一种鲁棒性的遥感图像地域分类新方法

目前遥感图像分类算法面临的主要问题是分类精度与算法复杂度的矛盾及算法缺乏鲁棒性。为此,提出了一种基于特征空间重采样的非参数化核密度估计聚类与边缘检测相融合的多模型鲁棒性遥感图像分类方法。首先对遥感图像进行边缘检测以获取图像中每个像素的边缘梯度和方向信息;然后利用重采样策略,在联合域中对新的样本集合进行加权均值平移滤波,找到图像各区域的核密度函数局部最大值,通过迭代移动附近的数据点到此局部最大值;最后对各个分割区域进行合并,得到最终的分类图。实验结果表明,算法可获得高精度的遥感图像分类结果,且具有很强的鲁棒性。     

基于重采样痕迹的图像伪造检测

检测重采样痕迹是数字取证中判断图像是否被篡改的有效途径之一。针对现有重采样检测方法大多只考虑单次重采样情况,对再次经历重采样的伪造图像不能有效区分定位篡改区域这一问题,提出一种基于重采样痕迹的图像伪造检测算法。首先定义出能够描述并区分不同重采样痕迹的两个特征量,将待测图像重叠分块,计算每块的特征量,然后利用特征量的不一致性检测定位篡改区域。实验结果表明,该方法能够区分旋转与缩放的操作历史痕迹,进行篡改伪造图像的自动判断与篡改区域定位;并且当伪造图像再次经历重采样操作后,仍能区分出图像中的不同插值区域,即对再次重采样操作具有一定的鲁棒性。     

一种多特征融合的红外目标跟踪算法

针对红外序列图像中各类目标及背景特征动态变化的特性,提出一种基于二值分类技术的多特征融合目标跟踪算法。分别根据灰度、纹理及梯度方向特征将图像分为背景与目标区域,并根据各类特征分类性能的差异,融合特征图像,通过重采样粒子滤波估计目标状态。实验结果表明,该算法对环境光照变化、局部遮挡等均具有较好的鲁棒性。     

基于重采样检测的JPEG图像拼接篡改取证

数字图像在进行拼接篡改时,为了不留下视觉上的明显篡改痕迹,往往会对篡改的区域进行缩放、旋转等重采样操作。针对这一现象,本文提出一种新的基于重采样检测的JPEG图像拼接篡改取证算法,该算法通过对JPEG图像局部区域二阶导数进行Radon变换,并求其自协方差后进行快速傅里叶变换,在频域中消除JPEG压缩的影响,最后判断该局部区域是否经过重采样操作,以作为判断被检测的JPEG图像是否经过拼接篡改的证据。实验结果表明,本文算法对于经过包括缩放和旋转等重采样操作后拼接成的JPEG图像有较好的篡改取证效果。     

多层次轮廓约束的图像放大算法

为解决图像放大过程中有效地保证边缘锐化的图像插值难题,提出多层次轮廓约束的图像放大算法.首先利用检测算子对图像进行预处理,将图像分为边缘区域、平坦区域;其次,针对图像边缘区域进行自适应梯度扩散获取适当的边缘轮廓层作为图像放大约束;最后对轮廓层直接进行曲线插值重采样,不额外增加边缘层数,以保证放大后的图像在视觉上的边缘清晰.对于非轮廓层的平坦区域,构建双三次Coons插值曲面并进行重采样,保持了平坦区域的平滑性.测试图像为自然图像和医学图像,自然图像的来源是set5和set14测试集,实验对比方法主要从客观效果、视觉效果、时间复杂度3个方面进行比较.实验结果表明,采用该算法得到的放大图像不仅可以保持轮廓清晰,且PSNR及SSIM指标超过了大多数经典的插值算法以及目前流行的基于机器学习的算法.     

改进Canny边缘检测的遥感影像分割

基于边缘特征的图像分割算法中,能够准确地检测出边缘是进行图像分割的前提和关键。针对目前遥感图像分割算法普遍存在鲁棒性差、易发生边缘信息缺失以及适用范围较窄的缺点,提出了一种基于改进Canny边缘检测的遥感影像分割算法。针对传统Canny高斯滤波在平滑图像的同时也模糊了边缘,改用具有保边特性的引导滤波对图像进行平滑;针对噪声对求导敏感这一问题,增加45°和135°方向梯度模板来计算图像梯度和方向;针对传统Canny算子人为设定高、低阈值的局限性问题,改用大律法自适应地根据图像灰度选取高、低阈值。为充分利用多光谱图像的优点,在进行边缘检测时采用波段分解,逐波段进行处理,随后将边缘综合成一幅结果图,最后进行区域生长。实验结果表明,与其他和传统边缘检测的分割方法相比,该方法在遥感影像分割中取得了较好的结果。     

