基于生成对抗模型的可见光-红外图像匹配方法

针对现有异源图像匹配存在的模态差异大、匹配难度大、鲁棒性差等问题, 基于生成对抗网络转换思想及传统的局部特征提取能力, 提出基于生成对抗模型的可见光-红外图像匹配方法. 依据生成对抗网络（GAN）的风格转换思想, 增加了损失函数计算通路并构建新的损失函数, 改进模型在异源图像上的转换效果. 利用SIFT算法分别提取转换后同源图像的特征信息, 确定待匹配点的位置和尺度. 依据匹配策略间接完成待配准图像的特征匹配及相似性度量. 在实景航拍数据集上进行实验验证. 结果表明, 利用该方法能够有效地处理多模数据, 降低异源图像的匹配难度, 为多模态图像匹配问题提供新的思路.     

基于边缘特征的虚实图像精确配准

3D模型的虚拟图像与可见光图像（实图）的配准可以增强信息的互补性,在通过INS装置粗配准后,其配准问题变成了经典的多模态图像精确配准问题。本文提出了一种基于边缘信息全局最优匹配的3D模型图像与可见光图像精确配准算法。该算法首先基于相位一致性模型提取3D模型图像与可见光图像视觉相似的边缘结构;再采用模拟退火算法搜索求解在边缘配准度最大对应的空间变换模型的最优参数值。4组实验结果表明,本文算法能够充分利用图像间的相近似的边缘结构和模拟退火算法得到配准变换参数,有效地实现多模态图像（不同光照及对比图像对,不同传感器的航拍图片对,虚拟3维视图与可见光图像）的精确配准。     

基于分块聚类特征匹配的无人机航拍三维场景重建

针对无人机航拍采集的海量无标定图像,在SFM(structure from motion)重建框架下,提出了基于分块聚类特征匹配的三维重建方法。文章将航拍图像的匹配问题转化为待匹配图像集合的筛选以及图像局部特征配准。通过增加筛选步骤,提出了在缩略图尺度下利用词汇树的评分机制构建待匹配图像集合的方法;利用特征成簇状分布的数据特性,提出了先聚类再匹配的局部特征配准方法。优化了SFM重建框架的特征匹配部分,在航拍数据库PAMView中进行了三维重建实验。实验结果表明,该方法在不影响重建性能下有效提高运算速率。     

结合SIFT和Harris算法的小型无人机影像拼接方法

考虑到小型无人机影像的成像过程具有视点离散、视角变化有规律等特点,选择拼接参考基准影像,利用无人机的GPS/IMU参数信息计算图像相交区域来减小图像匹配范围;综合利用Harris特征点提取算法和SIFT特征向量计算方法,进行特征点的提取和特征向量的计算,并用PCA算法进行降维处理;在特征匹配过程中,采用最临近(NN)方法和BBF算法提高匹配速度,应用PROSAC特征点提纯和仿射变换整体平差算法提高匹配的精度;最后利用光度对准和加权平均算法进行光度差异消除,实现了无人机影像的拼接。实验结果表明了文章中的图像拼接方法在准确性、效率方面具有优势。     

基于SIFT图像配准算法优化研究

为了满足在图像配准过程中对于准确度和稳定性的要求,提出一种基于SIFT和改进的RANSAC图像配准算法。首先采用SIFT算法进行特征点提取和最近邻匹配方法进行粗匹配,然后对RANSAC算法进行改进,对两幅图像中关键点相似性的评价函数进行改进和优化,实现关键点对的精准匹配,最后进行图像配准。实验表明,算法能够提高图像匹配的准确度同时降低图像匹配时间,具有一定的适用性。     

