不同传感器图像的景象匹配区选取准则研究

景象匹配区的选取工作是影响光学景象匹配系统性能的重要因素,在分析影响景象匹配算法的配准概率和定位精度等因素的基础上,人们已经提出了一些实用的选取方法。文章首先对这些方法进行了研究,然后,从选取准则的角度对影响景象匹配区选取的因素进行了归纳分析,通过实验发现利用这些准则在进行实时图为红外图像、基准图为可见光图像的景象匹配区选取时存在一些问题,文章针对这些问题提出一种基于图像边缘密度与自匹配系数的景象匹配区选取准则。实验证明,该算法既保证了所选匹配区中的边缘信息量,又确保了所选区域具有较好的不相关性,采用粗选加精选的方式提高了选取速度。     

基于数据库的景象匹配适应性分析平台

景象匹配适应性分析可以推进景象匹配相关技术的研究，文中构建的基于数据库的景象匹配适应性分析平台通过选取匹配对、计算图像参数、大规模匹配实验、匹配概率相关定义及数据库管理分析等技术手段可以快速、有效地对匹配算法、适配区选取准则的适应性给出科学的结论，是促进景象匹配技术研究的一种有效手段。实验结果表明，该平台对于景象匹配导航系统从理论到仿真的研究，以及算法的适应性分析等方面具有重要应用价值。     

一种新的选取最佳景象匹配区准则

文中将几种基准图选取准则与匹配性能评价指标相结合，依据匹配性能建立基准图选取控制策略．成功地运用这种方法完成了基于相关曲面特征的最佳景象匹配区选取；通过对基准图相关曲面特征与匹配性能参数之间的关系分析，建立了一种综合的评价准则，对不同的特征进行综合的评价。实验结果表明，这是一种十分有效的最佳景象匹配区选取方法。     

景象匹配区选择方法研究

通过试验研究了景象匹配概率与实时图的独立像元数、方差、纹理能量比和互相关峰等图像特征的关系,并以此提出了基于这些图像特征的景象匹配区选择方法。图像测试结果表明,该方法可以成功地规划出满足要求的景象匹配区。     

基于TAPF算法的匹配区选择方法研究

针对TAPF匹配滤波算法研究景象特征与匹配性能的关系,提出景象特征指标体系,并以此为基础结合相关面特征和模板的容差性等因素系统地制定景象匹配区选择方法准则.利用现有卫片/航片进行匹配选择试验,结果表明,该方法可以成功地规划出满足系统要求的景象匹配区.     

基于三值振幅-位相滤波器的红外景象匹配算法

针对传统的二元纯位相匹配滤波器进行光电混合景象匹配时存在信息丢失量大、识别困难的问题,提出了三值振幅-位相匹配滤波器算法.对红外景象匹配过程进行了计算机仿真实验,并与BPOF和ACMF匹配算法的相关结果进行对比.实验表明,三值振幅-位相匹配滤波算法提高了相关面的信噪比、相关峰锐度,增强了系统的抗噪声能力,进而有效地提高了景象匹配概率.     

巡航导弹景象匹配算法适应性研究

文章针对景象匹配制导的需求,研究了去均值归一化、基于直方图拉伸和基于局部平滑相关匹配算法,分析了算法的适应性、计算量和实时性等,比较了每种算法的优缺点.结合巡航导弹的使用,讨论了影响匹配结果的一些基本的、可能的因素,主要是环境因素.用三种分辨率的图像作了大量的实验,针对这些算法的匹配概率及地物适应性等方面进行了编程验证和综合分析,给出了有关结论.     

基于多尺度多方向Gabor模板的光学/SAR景象匹配

合成孔径雷达(SAR)成像制导通常采用光学基准图和SAR实时图进行特征提取和景象匹配.提出了一种光学/SAR异类影像匹配方法,利用多尺度多方向Gabor模板提取图像的Gabor特征后进行特征匹配,首先对SAR图像进行方向Frost滤波预处理,然后分别计算光学图像和SAR图像的高斯梯度图像,再利用多尺度多方向二维Gabor滤波器模板分别对两幅高斯梯度图像进行特征提取,最后对两组特征矩阵进行归一化互相关匹配.该方法直接利用光学图像和SAR实时图进行景象匹配,实验表明,该异类影像匹配方法较其他传统方法具有较高的鲁棒性和准确性.     

一种基于互相关匹配的简化PCNN及其图像分割

脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效的用于图像分割,但无法确定最优分割时的迭代次数.针对这一问题,文章从原始图像与分割图像的相似性出发,提出了一种基于最大互相关匹配的简化PCNN图像分割新方法.该算法通过计算原始图像与分割图像的相关匹配系数来确定最优分割.实验结果验证了该方法的有效性.     

景象匹配评估系统中图像特征指标的选择(一)图像统计特征

采用统计试验的方法进行景象匹配算法的性能评估是当前的重要研究课题。通过统计试验建立匹配性能与图像特征指标体系之间的关系是研究的重点,因此选择一个合理的图像特征指标体系是很重要的。文中论述了评估系统中图像特征指标体系的选择问题,分析和试验指出,建立在实时图尺寸上的特征更符合理论分析结果,因而也更适于算法的性能评估和匹配区的选择。     

基于捕获位置分布的导航参考图适配性分析及快速计算

导航参考图适配性分析是景像匹配导航的关键问题之一。文中提出了一种基于捕获位置分布的估计导航参考图适配性方法。该方法首先在参考图每一点挖出实测图大小的子图,然后计算子图的特征参数并应用匹配准则估计子图的匹配概率,最后利用捕获位置分布函数对子图匹配概率加权求和以得到参考图的匹配概率。为了消除特征参数计算中存在的大量冗余计算,还研究了特征参数的快速计算方法。实验结果证明该快速算法大大提高了运算效率     

