车载全景序列影像的位姿估计优化方法

针对车载全景序列影像的位姿估计问题,该文提出了一种基于角元素和线元素的位姿估计优化方法。根据全景多视几何关系,建立了角元素和线元素多视约束的优化模型,并推导完成模型的位姿求解方法。然后作为初始外方位元素,加入稀疏GPS/INS的相机控制数据约束,采用全景球模型的稀疏光束法平差对位姿估计结果进一步优化。实验选择IP-S2车载移动测量系统获取的全景序列影像,对比分析单视图、全景视图的连续位姿估计、本文方法和GPS/INS控制数据。实验结果表明,该文方法可提高位姿估计的精度,并减少连续位姿估计产生的累计误差。     

改进SA方法的卫星视频图像超分辨率重建

为了提高卫星视频图像的质量,针对SA方法中无法实现小数倍超分重建和"黑色格网"问题,提出了改进的SA超分辨率重建方法。对于小数倍超分问题,首先建立参考帧低分辨率图像坐标系,以超分倍数构建参考帧高分格网,按表达的物方元素一致的原则,把所有低分辨率图像和高分辨率图像的坐标系统一在一个参考坐标系下;对于"黑色格网"改善问题,在使用运动估计参数时,为了减少由于运动补偿造成的误差,取消传统SA方法中四舍五入的运动参数补偿方法,改为以待求点为中心确定容许误差,通过容许误差选择参估点,用参估点计算高分辨率网格像素,以减少"黑色格网"现象。利用仿真和真实的卫星视频数据实验验证了该方法的有效性。     

顾及运动估计误差的“凝视”卫星视频运动场景超分辨率重建

在含有运动地物的"凝视"卫星视频影像超分辨率重建问题中,针对由于运动估计不准确导致的重建后运动物体存在"格网"和"拖尾"等问题,提出了顾及运动估计误差的运动场景超分辨率重建方法。首先,在MAP模型框架下分析了基于L₁范数和L₂范数的保真项对于运动估计误差的稳健性,引入稳健的M-估计作为保真项,自适应的减少运动估计误差对重建结果的影响;然后,分析了稳健估计条件下Tikhonov、TV、BTV正则项的重建效果;最后,提出了基于稳健估计的双边滤波超分辨率重建方法,用SkyBox和吉林一号的卫星视频数据验证本文方法。试验证明,本文方法对含有运动目标的卫星视频影像具有较好的重建效果,重建后动态和静态地物细节都得到提升,归一化方差和梯度能量指标都优于其他方法。试验表明了本文方法的可行性。     

单应性约束的SAR图像序列MAP超分辨率重建

针对合成孔径雷达(SAR)图像序列超分辨率重建过程中对配准误差敏感的问题,该文提出了一种单应性约束的最大后验超分重建方法。首先,对SAR图像序列的中间帧做2倍上采样,将其作为基准图像,利用本文改进的尺度不变特征变换(SIFT)配准算法依次计算SAR图像序列的每一帧与基准图像之间的单应性。通过对待配准图像进行分幅、放大阈值、单应性筛选等操作,达到增加匹配点数量、有效去除误匹配的目的。然后,将单应性作为配准参数,对图像进行配准,并对配准后的图像进行重采样,重采样后的图像利用最大后验(MAP)超分算法进行超分重建,得到高分图像。实验结果表明,该文改进SIFT配准算法可以在保证匹配点对正确率较高的同时增加匹配点数量,且算法复杂度低。改进MAP重建算法与经典超分方法相比,图像质量更高,细节更好。     

自适应运动结构特征的车载全景序列影像匹配方法

以运动结构特征为约束条件的序列影像匹配,是基于多变量核密度函数,采用非参数均值漂移方法估计最优局部运动相似性结构特征的过程。核密度函数的带宽大小决定了匹配方法的收敛速度和精度。本文提出了一种可变带宽的自适应运动结构特征的车载全景序列影像匹配方法。首先以采样点在空间域和光流域的局部空间结构定义自适应的带宽矩阵。采用局部光流特征向量的距离加权法,描述光流域上运动相似性结构特征的松弛扩散过程。然后给出自适应多变量核密度函数的表达形式,并探讨了均值漂移向量的求解、终止条件以及种子点的选择方法。最后融合多尺度SIFT描述特征与运动结构特征,建立统一的全景影像匹配框架。试验选择车载移动测量系统获取的城市球全景序列影像,结果表明在内点率变化、物方尺度变化等情况下,本文方法可以实现自适应运动结构特征的相似性度量,提高匹配的正确点数和匹配率,算法表现出较强的稳键性。     

