信息熵计算结果,完成对卫星遥感图像的拼接处理。分别计算一阶微分边缘算子、二阶微分边缘算子的具体数值,确定梯度幅值的取值区间,总结已知数值参量,建立完整的双阈值表达式,完成基于深度学习的卫星遥感图像边缘检测方法的设计。实验结果表明,应用所提方法后卫星遥感图像边缘节点处信噪比指标增大,可有效控制模糊噪点对图像清晰度的影响,在卫星遥感图像边缘精准检测方面具有较强的实用性。     

遥感图像中的飞机快速定位方法

针对目前遥感图像中飞机的快速定位问题,提出了一种利用分布估计法处理边缘轮廓特征的飞机快速定位方法.首先融合不同精度的多边形近似结果,将复杂的几何轮廓转换为网状结构;再通过期望最大化(EM)算法对局部灰度纹理特征值进行分布估计,定位分割出飞机区域.对几幅机场图像的试验结果表明基于复杂边缘轮廓的方法不受图像各种灰度信息的干扰,突出了飞机同其他图像内容的区别,同时EM算法能够根据强化结果的纹理特征快速准确的定位出大幅遥感图像上各种型号的飞机目标,具有较好的鲁棒性和实用性.     

增强现实环境下复杂板材的三维位姿跟踪方法

针对增强现实(AR)技术在实际工业生产场景应用中遇到的实时目标监测、复杂场景识别等问题,提出基于线特征求解板材三维位姿变化量的目标位姿跟踪方法,在单目摄像头环境下即可实现复杂表面板材的位姿监测与拟合。在利用头顶摄像头检测工件状态后,首先将当前帧图像进行降采样,再在HSV空间对进行图像预处理,并利用形态学梯度和改进的直线分割检测(LSD)直线算法提取边缘直线,然后结合模板图像的边缘直线以及利用多项式回归拟合关系曲线的方法求解出天线板的位姿变化量。实验结果表明:所提的基于改进的LSD算法提取线特征位姿监测方法相比基于ORB特征点和纹理特征位姿跟踪方法具有求解速度快、鲁棒性好等优点。     

改进的模糊形态学边缘检测算法

提出了一种新的基于模糊形态学的边缘检测算法。算法结合模糊增强方法和模糊形态学边缘检测方法,使用简单隶属度函数将图像映射到模糊特征平面,利用滑动窗口技术进行模糊增强,增大边缘的灰度差,将增强后的模糊图像调整回原始区域,采用多方向模糊形态学进行边缘提取。实验结果表明该算法优于传统的边缘提取算法。     

改进Canny边缘检测的遥感影像分割

基于边缘特征的图像分割算法中,能够准确地检测出边缘是进行图像分割的前提和关键。针对目前遥感图像分割算法普遍存在鲁棒性差、易发生边缘信息缺失以及适用范围较窄的缺点,提出了一种基于改进Canny边缘检测的遥感影像分割算法。针对传统Canny高斯滤波在平滑图像的同时也模糊了边缘,改用具有保边特性的引导滤波对图像进行平滑;针对噪声对求导敏感这一问题,增加45°和135°方向梯度模板来计算图像梯度和方向;针对传统Canny算子人为设定高、低阈值的局限性问题,改用大律法自适应地根据图像灰度选取高、低阈值。为充分利用多光谱图像的优点,在进行边缘检测时采用波段分解,逐波段进行处理,随后将边缘综合成一幅结果图,最后进行区域生长。实验结果表明,与其他和传统边缘检测的分割方法相比,该方法在遥感影像分割中取得了较好的结果。     

基于MRF模型的遥感图像建筑物分割研究

为了快速有效地从遥感图像中提取目标建筑物,采用小波分析和Markov随机场(MRF)相结合的方法进行遥感图像建筑物目标分割。首先将小波分解得到图像的多尺度序列作为各个尺度特征场的观测值,采用高斯混合模型建模特征场,以MRF模型作为标记场先验概率分布模型,通过EM算法迭代使得参数估计和图像分割交替进行,最后采用模板匹配检测建筑物目标的位置。选择多幅遥感图片进行实验,结果表明,采用分解层数为3的Haar小波,类别数为2,MLL模型势函数β为1时,该方法能够完成复杂背景下的建筑物目标分割并能对规则目标进行检测。     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

