一种基于RBF神经网络的遥感图像校正方法

研究基于RBF神经网络的算法针对遥感图像的几何校正,给出一个简单快速的实现方案,通过对实际图像进行了校正实验,获得满意的校正结果,说明谊方法能有效地精确校正图像的几何畸变.     

基于多项式的遥感图像快速几何校正

遥感图像几何校正是遥感信息处理中的重要内容之一.提出了一种遥感图像的快速几何校正算法,该算法把畸变图像划分成多个子块,分别由多个处理块对子块进行重采样计算,在重采样计算上又使用最大限度地减少坐标变换的冗余计算方法.经实例证明了该算法能够有效地提高遥感图像的处理速度.     

书籍扫描图像几何畸变校正

提出一种图像扫描技术,解决书籍扫描时图像背景灰度不均匀、线性几何畸变、以及非线性几何畸变等问题。这个方法不依赖扫描仪的参数。通过对图像的预处理,选取适当的采样窗口,基于直方图背景分析导出背景灰度因子,校正背景灰度不均。提出了一种线性几何畸变校正算法,用横向数值校正算法解决了非线性畸变的问题。     

遥感图像的几何畸变校正方法研究

该文通过对遥感图像的几种主要几何误差计算,论述了一种直接利用图像几何误差公式和多项式近似校正相结合的图像几何畸变校正方法,并以实例证明了利用该文算法经过重采样能够得到清晰、有效的遥感数字图像。     

基于图像匹配的星载遥感影像自动几何精校正算法

提出了一种新的基于匹配技术的自动几何精校正算法,可以解决遥感影像人工几何纠正方法精度差、效率低等问题。该算法基于控制点图像片与待校正影像匹配实现控制点自动选取,然后进行异常匹配检测剔除匹配错误的控制点,保证控制点选择的精确性,并最后对遥感影像实施精校正。同时,根据以往研究成果,提出了一种更加快速、有效的多判据匹配算法。以遥感影像（光学/SAR）实例进行验证,结果证明了该方法的有效性和鲁棒性。     

蚁群算法优化神经网络的零点误差非线性校正

为解决电流互感器的零点误差非线性校正问题,提出一种蚁群算法优化径向基函数(RBF)的零点误差非线性校正方法(ACO-RBF).利用蚁群算法对RBF神经网络参数进行优化,并采用优化后的RBF神经网络对电流互感器零点误差进行自适应校正.仿真结果表明,相对于其他校正方法,ACO-RBF可提高电流互感器自动测试系统的测量精度,减少测量误差,较好地反映零点误差变化的特点.     

基于SA-WPSO的遥感图像校正方法

提出一种基于SA-WPSO的遥感图像校正方法。该方法利用多项式模型对图像进行初步几何校正,得到多项式校正系数后,将模拟退火(SA)思想引入粒子群优化(PSO)算法,通过改进的SA-WPSO算法优化多项式校正系数,在此基础上实现图像的几何校正。实验结果证明,与二次多项式及三次多项式校正方法相比,该方法的校正精度更高、鲁棒性更好。     

自适应复杂环境的投影图像校正算法

为实现投影仪在任意表面上的自适应投影,提出一种可以在日常环境光照条件下进行自动几何校正和色彩补偿的投影图像校正算法.该算法使用基于二进制编码结构光的离散映射集合方法,通过计算对应像素映射关系消除投影图像的几何畸变;然后应用一种优化的朗伯特反射模型构造投影表面的纹理空间,对原始投影图像进行预处理和全局亮度补偿,最终实现投影图像的颜色补偿.实验结果表明,基于文中算法在复杂环境中进行投影,可以在不规则几何表面上投影出符合视觉期望的无变形图像,并能够有效地消除投影表面固有纹理和环境光照对投影图像的干扰;将自适应复杂环境的投影图像校正算法应用于传统投影机摆脱了投影机对投影幕布的依赖,可以在任意环境中实现近似于白色平板幕布的投影效果.     

多投影显示系统结构光几何校正算法

针对带有非规则曲面显示墙的多投影显示系统的几何校正问题,提出一种基于结构光投影技术的自动非线性几何校正算法.该算法首先用结构光投影技术计算出每个投影机与显示墙的映射关系;其次使用相机拍摄显示墙上的经纬度点阵;最后通过提取拍摄的图像特征计算得到投影机帧缓存中每个像素点在全局坐标系下的经纬度值,并将其转换为纹理坐标,从而实现了非线性几何校正.模拟仿真实验和虚拟机场系统中的实际应用结果表明,文中算法能够有效地提高系统的几何校正精度,且无需进行相机的标定和具有显示墙解析式的先验知识,适用于任意光滑的曲面显示墙.     

