综合高分卫星图像多维特征的云检测方法

云是遥感图像分析处理的一大障碍,为了解决这一问题,基于高分1号遥感影像光谱和纹理的多维特征信息,提出一种综合优化的云检测方法。针对光谱检测出的似云区域,该算法采用新的子图分割方法,结合动态阈值设置,有效提高了纹理检测的正确率。由于固定的光谱阈值设置和纹理检测都无法获取复杂环境下的云层边界信息,算法采用大津法予以修复。结果表明,该算法可有效地检测出影像中的云覆盖区域,实现薄云、厚云以及厚云边界信息的最佳提取。     

综合灰度和纹理特征的运动阴影检测方法

为了提高运动目标阴影检测的有效性和稳健性,提出了一种综合灰度和纹理特征的阴影检测方法。该方法通过背景差分法提取运动区域,利用快速归一化互相关函数对运动区域进行检测,获得潜在的阴影区域。然后,利用Gabor小波分析潜在阴影区域的纹理特征,得到最终的阴影区域。实验结果表明,该算法能够实时有效地进行阴影检测,并具有较强的稳健性。     

基于纹理抑制和连续分布估计的显著性目标检测方法

为了取得更好的显著性检测结果,针对传统的显著性检测方法易造成边界模糊以及应用中央-周边差进行图像检测时,感兴趣目标的内部纹理会破坏目标的整体性的问题,提出了一种基于纹理抑制和连续分布估计的显著性检测方法。先对图像进行双边滤波的预处理,以平滑目标以及背景区域内部的纹理扰动,保留目标与背景之间的主要边缘。再采用SLIC超像素分割算法,对图像中具有相同特征的像素进行分组,通过多维正态分布提取分割区域的特征,利用二范数Wasserstein距离计算区域相似度:结合局部显著性检测以及全局显著性检测实现目标区域的提取。实验结果表明,本文的方法能够较好地提取显著性目标区域。     

综合纹理和亮度的夜间场景图像来源检测方法

针对目前基于模式噪声方法处理夜间场景下图像来 源检测准确效果较差问题,提出一种综合纹理和 亮度的夜间场景图像来源检测方法。首先基于夜间场景图片会存在同张图片不同区域会有不 同纹理和亮度 从而会影响提取模式噪声质量不同这一理论依据,将图片根据纹理和亮度分成若干大小相等 的块;然后对 不同块按纹理平缓亮度良好、纹理复杂亮度差、纹理平缓亮度差、温度复杂亮度良好四种情 况处理,其中 对于纹理复杂的区域提取的噪声要抑制纹理干扰、对于亮度条件差的区域提取的模式噪声需 要增强、对于 亮度差且纹理又复杂的区域提取的模式噪声、既要抑制纹理的干扰又要增强模式噪声。实验 结果表明,本 文方法在夜间场景情况对图像检测整 体识别率均在在80%以上,与传 统模式噪声提取算法相比,该算法正确率能够提高4到12个百 分点。     

基于纹理抑制的磁环表面缺陷检测方法研究

针对磁环表面缺陷图像具有对比度低、纹理背景复 杂、缺陷种类多和亮度不均匀等问题,提出了一种基于改进自适应Canny算法和掩模技术的 磁环表面缺陷提取方法。首先,在分析磁环表面图像中不同 区域灰度特征和梯度特征的基础上,通过拟合磁环内外轮廓构造掩模图像,以便屏蔽磁环背 景区域的干扰; 然后,利用提出的基于8邻域各向异性滤波的改进自适应Canny边缘检测算法,抑制磁环表面 纹理的干扰;最后, 利用图像数字形态学增强边缘连通域,并利用构造的掩模图像提取磁环表面缺陷。利用开发 的样机 进行了大量的在线实验。实验结果表明,本文缺陷提取算法稳定性好,鲁棒性强,能够准确 、快速地提取 出磁环表面图像各区域的缺陷,表面缺陷检测的准确率为97.3%。     

基于数据挖掘的图像压缩域肤色检测算法

提出了一种直接在JPEG图像压缩域进行肤色检测的算法。该算法首先在熵解码后的DCT系数中提取图像块的颜色特征和纹理特征,然后利用数据挖掘建立用于表征压缩域图像特征和肤色检测结果之间关系的肤色模型,并利用该模型进行初步肤色检测,最后利用区域生长的方法分割出图像中的肤色区域。实验结果表明,与像素域的SPM (Skin Probability Map)肤色检测算法相比,本文方法可以获得更高的检测准确率和更快的检测速度。     

基于边缘羽化检测的虚假图像盲识别算法

本文针对羽化操作的篡改方式,提出了一种新的图像肓识别算法,这种算法使用纹理分析方法.该方法的基本思想是首先进行图像分解,根据纹理图像进行轮廓构建.在轮廓构建中先对纹理图像进行类似纹理再提取,去除当中少量的噪声,其中使用了双树复小波,变换.利用得到的数据,进行轮廓构建.实验表明,该算法在没有任何数字水印和数字签名的前提下,能提高篡改区域的检测精度,有效的检测大面积光滑的图像.     