基于并行计算的无人机影像角点检测

无人机影像数据量通常很大,导致串行计算难以满足角点快速检测的需要。针对该问题,利用改进的Harris角点检测算法,以各图像块的标准差表征其计算量,为充分利用硬件资源,采用OpenMP进行并行编程,并优化调度策略,将循环迭代依据计算量的大小平均分配给每个线程,使各线程负载尽可能均衡,从而实现角点检测多核并行计算的最优化。实验结果表明,该方法可较大地提高无人机影像角点检测效率。     

基于数据特征的多传感器融合实时目标检测

为了进一步降低目标检测出现的误检率,提出了一种基于传感器数据特征的融合目标检测算法。首先,为了减少部分离群噪声点对点云表达准确性的影响,采用统计滤波器对激光雷达原始点云进行滤波处理;其次,为了解决点云地面分割在坡度变化时,固定阈值会导致分割不理想的问题,提出了自适应坡度阈值的地面分割算法;然后,建立KD（k-dimensional）树索引,加速DBSCAN（density-based spatial clustering of applications with noise）点云聚类,基于Andrew最小凸包算法,拟合最小边界矩形,生成目标三维边界框,完成聚类后的目标点云位姿估计;最后,将激光雷达检测到的三维目标点云投影到图像上,投影边界框与图像检测的目标边界框通过IoU关联匹配,提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明,提出的点云聚类平均耗时降低至173 ms,相比传统的欧氏距离聚类,准确性提升6%。搭建硬件实验平台,基于实测数据的实验结果表明,提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。     

特征点检测DoG并行算法

特征点检测被广泛应用于目标识别、跟踪及三维重建等领域。针对三维重建算法中特征点检测算法运算量大、耗时多的特点,对高斯差分（Difference-of-Gaussian,DoG）算法进行改进,提出特征点检测DoG并行算法。基于OpenMP的多核CPU、CUDA及OpenCL架构的GPU并行环境,设计实现DoG特征点检测并行算法。对hallFeng图像集在不同实验平台进行对比实验,实验结果表明,基于OpenMP的多核CPU的并行算法表现出良好的多核可扩展性,基于CUDA及OpenCL架构的GPU并行算法可获得较高加速比,最高加速比可达96.79,具有显著的加速效果,且具有良好的数据和平台可扩展性。     

基于像素时域剖面分析的序列图像中弱点目标检测算法

序列图像中弱点目标的实时检测算法,是光学精确制导信息处理系统中的关键算法之一。首先对现有基于像素时域剖面分析的检测算法进行了简要的综述,然后根据不同像素的时域剖面模型对其时域方差变化特性进行了详细分析,提出了一种基于自适应递归方差滤波器的检测算法。对仿真时域序列与真实图像数据进行实验,结果表明该算法可实现检测弱点目标。考虑到该算法可并行、递归计算,因此它在实时制导系统中有良好的应用潜力。     

基于FPGA联合Sobel算法的实时图像边沿检测系统的设计与实现

边沿检测技术作为数字图像处理领域的重要一支,在目标匹配,交通管控,国防安全等多个领域有着广泛的应用,能够精确高效地实现边沿检测对于后续进行更高层次的图像识别以及图像处理有着密切的联系;为了实现实时有效的图像边沿检测提出了基于FPGA结合Sobel算法的实时图像边沿检测系统,硬件使用流水线结合并行处理的解决方案,能够有效提高图像处理的速度;算法设计采用Sobel算法,不但简化了运算同时获得了不错的检测效果;实验结果显示,系统可高效地达成实时图像边沿检测的设计目的,而且提升了图像的处理效率与边沿检测的效果,便于满足后续图像处理的要求。     