视频星运动目标检测方法的对比和分析

视频卫星可提供大尺度运动场景的实时监控,而运动目标检测是其应用的核心问题。本文设计并实现了目前3种主流的运动目标检测方法,以路面交通监控视频和卫星视频为应用背景,详细探讨了3种方法在检测精度、实时性和运动目标完整性等方面的优缺点和适用条件。实验表明:混合高斯模型方法在多目标复杂背景下,表现出较强的适应性。粒子滤波法具有抗灰尘噪声干扰特性,运动目标边缘保持较好。     

基于WebGIS的视频星车流量分析与路况查询系统

车流量作为衡量路况信息的重要因素,需要一个低成本且高效的可视化监控系统。本文对视频监控中的车流量信息进行了提取分析,采用背景差分的方法对视频中有关的车辆因子进行提取,包括车流量信息提取、车辆类型提取、车速提取,并将分析得到的数据通过Web GIS发布到网络上支持在线预览,结合GIS和视频监控的特点,解决了传统视频监控系统空间位置感较差的问题。     

多特征的POCS图像超分辨率重建方法

针对传统凸集投影(POCS)方法重建图像存在边缘保持能力不足、细节丢失的问题,该文提出了一种多特征的凸集投影超分辨率重建方法。首先,根据局部相似性特征和图像的梯度特征构建参考帧,以保持图像的边缘细节特征。然后,运用光流法对上采样后的序列低分辨率(LR)图像和参考帧进行配准,同时利用比值稀疏约束模型估计参考帧的点扩散函数(PSF),并获取点扩散函数作用窗口的中心坐标和点扩散函数作用窗口的范围。最后利用参考帧和点扩散函数生成重建图像的初始估计,根据重建图像残差对参考帧进行修正,最终得到重建图像。为验证本文算法的有效性和鲁棒性,分别与上采样、迭代反投影、凸集投影几种重建方法进行实验对比,实验表明本文算法重建结果在主观和客观评价方面明显优于其它方法,本文算法可行。     

先验引导的多降质特征“珞珈一号”夜光遥感影像质量提升方法EI北大核心CSCD

珞珈一号夜光(NTL)遥感影像存在云雾、辉光、分辨率降低等多种复杂的降质现象,现有的深度学习影像质量提升网络往往只针对某一种类型的降质问题,且没有充分利用影像的先验信息,训练和学习过程的可解释性差,去除的降质类型单一。因此,针对含有多种复杂降质的影像质量提升问题,提出一种可解释性先验引导的多降质特征夜光影像质量提升方法。分析降质过程和降质表现,推导出了辉光、云雾噪声和空间分辨率下降的综合降质模型,并以该模型作为先验引导构建了云雾、辉光、分辨率3类数据集。在网络结构方面,针对3类降质设计了包含通道注意力模块和像素注意力模块的残差密连卷积神经网络,并用比值稀疏约束损失函数进一步提高影像的清晰度。利用珞珈一号夜光遥感影像进行了试验,结果表明,本文方法可有效去除云雾、辉光等的影响,处理后影像中的灯光边缘信息更加清晰,空间分辨率提高,影像质量提升明显。     

光流特征聚类的车载全景序列影像匹配方法

提出一种光流特征聚类的车载全景序列影像匹配方法.采用非参数化的均值漂移特征聚类思想,以SIFT多尺度特征匹配点的位置量和光流矢量,构建了影像特征空间的空域和值域;利用特征空间中对应的显著图像光流特征为聚类条件,实现了全景序列影像的匹配;最后以全景极线几何约束为条件进行粗差的剔除.通过相同、不同内点率以及不同数据的试验对比分析,本文方法在匹配正确点数和正确率方面要优于经典的Ransac法和金字塔Lucas-Kanade光流法,尤其在场景复杂造成的低内点率情况下,算法表现较为稳定,并可较好地剔除由重复纹理、运动物体、尺度变化等产生的匹配点粗差.