动态视频监控中海上舰船目标检测

为了监测一些危险的海洋区域,使用了基于电荷耦合器件(CCD)的动态平台,提出了一种基于海面背景纹理模型的舰船目标检测算法。利用图像子块离散余弦变换(DCT)域的能量特征,实现了天空背景和海天线的快速检测。为了将船舰目标从水平线下复杂的海水背景中分离出来,提取海天线以下的海面区域图像子块的DCT域纹理特征,并利用自适应模糊c均值聚类方法建立海面的混合纹理模型。利用建立的海面纹理模型,实现了海面背景与舰船目标的分割。实验结果表明该算法可以实现舰船目标的快速、稳健检测,尤其适合于大浪海况下基于运动监视平台的海事监测。     

基于彩色边缘检测及综合特征的车牌定位算法

针对车牌区域难以定位的问题,本文提出了一种基于彩色边缘检测及综合特征的车牌定位方法。该算法利用车牌底色与字符颜色有几种固定搭配的特点,对彩色图像进行边缘提取,然后利用车牌区域的结构与纹理特征定位车牌,有效减少了车牌大小、位置以及背景复杂等方面的限制。实验证明该算法耗时少,准确率高,鲁棒性好。     

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于置信度的飞行时间点云去噪方法

飞行时间（Time-of-Flight,ToF）三维成像方法由于多路径干扰和混合像素等问题降低了目标物体深度测量的精度。传统的方法通过优化重构异常点云数据或滤除噪声点云数据来提高目标的准确性,但是这些方法复杂度高且容易导致过度平滑。三维点云图像中的有效点云与噪声点云之间的关系很难用数学模型来表示。针对上述问题,本文提出了一种基于置信度的飞行时间点云去噪方法。首先,分析多帧点云数据的概率相关性,以点云数据的置信度作为判别有效点云与噪声点云的依据;其次,利用多帧点云之间的矢量对偶性,提出了一种快速提取不同置信度点云的算法,其时间复杂度为O(L);最后使用该算法提取多帧三维图像中置信度高的点云数据获得目标物体的真实测量数据,并重点对4组不同场景的点云数据进行对比实验。实验结果表明,该算法能够在有效滤除噪声的同时,显著提高目标物体的距离测量精度,增强目标物体的特征,因此具有广泛的应用价值。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达(light detection and ranging, LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention, CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion, MF)模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

基于特征的海面低速小目标检测工程算法

为了提高海面雷达对海漂浮小目标检测能力,提出了一种基于目标时频特征的检测算法。首先,验证了从接收的时间序列中提取的相对多普勒峰高、相对多普勒偏移、相对多普勒熵等特征在时间维度上可以有效地区分海杂波和小目标;其次,构造了特征检测器,给定虚警概率下的判决区域由凸包算法确定;最后,根据实测数据对算法进行了检验。结果表明：当虚警概率为0.01时,采用双特征检测器可在512个脉冲下完全区分海杂波和实测小目标,双特征检测算法优于传统动目标检测算法。     

TOF点云强度特征匹配迭代最近点配准算法

针对时间飞行(TOF)获取的三维点云数据噪声点多、有效目标在点云中所占比例较小的问题,提出一种适用于TOF点云数据的基于强度特征匹配的迭代最近点配准算法。首先使用强度特征进行有效区域提取,然后对有效区域进行配准,最后使用有效区域的变化矩阵对整个点云数据进行配准。实验结果表明,该方法能在不影响配准速度的情况下,有效提高真实点云配准的精确度。     

空间非合作目标点云聚类配准方法

空间非合作目标的相对位姿测量问题成为空间在轨操作任务的重难点,通过对激光雷达获取的目标三维点云进行聚类,得到小规模、特征明显的聚类点云,有效提高了配准效率和精度。针对基于区域生长的聚类算法在对可视点云进行聚类时,特征相似部分无法聚类识别的问题,提出了二维图像优化三维点云聚类的方法。该方法将深度值信息和RGB颜色值建立数学映射关系,点云降维后,利用颜色梯度突变进行边界提取,将边界内的点逆向恢复到原始点云,最后将各个类的点云进行合并,得到易于识别的显著特征点云。实验结果表明,在配准角度误差为±5°的条件下,可有效地缩减点云规模并保留了显著特征,提高ICP配准算法的计算效率,为解决空间非合作目标相对位姿实时测量提供技术支持和解决思路。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

基于无监督学习的ToF点云目标提取方法

飞行时间(Time of Flight,ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于kmeans提出一种FVPkmeans算法,完成目标点云数据的全局全矢量提取处理。再基于K NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。     

基于注意力机制的实时车辆点云检测算法

针对现有激光点云目标检测效果、实时性差的问题,提出了一种基于注意力机制的实时车辆点云检测算法。本文所提出的检测算法将注意力机制算法与YOLOv3相结合,利用注意力机制对点云鸟瞰图的特征进行权重分配,以学习不同通道和空间下特征的相关性,并通过CIOU loss和Focal loss来改进检测器的损失函数。实验结果表明基于注意力机制的车辆点云检测算法检测速度可达30帧/秒,车辆目标的平均检测精度达到了92.5%。并且在实车数据测试中,该算法能快速准确的对一定范围内车辆进行准确识别,并且达到实时检测效果。