基于粗糙集的高速公路交通流神经网络模型

利用粗糙集能够处理模糊、不确定知识和神经网络对非线性函数具有任意逼近能力的优点,提出一种粗糙集和RBF网络集成的动态系统建模算法。并利用这种方法建立具有复杂动态特性和不确定性的高速公路宏观交通流动态模型,仿真结果表明了该方法的有效性。     

基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术

为解决分辨率超限问题,实现对遥感图像帧特征对象的精准识别,提出基于边缘检测及RBF神经网络的遥感图像帧特征动态识别技术。求解微分算子与OTSU阈值,并以此为基础,确定边缘节点追踪参数的取值范围,实现对遥感图像边缘检测。根据RBF神经网络机制的构建标准,推导神经性激活函数,完成RBF神经网络识别模型的设计。在所选遥感图像中,实施帧特征分割处理,再联合动态合并条件,计算超像素指标与并行识别参量,完成基于边缘检测及RBF神经网络的遥感图像帧特征动态识别方法的设计。实验结果表明,在边缘检测与RBF神经网络模型的作用下,主机元件在长、宽、高三个方向上对于遥感图像帧特征对象的识别精度都达到了100%,分辨率超限问题得到较好解决,符合精准识别遥感图像特征的实际应用需求。     

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪。为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法。利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理。通过前景与背景图像的分割,选择遥感图像中的待检测目标。构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征。最终通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果。通过性能测试实验得出结论：与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440ms,由此证明优化设计方法具有良好的检测性能。     

应用径向基函数网络进行足球机器人视觉系统的标定

在足球机器人视觉系统中,由于摄像机是普通的非量测摄像机,所以实际空间点的三维几何位置与其在图像中对应点之间是一种复杂的非线性映射关系,必须进行摄像机标定。由于基于精确模型的各种标定方法比较繁琐,而径向基函数网络可以实现从输入到输出的任意的非线性映射,论文将径向基函数网络应用于足球机器人视觉系统的标定,仿真实验结果表明该算法是确实可行的。     

Remote sensing image classification based on neural network ensemble algorithm

The amounts and types of remote sensing data have increased rapidly, and the classification of these datasets has become more and more overwhelming for a single classifier in practical applications. In this paper, an ensemble algorithm based on Diversity Ensemble Creation by Oppositional Relabeling of Artificial Training Examples (DECORATEs) and Rotation Forest is proposed to solve the classification problem of remote sensing image. In this ensemble algorithm, the RBF neural networks are employed as base classifiers. Furthermore, interpolation technology for identical distribution is used to remold the input datasets. These remolded datasets will construct new classifiers besides the initial classifiers constructed by the Rotation Forest algorithm. The change of classification error is used to decide whether to add another new classifier. Therefore, the diversity among these classifiers will be enhanced and the accuracy of classification will be improved. Adaptability of the proposed algorithm is verified in experiments implemented on standard datasets and actual remote sensing dataset.     

一种改进的局部加权拟合校正方法

几何校正是遥感图像处理的一个重要环节,是减弱遥感图像与地面真实形态差异的重要方法。但是常规几何校正方法对无人机影像进行校正,其效果不够理想。在分析了局部加权拟合校正法的基础上,用控制圆规定其局部校正区域,并且新增辅助控制点来覆盖该区域,以这种方法对其进行了改进。通过对同一无人机影像进行几何校正对比分析实验,结果表明:改进的局部加权拟合校正法能够更充分、合理地利用局部控制点信息,对控制点的分布具有更好的适应性,能够有效提高无人机影像的几何校正精度。     

基于RBF 神经网络的低对比度图像自适应增强算法

针对低对比度图像增强问题,提出了一种将直方图修正与RBF 神经网络相结合的 图像对比度增强算法。首先由原始图像获得与其邻域存在对比度的像素的条件概率直方图,通 过调整两个增强参数可以改变条件概率直方图和均匀分布直方图的权重,生成新的直方图对图 像进行增强。采用RBF 神经网络建立图像特征与两个增强参数之间的非线性映射关系。根据图 像本身的特征快速获得增强参数,从而实现图像的自适应增强。该方法计算量小,实时性强, 应用范围广,有较强的自适应性。     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。