用Harris-Laplace特征进行遥感图像配准

为克服图像在旋转及分辨率不一致时自动配准的困难,提出了一种新的自动配准方法:包括新的尺度空间投影算法和新的特征匹配算法。基于Harris-Laplace(H-L)特征的尺度不变性,新的尺度空间投影法运用H-L方法提取图像特征,然后将特征空间建立在依据特征点主方向的图像投影信息上,使得特征空间具有对图像旋转和分辨率大小不变的特性。新的特征匹配法则采用特征空间k-d树欧氏距离匹配和RANSAC一致性位置检验相结合的方法,实现了高效率无差错的特征匹配。通过比较分析与实验证明,该自动配准方法能够对不同分辨率、不同旋转角度的图像精确地实现自动配准。     

多尺度残差深度神经网络的卫星图像超分辨率算法

卫星图像实现星际对地观测并被广泛的应用到了军事和经济生活领域。受到星载成像设备和星地通讯带宽的限制,卫星图像的地面分辨率常不能完全满足目标识别与分析的需求。卫星图像的成像幅度宽且范围广,地面目标的尺度变化大、纹理信息多样化,给现有图像超分辨率技术带来了新的挑战。针对卫星图像的多尺度特性,提出了一种多尺度残差深度神经网络,首先提取低分辨率卫星图像的多尺度特征,对不同尺度特征建立自适应深度神经网络,然后使用融合网络进行残差融合,融合不同尺度高频信息,最终生成高分辨卫星图像。在Space Net卫星图像数据集中的实验结果证明了本文算法的优越性。     

基于特征的SAR图像与光学图像自动配准

针对现有配准方法在用于SAR图像和光学图像配准时,存在受SAR图像相干斑噪声影响大,手工选取配准点精度低等缺点,提出了一种基于区域特征提取的图像配准方法．对SAR图像首先进行相干斑噪声抑制,并采用图像分割的方法提取出封闭区域的边界作为特征,然后与可见光中提取的边缘利用闭合区域边缘链码的相关寻求匹配,精确配准的误差达到子象素级水平．实验结果表明,该方法能够以较高的精确度从SAR图像中提取配准控制点,从而实现了多传感器图像的自动配准．     

基于KAZE特征匹配的偏振图像配准算法研究

偏振成像系统主要通过多相机或多通道成像,图像之间存在平移或旋转,偏振解析前必须进行图像配准,否则可能会产生虚假偏振信息。传统的配准算法主要有SIFT和SURF的特征配准算法,但其采用线性高斯金字塔进行多尺度分解来消除噪声和提取特征点,易造成边界模糊和细节丢失。本文从非线性尺度空间构建出发,提出一种基于KAZE特征匹配的偏振图像配准算法。首先,利用Hessian矩阵寻找特征点及其描述向量;然后以最小Hamming距离作为特征点的度量,计算单应矩阵并利用双线性插值实现不同偏振方位角图像之间的配准;最后,以FD1665P相机拍摄的图片为样本进行了实验验证。实验结果表明,本文算法相对基于SIFT和SURF特征点匹配的配准算法,归一化互信息增大、均方根误差减小,配准精度有很大提高。     

基于无人机航拍图像快速拼接方法的研究

无人机航拍图像拼接已经针对无人机航拍图像特征不明显、拼接速度较慢等问题,提出了一种基于无人机POS系统数据的快速拼接方法.针对无人机POS系统会受到地理环境、风速等影响以及无人机POS数据的精度较低等问题,引入光束区域网平差方法建立优化参数方程,对优化后的数据进行一系列的坐标变换计算出影像的四个角点的地理坐标,以第一张影像地理坐标为基准,进行航拍图像的快速拼接.拼接结果与基于SURF图像拼接算法进行对比,算法在拼接的速率比基于SURF算法更高.     

