一种基于图像几何矩的非降维连续尺度解构模式

针对降维解构分析的多尺度图像处理容易造成高维信息的破碎与损失这一问题,建立了一种基于图像几何矩的非降维连续尺度解构模式,并在此模式下构建了10组非降维解构模型。模型以单通道图像为应用对象,以几何矩为算子,以不同尺度窗口下矩运算产生的特征值为基础对原始信息进行非降维解构。10组解构结果呈现均衡模式和增长模式两种形态。代入多尺度分割算法验证证明,基于图像几何矩的非降维连续解构分析可以提升多尺度分割精度,且增长模式下的解构信息对于图像分割更有利。     

无线传感器网络中基于压缩感知和GM(1,1)的异常检测方案

针对现有的异常事件检测算法准确率低和能量开销较大等问题,该文提出一种基于压缩感知(CS)和GM(1,1) 的异常事件检测方案。首先,基于分簇的思想将传感器节点的数据进行压缩采样后传输至Sink,针对传感器网络中数据稀疏度未知的特点,提出一种基于步长自适应的块稀疏信号重构算法。然后,Sink基于CM(1,1)对节点发生的异常进行预测,并对节点的工作状态进行自适应调整。仿真实验结果表明,相比于其它异常检测算法,该算法的误警率和漏检率较低,在保证异常事件检测可靠性的同时,有效地节省了节点能量。     

基于特征异质性优选的面向对象建筑物提取北大核心CSCD

利用面向对象方法提取遥感影像中的建筑物是当前研究热点之一。针对此方法中特征选择问题,文章基于面向对象的分析方法,充分考虑影像特征与多种地物在空间异质性上的相似程度,提出了一种特征优选方法,进而完成建筑物的提取。具体方法是:首先,计算对象内同质性与对象间异质性,基于均值变点原理确定全局最优尺度;其次,利用地理探测器基于空间异质性相似度对分割对象的光谱、纹理、高度、形状等特征进行优选;最后,根据优选出的特征进行建筑物提取,并辅以邻域高程比对算法进行优化,获得建筑物较完整、可靠的轮廓。结果表明,该方法对建筑物提取更加高效且精度更高。