改进图像配准算法在无人机遥感图像拼接中的应用

针对传统图像拼接方法的不足, 提出一种基于改进SIFT算法的图像拼接方法, 并将其应用于无人机遥感图像拼接算法中。首先, 采用Harris算子角点检测遥感图像的特征点, 然后用改进的SIFT算法进行特征点的描述, 通过对高维数据进行降维处理, 减小运算量; 匹配完成后, 采用随机抽样一致性(RANSAC)算法消除误匹配; 最后采用渐入渐出加权平均融合法进行图像融合。实验结果表明: 采用所提出算法能有效剔除遥感图像之间的误匹配, 减小时间复杂度, 更好地消除拼接缝隙。     

改进图像配准算法在无人机遥感图像拼接中的应用

针对传统图像拼接方法的不足,提出一种基于改进SIFT算法的图像拼接方法,并将其应用于无人机遥感图像拼接算法中。首先,采用Harris算子角点检测遥感图像的特征点,然后用改进的SIFT算法进行特征点的描述,通过对高维数据进行降维处理,减小运算量;匹配完成后,采用随机抽样一致性(RANSAC)算法消除误匹配;最后采用渐入渐出加权平均融合法进行图像融合。实验结果表明:采用所提出算法能有效剔除遥感图像之间的误匹配,减小时间复杂度,更好地消除拼接缝隙。     

一种用于图像拼接的改进ORB算法

针对Oriented FAST and Rotated BRIEF(ORB)算法缺少尺度不变特性,误匹配率高,易造成图像拼接质量差等问题,本文提出一种用于图像拼接的改进ORB算法。首先使用一种基于尺度不变的特征检测算法对图像进行特征点检测,然后用ORB描述算法对特征点进行特征描述,用ORB匹配算法进行粗匹配,再用双向匹配和Random Sampling Coherence(RANSAC)算法对匹配点进行精匹配和提纯,进一步提高其正确率,最后使用渐入渐出加权融合完成图像拼接。实验结果表明,本文方法在图像的缩放和旋转、模糊、光照强度、拍摄视角等情况下都具有优秀的鲁棒性和稳定性,是一种实时性强、准确度高、拼接质量优秀的图像拼接方法。     

基于图像建模系统中图像拼接算法研究

为解决各型航海、航空模拟器中基于图像建模系统的重建物体视觉外观真实感较差问题,研究了对于在不同角度下拍摄的不在同一平面的图像的自动拼接与融合算法.算法首先基于SIFT算子提取图像特征;接着采用近似最近邻的优先搜索算法以及极线约束条件获取精确的特征匹配点对;然后采用RANSAC算法鲁棒地估算变换矩阵;最后实现自动拼接与融合.实验结果表明,该算法拼接效果较理想,鲁棒性强,具有一定的实用价值.     

全景图像自动拼接算法的优化设计

提出了一种结合空域和频域进行全景图像序列自动拼接融合的优化算法。首先利用改进的相位相关法对全景序列图像进行自动排序并确定重叠区域,根据重叠区域像素均值进行图像整体亮度差异自动调整以降低角点的误匹配率;然后使用改进的Harris 算子在空间域提取图像角点（无需人工设定阈值）,通过双向最大互相关系数匹配获得初始特征点对,并用RANSAC 算法实现精确匹配;最后采用非线性平滑算法对图像重叠区域进行融合处理。实验结果表明,该优化算法排序过程简单有效,特征点提取匹配过程的成功率和效率都较现有算法有很大提高,拼接的图像清晰度高,具有较高的稳健性和拼接精度。     

一种基于BRISK改进的SURF红外图像拼接方法

在红外图像拼接技术的实际应用中,除了追求较高的拼接精度外,还应尽可能地提高拼接速度以满足实时性的要求。本文结合红外图像拼接技术的实际应用需求,将BRISK二值描述子和Canny边缘检测应用于SURF红外图像拼接,提出一种改进的SURF红外图像拼接方法。改进的红外图像拼接方法在特征点提取阶段将SURF特征点检测、Canny边缘检测和BRISK二值描述子有效结合,生成边缘SURF-BRISK特征点;在特征点匹配阶段采用自适应阈值的层次聚类方法作为搜索策略,并采用RANSAC算法剔除误匹配的特征点;在图像融合阶段采用渐入渐出的融合方法消除图像拼接缝隙。实验证明,本文所用红外图像拼接方法在对复杂场景下的红外图像进行拼接时,有效地提高了配准精度和拼接速度。     

一种基于Harris角点特征的图像拼接方法

本文通过对已有图像拼接算法的分析研究,改进了拼接算法中的特征点匹配问题。首先利用Harris角检测算法提取特征点,然后通过归一化相关法进行初始匹配,接着引入马氏（Mahalanobis）距离,实现图像的精确匹配。最后通过加权平均的方法完成图像的融合。实验证明该方法能有效地去除伪匹配特征点对,降低了误匹配的概率,是一种有效的图像拼接方法。     

基于拓扑结构的图像拼接算法

针对加速稳健特征(SURF)算法匹配特征点对较多,造成拼接精度低、计算量大的缺点,结合网络拓扑学理论提出了一种剔除误匹配的SURF改进拼接算法.算法定义并采用连通矩阵得到特征点的拓扑结构,将两幅图像的连通矩阵做异或运算得到判断矩阵,多次迭代剔除特征点集合中错误匹配点和匹配度较低的点,得到拓扑结构完全相同的特征点集合,有效减少了匹配特征点对的数量,提高了特征点对的匹配正确率.根据最终的特征点集合计算变换矩阵完成两幅图像的拼接处理.对比实验结果表明,针对同一组图像进行拼接处理,所提算法的特征点匹配正确率较SURF算法提高了28.28%以上;对于小分辨率图像拼接,耗时基本保持一致;对于大分辨率图像拼接,所提算法耗时大大减少.     

