基于快速方向预测的高分辨率遥感影像压缩

针对传统的自适应方向提升小波变换(ADL-DWT)算法在高分辨率遥感影像压缩中计算复杂度过高的问题,提出一种新的基于方向预测的提升小波变换(DP-LWT)算法,实现了高分辨率遥感影像的快速、高效压缩.新算法首先将高分辨率遥感影像分为若干不重叠子块,然后采用梯度算子快速预测遥感影像中每个图像块的最佳提升方向,并沿着最佳预测方向插值完成方向提升小波变换,最后进行多级树集合分裂(SPIHT)编码.实验结果表明,新算法有效削弱了遥感影像各子带中非水平与非垂直方向的高频系数;与传统自适应方向提升小波变换相比,在重建高分辨率遥感影像峰值信噪比基本相同的情况下,有效减少了小波变换中方向预测的计算复杂度.     

基于三点迭代的聚类圆拟合算法

在图像识别过程中,针对圆轮廓局部失真和孤立边缘影响其拟合精度的问题,提出了一种基于三点迭代的K均值聚类圆拟合算法。首先通过链码跟踪约束去除孤立边缘的干扰,然后按设定规则对初始轮廓点进行采样,并基于三点迭代原理生成采样点的特征量,聚类算法依据特征量来剔除轮廓上的异形点,从而完成对采样点集的分类,最后采用最小二乘法对聚类点集进行拟合并与传统的圆拟合算法作了对比。针对拟合时K均值聚类算法初始位置敏感的缺陷,作了一定的分析和优化。实验表明该算法对圆轮廓局部几何失真有独特的拟合优势,具有较强的适应性。     

基于边界矩的机械零件图像轮廓特征提取技术

为实现机械零件的有效分类,针对零件具有比较明显的轮廓特征的特点,提出了基于边界矩的零件图像轮廓特征提取方法.首先采用轮廓提取算法,提取零件二值图像的轮廓,在进行水平倾斜校正后,以零件的质心为中心,将轮廓图像划分为若干个扇形子区域.利用改进的边界矩计算方法,分别计算出各子区域的边界矩,从而得出零件轮廓图像边界矩的分布特性.最后,采用K均值聚类算法对提取的零件轮廓特征进行分类,实验结果证明了该方法的有效性.     

应用尺度不变特征变换的多源遥感影像特征点匹配

针对多源遥感影像之间灰度值非线性变化导致特征点匹配率大幅度下降的问题,提出了一种利用光谱信息的多源遥感影像特征点匹配算法.首先,以光谱信息对遥感影像波段进行线性拟合,使待匹配影像与参考影像之间的灰度值由非线性转变为线性或者近似线性变化.接着,在拟合的遥感影像上采用改进的尺度不变特征变换(SIFT)算法进行匹配.最后,采用随机抽样一致性算法剔除误匹配点对.与常用特征点检测算法(SIFT,梯度位置朝向直方图(GLOH),RS-SIFT)的对比实验结果表明,本文所用的ETM+影像全色与多光谱影像的特征点匹配率提高了4％左右,CBERS-02B和HJ-1B卫星多光谱影像的正确特征点匹配个数增加了8对.因此,在多源遥感影像特征点匹配中,本文所提算法优于其它检测算法,可以极大地改善匹配效果.     

空-谱协同流形重构的高光谱影像分类

鉴于传统高光谱影像分类大都采用监督学习方法,且仅利用了光谱信息,未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法,该算法基于高光谱影像中地物分布的空间一致性,利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习,并利用测试样本在每一子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征,在训练样本数量较少时仍能得到好的分类效果,有效提升了分类性能。     

结合光谱和形态剖面特征自适应加权影像分类

针对遥感影像分类中多特征利用的问题,提出一种综合利用光谱和形态剖面特征的分类方法.该方法首先将原始影像经形态属性滤波器滤波所得的形态剖面特征和影像光谱值一起组成特征向量;然后依据训练样本各特征分量的方差确定不同地物类别相应特征分量的初始权重,并通过训练样本的特征加权获得各类别的初始中心;随后,根据初始权重计算每个训练样本到各聚类中心的加权距离,将最小距离对应的类别作为训练样本的初始类别;再对每一类别,根据该类训练样本中那些被错分为其他类别样本的均值与该类初始中心的距离来调整该类初始权重;最后,根据调整后的权重,采用加权距离最小分类方法对整个影像进行分类.实验结果表明,形态剖面特征有效地弥补了光谱信息区分能力不足的缺点,调整后的权重强化了区分能力强的特征分量.     

采用独立分支网络的多源遥感数据自适应融合地物分类

针对现有基于深度学习的地物分类方法大多面向遥感影像,而对点云数据的空间信息利用不足,特别是对点云和影像这种异源特征融合不够充分的问题,提出了一种采用独立分支网络结构的多源遥感数据自适应融合地物分类方法。首先,对配准好的LiDAR点云和遥感影像分别采用三维网络和二维网络提取各模态的空间几何特征和语义特征;其次,在点云空间对影像特征进行交叉模态采样和特征对齐得到基于点的多源特征;最后,采用一种基于注意力机制的非线性自适应特征融合方法实现二、三维语义特征的融合。实验结果表明,本文方法通过网络训练能够实现自适应数据特征的多源遥感数据融合分类,针对ISPRS多源遥感数据集的植被、建筑物和地面三类地物平均分类精度达到85.87%,相较三维点云语义分割的分类精度提高了10.12%。本文提出的独立分支融合网络能够实现二、三维数据的交互学习与深度融合,为遥感多源数据地物分类提供了一种新的思路。     

基于NMI特征的遥感影像线性迭代聚类超像素分割算法

针对现有基于简单线性迭代聚类(SLIC)的超像素分割算法用于细节丰富的遥感图像处理时,存在的易受噪声干扰、过分割问题,本文提出一种结合超像素块之间基于归一化转动惯量(NMI)特征的相似性度量的遥感影像分割方法,对分割效果进行改善.本文首先利用引导滤波算法对影像进行平滑处理,去除椒盐噪点;再通过现有的线性迭代聚类算法对影...     

基于Rough集的遥感影像增强方法研究

通过对Rough集理论特点和遥感影像信息的不确定特性分析,基于对Rough集理论的不可分辨关系、近似集合和分类概念的分析,研究实现了一种保护图像边缘的遥感图像滤波和增强的算法,并通过实验证明了该算法的效果和有效性.     

结合辐射与分形的高分遥感建筑物阴影检测

高分辨率遥感影像建筑物阴影检测可为城市摄影测量领域中的建筑物定位、高度估计等提供关键信息。针对传统基于辐射特征的阴影检测方法中所存在的局限,提出了一种结合辐射特征与分形属性的高分辨率遥感影像建筑物阴影检测方法。首先,采用针对高分辨率遥感影像的WJSEG(wavelet J-segmentation)算法进行区域分割;在此基础上,通过综合分析建筑物阴影的辐射及几何分形信息,构建了统一的特征空间;最后,提出了基于用户可信度的样本选择方法来优化主动学习的支持向量机(SVM)分类,从而实现建筑物阴影检测。实验表明,所提出方法能够准确识别建筑物阴影并有效排除虚假目标的干扰,检测精度显著提高。