融合几何特征的压缩感知SIFT描述子

为了解决尺度不变特征变换(SIFT)描述子在存在较多相似结构的匹配中,易造成误匹配,并且维数较高、匹配耗时的问题,提出了一种融合相对几何位置的压缩感知描述子.首先,以特征点为中心,将周围关键点的相对几何位置(RGL)信息形成尺度和旋转不变的RGL描述子,其次,对SIFT描述子利用压缩感知(CS)理论进行降维,形成CS-SIFT描述子,最后将两者融合形成RGL-CS-SIFT描述子.实验结果表明:与SIFT和PCA-SIFT描述子相比,匹配速度有所提升,匹准确率明显提高.     

轮廓不变特征在待机飞行器识别中的应用

飞行器拍摄到的待机飞行器图像常出现旋转、尺度、仿射等畸变,同时噪声等影响会使目标轮廓部分缺失。针对这个问题,提出了一种轮廓不变特征,并将其应用于待机飞行器识别当中,以分割出来的物体灰度图像为基础,利用椭圆拟合方法进行方向归一化,提取全局轮廓特征;根据轮廓中的关键点位置将轮廓划分为上下左右4部分局部轮廓,提取局部轮廓特征,将其当作神经网络的输入参数,利用神经网络作为分类器,达到识别物体的目的。设计了两组目标识别对比实验。实验结果证明此方法在噪声污染、轮廓提取不完整的情况下,仍能得到较高的识别率,优于传统的矩特征等方法。     

基于非线性局部滤波的红外小目标检测方法

为提高复杂环境下红外小目标的检测效率,将图像分为平坦区域、边缘区域和小目标区域三种区域,并针对三种成分的特点,提出基于拉普拉斯金字塔的非线性局部滤波检测方法.首先将图像进行高斯金字塔分解,将高斯低通金字塔与原图像尺寸匹配后,相减并进行阈值操作,抑制平坦区域;其次将标记像素灰度值与其周围环域均值的最小差作为指标,滤除边界区域;最后将非线性局部滤波结果生成相应的拉普拉斯金字塔各层系数,重构得到高对比度的检测图像,利用邻域特点剔除孤立噪声点并通过简单阈值标记红外小目标.实验结果表明:与现有其他算法相比,该检测算法能够对复杂背景有效抑制,检测速度快.      

适用于小视场星敏感器的导航星表构建方法

导航星表构建是星敏感器设计阶段的重要工作.对于小视场,受限于恒星分布规律,易出现导航星表空洞问题.为解决小视场条件下均匀完备导航星表构建问题,对基于球面螺旋基准点的导航星表构建方法进行了改进:摒弃了原方法通过改变球面螺旋基准点数量和位置重新构建导航星表的思路,转而通过增选部分恒星来达到减少星表空洞的目的.设立了描述恒星消除星表空洞能力的权值,并以该权值递减顺序开展恒星增选;同时,设计了增选恒星距离阈值条件以保持增选后导航星表的均匀性.仿真表明,在4圆形视场条件下,相对于原方法,文中方法得到的导航星表,总星数减少708颗,均匀性指标提高约44%,而星表空洞变化较小,显示了较好的性能.     

基于边沿方向特征的地面时敏目标识别方法

地面时敏目标机动性强,目标姿态无法准确预知导致识别出现困难。传统SIFT特征对旋转、尺度、光照等畸变有很好的抑制作用,但是其只能在较小的视角变换范围内起作用,当视角变换较大时SIFT识别率较低。针对此问题,提出了一种基于边沿方向特征的地面时敏目标识别方法。首先利用积分图像及Haar小波模板计算图像梯度场,以模值极大值点作为特征点;然后将满足距离约束的两点组合成为特征点对,利用互相校验的方法,增强了特征点对的独特性;最后将梯度方向作为匹配依据,实现目标识别。实验结果表明,给出的识别方法具有可行性和有效性,可以在大角度视角变化中保持稳定,在45°范围内均能实现目标的正确识别,具有较强的鲁棒性,优于SIFT算法。     

仿射不变三角形在红外目标识别中的应用

红外目标识别主要存在以下两个问题：一是红外成像比较模糊,难以提取不变特征;二是红外图像信息含量小,不易发掘有效的描述方法。针对上述问题,提出了一种基于曲率尺度空间(Curvature Scale Space,CSS)角点的仿射不变三角形的检测方法,并利用优选参数的多尺度自卷积(Multi-scale Autoconvolution,MSA)对提取的三角形区域进行描述,最后进行特征匹配实现红外目标识别。实验表明：与其他方法比较,在各种图像变换中,本文方法对红外目标的识别优势显著。     

纹理粗糙度在红外图像显著性检测中的应用

提出了基于纹理粗糙度的红外图像显著性检测算法,以解决红外图像对比度低,目标显著性检测难的问题。首先,研究了Tamura的粗糙度原理,对粗糙度进行分析和评价,提出了新的粗糙度计算方法。然后,将图像分解为超级像素集合,并计算超级像素的最大平均强度差;利用最大平均强度差定义超级像素的最佳尺度,作为纹理粗糙度的度量。最后,将超级像素区域均匀外延,利用粗糙度的局部对比度和灰度信息度量红外图像的显著性。通过实验验证了本文算法的有效性,结果表明:在10%的噪声水平下,本文粗糙度保持不变,粗糙度特征图一致性较好,而Tamura的粗糙度特征图中杂点明显增多。与其它显著性检测算法对比,本文算法击中率最高,为0.752。该算法挖掘了红外图像的纹理粗糙度特征,为红外图像显著性检测提供了新的特征选择。     

基于两层策略的SAR图像局部不变特征点的匹配方法

在基于局部不变特征的SAR景像匹配制导中,局部不变特征点的匹配实时性具有十分重要的工程意义。提出了一种基于两层策略的特征点匹配方法。首先根据特征点响应的阈值对实时图和参考图分别提取一级特征点和二级特征点,然后依据二级特征点到一级特征点的距离使二级特征点隶属于距离最近的一级特征点,由此达到对二级特征点进行分组的目的。进一步,通过对一级特征点进行方向梯度描述,借助kd-tree最近邻方法(NN)匹配策略实现特征点初步配对,并结合RANSAC算法验证剔除误匹配点。最后,对隶属于提纯后一级特征点的二级特征点进行BRIEF描述,分组对二级特征点进行匹配。仿真实验结果表明,特征点匹配速度大幅提升。     

基于Curvelet稀疏和共轭梯度法的压缩传感图像重构

压缩传感以低采样率、抗干扰性强等特点备受关注。在图像能够稀疏表示的先验条件下,可以通过较少的随机投影,就能对原始图像进行精确重构。本文将Curvelet阈值收缩和共轭梯度相结合进行压缩传感重构,克服了正交小波方向选择性差,传统重构算法需要内存大、收敛速度慢、重构图像的细节与平滑不能兼备的缺点。实验结果表明,该算法提高了重构图像的峰值信噪比,加快了收敛速度,平衡了图像的细节与平滑成分。