基于HALCON与图像拼接的文物修复系统设计与实现

设计了一种基于机器视觉软件MVTec HALCON与图像拼接技术的文物修复系统.该系统首先对图像进行去噪,分割等预处理,然后利用Harris算法进行角点检测提取特征点,接着检测出的角点经归一化互相关匹配后使用RANCAC算法剔除误匹配点实现初步拼接,最后用改进的加权融合方法进行图像融合并利用图像修复技术进行修复.针对采用的算法编制了相应的软件,并进行了拼接实验,结果表明该方法可以快速有效地对图像进行无缝拼接,精度高,可广泛应用到古字画等文物修复工作中。     

图像拼接技术在双摄像机监控中的应用

针对单摄像机监控范围的局限性,给出一种双摄像机图像拼接方法。首先检测出视频序列图像的兴趣点,并引入改进的尺度不变特征变换算法构建64维匹配描述子;在匹配过程,采用BBF算法进行匹配,提高搜索效率;匹配完成后,采用随机抽样一致性消除误匹配;最后采用加权平均法进行视频序列图像融合,实现序列图像的无缝拼接。实验结果表明,本文方法有较高的匹配效率和匹配准确率,可以明显扩大视频监控的范围,其在视频监控、信息收集及司法取证等方面有一定的实际应用价值。     

基于Contourlet系数局部特征的选择性遥感图像融合算法

为了使融合后的多光谱图像在显著提高空间分辨率的同时,尽可能多地保持原始多光谱特性,提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同,对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量,然后选择适当的准则,对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合,通过Contourlet和亮度-色调-饱和度(IHS)逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明:提出的算法在显著提高空间分辨率的同时,又能很好地保持原始图像的光谱特征,并优于传统的融合方法。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要。然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度。受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战。随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的一个热点问题。首先对基于特征融合的高光谱图像分类文献进行系统综述,并对几种分类策略进行分析与比较,然后介绍高光谱图像分类的发展现状及面临的相应问题,最后提出一些可以提高分类性能的策略,从而为课题的技术研究提供指导和帮助。     

基于ADE的ReliefF特征选择在高光谱图像分类中的应用

针对高光谱图像谱段数目较多、近邻谱段相关性过高而导致分类困难的问题,提出了一种自适应差分进化特征选择的高光谱图像分类算法.首先初始化种群向量集,利用自适应差分进化算法搜索特征的自适应性生成特征子集;然后,通过使用ReliefF技术根据特征排序去除重复特征,从而为所有的特征构建一个特征列表;最后,借助于模糊k-近邻分类器计算每个向量的分类精度,利用包裹模型评估特征子集.在印第安纳数据集和KSC数据集上的实验结果验证了算法的有效性及可靠性,实验结果表明,相比其他几种特征选择算法,该算法取得了更高的总分类精度和更好的Kappa系数.     

A Novel Image Mosaicking Technique for Enlarging the Field of View of Images Transmitted over Wireless Image Sensor Networks

Existing image mosaicking algorithms generate a complete scene that incorporates a number of images captured by several cameras. The traditional image mosaicking approaches cannot be applied directly to the emerging Wireless Image Sensor Networks (WISNs), since the low performance of image transmission over wireless sensor networks causes a noticeable delay before an entire image is received by a control center node. In this work, we propose a Progressive Image Mosaicking Algorithm (PIMA) based on the multi-scan feature of Progressive JPEG (P-JPEG). The originality of PIMA is based essentially on how it successfully performs mosaicking by using incremental image quality, as opposed to traditional methods that require complete data from all images. PIMA builds mosaics of images that are decoded from P-JPEG scans at three levels of quality, and delivers an approximate view of the scene in a short time while the reception of further image data is still in progress. Thereafter, it updates the image registration on two other refined levels to gradually enhance the display quality. We also propose the concept of Richer Information and Likeliest (RIL) block pair, which is a variation of the Sum of Absolute Difference (SAD). RIL can improve significantly the accuracy of image registration. We have conducted an extensive set of experiments and evaluated our proposed schemes against selected existing approaches. Our performance results indicate that PIMA decreases the delay before the first display of the scene, while preserving equivalent performance and image quality when compared to existing patch-based image mosaicking algorithms.     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下:首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。     

基于加权模糊C均值算法改进的高光谱图像分类方案设计

为了有效改善高光谱图像数据分类的精确度,减少对大数目数据集的依赖,在原型空间特征提取方法的基础上提出一种基于加权模糊C均值算法改进型原型空间特征提取方案。该方案通过加权模糊 C 均值算法对每个特征施加不同的权重,从而保证提取后的特征含有较高的信息量。实验结果表明,与业内公认的原型空间提取算法相比 该方案在相对较小的数据集下,其性能仍具有较为理想的稳定性,且具有相对较高的分类精度,这样子就大大降低了对数据集样本数量的依赖性,同时改善了原型空间特征方法的效率。