基于主成分分析的图像匹配方法研究

景像匹配和相关跟踪系统中,由于所面临的都是变化的场景,实时获取的图像与预存的基准图之间存在差异。传统的基于图像空间的匹配方法不能很好地克服这些差异给图像匹配定位带来的影响,使得完全按图像灰度特征的相关匹配应用受到限制。文中将主成分分析方法引入了图像匹配和相关跟踪过程中,提出一种能抗御一定图像畸变的基于主成分分析的图像匹配算法,并应用该方法进行了初步实验,证明该算法具有较高的匹配跟踪鲁棒性。     

基于FPGA的图像自适应AWB系统设计与实现

为了解决常见自动白平衡(Auto White Balance, AWB)方法的场景适应能力不足且实时性较差等问题,提出了一种基于颜色通道直方图重构的自适应AWB方法,并使用现场可编程门阵列(FPGA)对所提出的算法进行硬件电路实现,在校正图像白平衡的同时也确保了系统高速实时处理图像。首先对图像进行限制对比度自适应直方图均衡化(CLAHE)处理来提高图像对比度,然后对图像进行灰度级区间的通道分区统计,对不同场景类别的图像采用颜色直方图匹配或平移的重构方式做自适应处理。实验结果表明,该算法在处理图像白平衡时,相比基于光源估计的AWB算法,色温校正准确率提高了14%,对不同色彩场景有更好的适应性,具有实时处理能力。     

图像融合中的图像配准方法研究

图像配准是对取自不同时间、不同传感器或不同视角的同一场景的两幅图像或者多幅图像匹配的过程。快速准确地实现配准是图像融合的前提,为此提出了基本相似性测度算法的模板匹配方法。对像素相关性小的红外和可见光图像,提出了基于sobel 快速边缘检测的模板匹配方法。     

复杂地面背景下相对定位目标选择与识别算法

针对相对定位技术在复杂地面背景下存在相对定位目标选取质量不高、识别难度大的问题,基于最稳定极值区域（MSER）和双层匹配矫正策略提出一种新的相对定位目标选取与识别算法。算法首先提取基准图和实时图的MSER特征,并进行椭圆拟合和规则化,然后根据特征区域的选择权重指数自适应选取相对定位目标,再利用MSER特征的尺度和仿射不变特性,基于互相关性准则提取两图像间匹配的MSER特征对,最后采用位置权重指数和随机抽样一致性（RANSAC）算法进行双层匹配矫正,剔出误匹配特征对,实现相对定位目标的准确识别。实验结果表明,针对复杂地面建筑场景,该方法的相对误识别率最大为0.125,绝对误识别率为0.028。基本满足成像末制导相对定位技术稳健性好、识别精度高、抗干扰能力强等要求。     

一种增量符号相关的景象匹配方法

针对图像灰度变化和遮挡问题，提出一种增量符号相关的景象匹配方法。介绍了增量符号相关算法的理论基础，基本原理为将二维图像变换为一维向量，再将一维向量按照某种编码规律进行编码,得到由0、1组成的特征字符串，对由实时图和基准图上同样大小的基准子图变换而来的特征字符串求相关，相关系数最大者即为最佳匹配区。将此算法与绝对差算法和归一化积相关算法进行实验对比，在对算法进行定量分析的基础上，证明增量符号算法对灰度变化和遮挡有较好的鲁棒性，为图像匹配导航与制导提供了新的思路。     

地面景物边缘特性分析

地面景物边缘轮廓是其红外图像和可见光图像的共有特征,边缘信息量和边缘连续性是评价图像边缘特性的重要指标,也是预测图像匹配性能的依据.提出了一种评价红外场景边缘连续性的改进计算方法,利用该方法和POE指标,对机载试验采集的不同类型场景、不同时段、不同气象条件下红外图像与可见光图像边缘特性及其变化规律进行了统计研究.试验表明:地面景物红外图像和可见光图像的边缘信息量和边缘连续性,与图像匹配概率和定位精度存在正比关系.提出的景物边缘信息量和边缘连续性指标的评价方法有效,能够作为预测场景可匹配性、场景成像稳定性的根据.     

Joint Scene and Signal Modeling for Wavelet-Based Video Coding with Cellular Neural Network Architecture

This paper presents a joint scene and signal modeling for the design of an adaptive quantization scheme applied to the wavelet coefficients in subband video coding applications. The joint modeling includes two integrated components: the scene modeling characterized by the neighborhood binding with Gibbs random field and the signal modeling characterized by the matching of the wavelet coefficient distribution. With this joint modeling, the quantization becomes adaptive to not only wavelet coefficient signal distribution but also the prominent image scene structures. The proposed quantization scheme based on the joint scene and signal modeling is accomplished through adaptive clustering with spatial neighborhood constraints. Such spatial constraint allows the quantization to shift its bit allocation, if necessary, to those perceptually more important coefficients so that the preservation of scene structure can be achieved. This joint modeling enables the quantization to reach beyond the limit of the traditional statistical signal modeling-based approaches which often lack scene adaptivity. Furthermore, the dynamically enforced spatial constraints of the Gibbs random field are able to overcome the shortcomings of the artificial block division which are usually the major source of distortion when the video is coded by block-based approaches at low bit rate. In addition, we introduce a cellular neural network architecture for the hardware implementation of this proposed adaptive quantization. We prove that this cellular neural network does converge to the desired steady state with the suggested update scheme. The adaptive quantization scheme based on the joint scene and signal modeling has been successfully applied to videoconferencing application and very favorable results have been obtained. We believe that this joint modeling-based video coding will have an impact on many other applications because it is able to simultaneously perform signal adaptive and scene adaptive quantization.