基于航空序列影像的图像匹配

针对航空序列图像中的实时景象图像匹配特征不明显的问题，提出采用相关系数法和最小二乘法相结合的新方法．根据序列影像中特征点具有移动不变性的特点，先利用差分算子从序列图得到较高精度的特征点，再对包含特征点的子图像用相关系数法进行粗匹配，识别同名像点，得到相关系数值最大的区域；再在这个区域中用最小二乘匹配法进行精确匹配，从而使序列图像进行匹配的速度与精度得到提高．通过仿真实验，这种算法比单纯用最小二乘匹配法速度提高了近22％，匹配精度也达到了亚像素级，较好地改善了匹配方法的性能．     

基于边缘特征的多源图像分层匹配算法研究

针对灰度相关的匹配算法不能适用于多源图像的匹配问题,提出了一种基于边缘特征的分层匹配算法．该算法首先提取出两种非同源图像的边缘特征作为匹配的特征空间,并且为了提高匹配算法的速度,主要采取了以下几种措施：采用粗匹配和精匹配相结合的分层序贯相似度检测算法（SSDA）作为搜索策略;在粗匹配阶段运用跳跃式的搜索策略和亚抽样模板．然后在精匹配阶段为了兼顾匹配的精度采用逐点扫描的全像素点匹配．通过对真实合成孔径雷达（SAR）图像和光学图像的仿真,结果表明该算法能够较好地适用于多源图像的匹配,并且大幅提高了匹配算法的速度．     

基于简化SIFT算法的无人机影像重叠度分析

利用无人机进行低空摄影获取地面高分辨率影像,具有成本低、方便、快捷等优点,但由于无人机飞行姿态不稳定,会导致影像自动匹配效率及准确程度降低.SIFT算子具有良好的尺度、旋转、光照等不变特性,但传统SIFT算法复杂度较高,处理影像时间较长,使数据处理工作效率降低.介绍了一种简化的SIFT算法,并与原SIFT算法做出了对比.说明了影像重叠度分析的主要步骤,将简化的SIFT算法RANSAC算法相结合应用到序列影像重叠度分析中,通过实验证明了可行性.     

基于灰度校正的SIFT算法全景图实现

提出应用灰度校正改进全景图像无缝拼接的方法。利用直方图均衡化技术消除拍摄图像的灰度不一致;应用基于尺度不变特征变换算法(SIFT)对图像进行特征匹配,最后利用加权平均算法进行图像融合实现图像的无缝拼接。实验结果表明,图像的匹配对增加了86%,匹配效果优于现有SIFT方法。     

基于图像分块的FDA人脸识别方法

提出了一种基于图像分块的FDA(Fisher linear discriminating analysis)人脸识别方法,该方法首先对原始图像进行分块,再对分块得到的子图像利用FDA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。在ORL人脸库上用单训练样本取得了90.83%的识别结果。     

基于混沌遗传算法与小波多分辨率分析的岩心图像匹配

针对岩心图像尺寸大,特征信息不明显的特点,充分利用混沌遗传算法的随机性大大减少了传统搜索算法消耗的大量运算时间。利用小波多分辨率分析的方法在小波变换子图像上进行粗匹配,再在原始图像上精匹配,浓缩了岩心图象的特征信息在保证匹配准确度的同时提升了运算速度。将混沌遗传算法与小波变换多分辨率分析相结合,将其应用于大幅岩心图像的配准。实验表明,该方法能够快速而有效地进行图像配准,兼顾了匹配效果和匹配速度。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

Automatic road extraction method for high-resolution remote sensing images

Road extraction from high-resolution satellite images is very important. Due to image noise, the natural scene complexity, and the extraction algorithms limitations, it still needs to be further researched. In recent years, level set evolution has been used to extract the road, but it is difficult to automatically generate initial level curves for the level set evolution (LSE). In this paper, we propose an automatic approach to the generation of initial level curves and use it to extract the road. Firstly, the convolutional neural network(CNN) is used to classify the road or nonroad, then shape features are adopted to filter nonlinear features to get the accurate road region. And on this basis, we exploit tensor voting to detect the road junctions and utilize them as initial level curves; finally we fuse the results obtained by the CNN and LSE. Experiments show that this algorithm can get an accurate and complete road.