基于模板匹配单色布匹瑕疵检测算法

提出一种基于模板匹配的单色布匹瑕疵检测算法,该检测算法首先存储待测布匹的无瑕疵模板图,并对模板图进行分块,然后对待测样本图进行相同的分块操作,进一步利用模板匹配方法对相同分块区域的样本图与模板图进行匹配查找,得到最优匹配图像.在匹配过程中,对模板图按照一定比例进行扩充,以提高匹配的准确性.最后将样本图与最优匹配图像进行差值对比实现布匹瑕疵检测.实验结果表明,算法弥补了传统Gabor算法高度依赖纹理的缺陷,提高了对于纹理模糊的单色布匹瑕疵检测准确率,检测效率与精度满足验布现场需求.     

Guided Fine-Tuning for Large-Scale Material Transfer

We present a method to transfer the appearance of one or a few exemplar SVBRDFs to a target image representing similar materials. Our solution is extremely simple: we fine-tune a deep appearance-capture network on the provided exemplars, such that it learns to extract similar SVBRDF values from the target image. We introduce two novel material capture and design workflows that demonstrate the strength of this simple approach. Our first workflow allows to produce plausible SVBRDFs of large-scale objects from only a few pictures. Specifically, users only need take a single picture of a large surface and a few close-up flash pictures of some of its details. We use existing methods to extract SVBRDF parameters from the close-ups, and our method to transfer these parameters to the entire surface, enabling the lightweight capture of surfaces several meters wide such as murals, floors and furniture. In our second workflow, we provide a powerful way for users to create large SVBRDFs from internet pictures by transferring the appearance of existing, pre-designed SVBRDFs. By selecting different exemplars, users can control the materials assigned to the target image, greatly enhancing the creative possibilities offered by deep appearance capture.     

Target Detection Based on 3D Multi-Component Model and Inverse Projection Transformation

Target detection based on image/video, being involved to deal with the geometry and scale deformation, as well as the change in the form of movement caused by camera imaging, algorithms are always designed complexly. Though, object shelter and adhesion still cannot be well resolved. Considering of that, a new method for target detection on true 3D space based on the inverse projection transformation and a mixing component model is proposed. Firstly, the inverse projective arrays parallel to target local surface are established on 3D space. Then, the 2D image is inversely projected to these planes through 3D point cloud re-projection, and a lot of inverse projective images with target local apparent characteristics are gained. After that, component HOG feature dictionaries are trained using the inverse projective images as samples, and on account of it, sparse decomposition approach is adopted to detect target local components. Finally, 3D centroid clustering for all the components is further used to identify the target. Experiment results indicate that the target detection method on true 3D space based on multi-components model and inverse projection transformation can not only deal with the object occlusion and adhesion perfectly, but also adapt to the multi-angle target detection well, and the accuracy and speed is far beyond that of the algorithm on 2D image.     

方块队及其在小矩形区域连通检测中的应用

连通检测是计算机数字图象处理中一个重要的基本操作,它在模式识别、图象理解、图象特征提取等方面有着广泛的用途。为了提高连通检测的效率,在传统队数据结构的基础上,提出了一种新的数据结构,称其为方块队,同时提出了运用方块队进行小矩形区域连通检测的快速算法。该算法既可以检测目标象素在小正方形区域中的连通情况,也可以检测目标象素在小长矩形区域中的连通情况,还可直接用于图象中水平线和坚直线的初步检测。与已有的连通检测算法相比,此算法有着更高的效率。     

SCDPT下的分层图像融合策略研究

针对空间对接背景下多源图像融合问题,提出一种基于SCDPT（shiftable complex directional pyramid transform）的分层图像融合策略。对于运动图像序列中运动目标由远到近过程中目标大小的变化,提出了一种分层融合的方法,将视觉特征明显的运动目标区域采用基于匹配度一区域内积能量的SCDPT融合算法,而非运动目标区域采用传统的融合算法。通过实验以及对实验结果的主观评价准则和客观评价准则,分析证明了图像的分层融合策略在标准图片和空间图片上都可以达到满意的融合效果。