一种适用于有损压缩图像的重采样检测算法

有损压缩与重采样操作在图像像素间产生的相关统计特性导致有损压缩图像难以被检测。为解决该问题,提出一种适用于无损图像的重采样检测算法,利用插值信号的周期性对图像频域特征进行分析,通过估算插值系数实现重采样检测。实验结果表明,该算法鲁棒性强、应用范围广,对于JPEG有损压缩图像的重采样检测具有较高的正确率。     

基于局部多项式的自适应图像放大

为了弥补传统图像放大算法的锯齿效应,统计分析了图像像素变化特点,将图像分成平滑、纹理和边缘,对平滑和纹理区根据其局部区域的同态性,提出了基于局部多项式逼近的图像放大：运用置信区间交集法则将图像分割为若干同态区域;对区域分别进行多项式拟合,并对拟合函数进行过采样实现区域放大;运用局部平滑消除边缘锯齿效应。实验结果表明,该算法充分利用了图像的结构信息,相比于传统的插值放大算法和已有局部自适应插值算法提高了图像的视觉效果与适用性。     

基于非下采样Contourlet变换和形态学的图像边缘检测

在复杂工件的边缘检测过程中,噪声干扰和细节丢失会使检测结果产生较大的误差。针对这一问题,提出了将非下采样Contourlet变换和数学形态学相结合的边缘检测算法。首先对原始图像进行非下采样Contourlet变换,然后对得到的高低子频图像采用不同的方法进行边缘提取,最后通过合理的融合规则得到图像的边缘图像。仿真实验表明,该算法对图像边缘细节的提取比其他算法更加丰富,并具有较好的连续性、抗噪性和鲁棒性。     

一种有效的高分辨率遥感影像水体提取方法

针对高分辨率遥感图像，提出一种有效的水体自动提取算法。设计基于局部二值模式和[K]最近邻的算法，对遥感图像进行水陆粗分离，并采用形态学滤波抑制各分类区域内的噪声；设计基于局部二值模式和支持向量机的方法，对水陆边界区域进一步细分离，并对细分离结果采用形态学滤波去除水陆边界附近噪声点；针对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。实验结果表明，提出的算法能快速、有效地检测遥感图像中的水体目标。     

基于随机子空间核极端学习机集成的高光谱遥感图像分类

结合随机子空间和核极端学习机集成提出了一种新的高光谱遥感图像分类方法。首先利用随机子空间方法从高光谱遥感图像数据的整体特征中随机生成多个大小相同的特征子集;然后利用核极端学习机在这些特征子集上进行训练从而获得基分类器;最后将所有基分类器的输出集成起来,通过投票机制得到分类结果。在高光谱遥感图像数据集上的实验结果表明:所提方法能够提高分类效果,且其分类总精度要高于核极端学习机和随机森林方法。     

Accelerated genetic algorithm based on search-space decomposition for change detection in remote sensing images

Detecting change areas among two or more remote sensing images is a key technique in remote sensing. It usually consists of generating and analyzing a difference image thus to produce a change map. Analyzing the difference image to obtain the change map is essentially a binary classification problem, and can be solved by optimization algorithms. This paper proposes an accelerated genetic algorithm based on search-space decomposition (SD-aGA) for change detection in remote sensing images. Firstly, the BM3D algorithm is used to preprocess the remote sensing image to enhance useful information and suppress noises. The difference image is then obtained using the logarithmic ratio method. Secondly, after saliency detection, fuzzy c-means algorithm is conducted on the salient region detected in the difference image to identify the changed, unchanged and undetermined pixels. Only those undetermined pixels are considered by the optimization algorithm, which reduces the search space significantly. Inspired by the idea of the divide-and-conquer strategy, the difference image is decomposed into sub-blocks with a method similar to down-sampling, where only those undetermined pixels are analyzed and optimized by SD-aGA in parallel. The category labels of the undetermined pixels in each sub-block are optimized according to an improved objective function with neighborhood information. Finally the decision results of the category labels of all the pixels in the sub-blocks are remapped to their original positions in the difference image and then merged globally. Decision fusion is conducted on each pixel based on the decision results in the local neighborhood to produce the final change map. The proposed method is tested on six diverse remote sensing image benchmark datasets and compared against six state-of-the-art methods. Segmentations on the synthetic image and natural image corrupted by different noise are also carried out for comparison. Results demonstrate the excellent performance of the proposed SD-aGA on handling noises and detecting the changed areas accurately. In particular, compared with the traditional genetic algorithm, SD-aGA can obtain a much higher degree of detection accuracy with much less computational time.     

基于多尺度自适应加权的改进Canny算子

在Canny算法框架下,对彩色遥感图像进行多尺度滤波分析。定义多个不同尺度的高斯滤波器,在每个尺度下,分别对遥感图像RGB三个通道进行滤波和梯度计算,取三个通道的梯度最大值为该尺度下的遥感图像梯度值。根据各个尺度的滤波器对噪声的抑制能力及边缘定位能力的不同,自适应地确定相应的权值大小,然后再将这些不同尺度下检测到的梯度图像用自适应确定的权值进行加权合成最终的梯度图像。在此基础上,由非极大值抑制和双阈值处理得到图像边缘。实验结果表明,该算法比传统的Canny算子在噪声抑制和边缘定位方面具有更优的性能,适合彩色遥感图像的边缘检测。     

卫星遥感图像并行几何校正算法研究

几何校正是遥感图像处理过程中的重要环节，具有计算量大、耗时长的特点，导致遥感图像处理的效率低下．该文提出一种分布存储环境下的并行几何校正算法，每个处理器通过计算本地输入子图像在目标图像中的范围，确定其需要进行重采样计算的区域，使计算过程中所需的数据均为本地数据，很好地解决了数据局部性问题．文章利用首尾相连的闭线段近似表示理想的输出图像块边界这一思想，详细讨论了局部输出区域的计算方法，并采用一种新的存储结构用于保存校正后的输出图像块信息．在机群系统上对算法进行实现，结果表明该算法具有良好的并行性能．     

用于遥感图像建筑物目标分类的层次匹配核

提出了一种利用图像特征空间信息的核函数——层次对数极坐标匹配核,用于遥感图像建筑物目标的分类。对图像进行特征提取,并将特征映射到已聚类好的"码本"中,量化为有限个类别。将图像由粗到细划分为多个层次的对数极坐标系下的"子区域(单元格)"。比对落入同一层次、同一"子区域(单元格)"的每类特征的直方图交集,建立加权的多尺度直方图,将多个特征多尺度直方图合并,得到最终的核函数,并利用"一对多"的支持向量机(supportvector machine,SVM)完成建筑物的分类。对标准数据库Caltech-256和自建遥感图像数据集进行实验,结果证明了该核函数的有效性。     

基于均值漂移法进行多光谱遥感聚类研究

传统的聚类方法大都是基于空间划分的方法,一般都假设数据符合混合高斯模型。这在实际应用中往往是不成立的。在大部分模式分类的问题中,常见的参数形式不适合实际遇到的概率密度,特别是所有经典的参数密度都是单峰的,而一般遥感图像都是包含多峰的密度,因此分类结果往往不够精确。用于模式分类的非参数方法正是解决这类问题的一个重要途径,可以从本质上克服这一缺陷,而且可以发现任意形状的聚类。均值漂移方法是基于密度估计的非参数聚类方法,遥感图像的聚类分析可以通过均值漂移方法来实现,而且均值漂移过程不需要预先给出地物的类别数目,在聚类过程中自动确定类别数,这对于图像中类别数目不易确定的情况,给非监督遥感图像聚类带来方便。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性 的算法,实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块 子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后 通过边缘检测算法,实现了对厚云影响范围的有效标记。对100 幅典型水域遥感图像的实验测 试结果表明：正确云分类判别率达到97%,误判率小于4%,漏判率小于2%,基本满足实时性 需求,证明了该算法的有效性。     

基于遥感数据特征和像元替换技术的边缘提取方法

随着城市化的发展，城市遥感领域在中国发展迅速。高分辨遥感图像的边缘提取是当前城市遥感的重要研究领域。实践中，传统的边缘检测算子主要是通过图像空城特征微分，建立不同结构的模板完成。高分辨率遥感数字图像包括了空间域和光谱域两种信息，因此，借助于图像的光谱和空间域两种特征信息提高提取城市边缘信息精度已经成为当前算法开发的基本思路。该研究通过设计光谱分解和边缘检测的算子模板，综合利用了图像的光谱、空间特征信息。研究结果表明，这种方法有效地提高了城市遥感数据边缘信息的提取精度，同时还具有方法简便、计算速度怏的特点。