基于ZM相特征描述符的图像配准方法

针对图像特征间的视角、模糊、旋转和尺度变换以及噪声干扰等不确定性因素对图像配准精度的影响,定义了基于Zernike矩的相特征不变区域描述符,给出了Zernike矩的归一化及其相值度量方法,提出了一种基于此的图像配准算法。通过对比实验验证,本文算法能够有效提取目标图像特征点并准确进行特征匹配,且在保障配准精度的前提下显著降低了算法复杂度。     

显著图和多特征结合的遥感图像飞机目标识别

目的 遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显著图和全局特征、局部特征结合的飞机目标识别算法。方法 首先使用改进的Itti显著算法提取遥感图像中的显著目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA（multi-scale autoconvolution）、Pseudo-Zernike矩和Harris-Laplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果 实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低（为0.03）,对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论 本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。     

基于最小外接圆补偿机制的形状图像检索

提出了一种新的基于最小外接圆补偿机制的二值形状图像检索算法,其不仅提取了目标区域的特征,而且补偿了目标最小外接圆下的背景区域特征。提取常用于描述区域特征的Hu不变矩和Zernike不变矩作为图像特征,不变矩特征具有平移、缩放、旋转不变性。图像相似度用归一化特征向量的欧氏距离表示。该方法不仅计算简单,而且可有效补偿人眼的视觉感受。通过大量实验表明,该算法较仅基于目标区域的检索算法取得了更好的检索精度和回召率。     

基于红外图像的飞机目标关键攻击部位识别

针对红外成像制导空空导弹增强攻击毁伤效果的要求,提出了一种基于红外图像的飞机飞行姿态识别和飞机目标几何轮廓分析的关键攻击部位识别方法。该方法利用模糊C均值聚类算法将经过降噪处理的红外飞机图像分割成背景、飞机机身和尾焰三部分;分别计算飞机目标的Hu矩和归一化转动惯量来构成组合不变矩,同时结合分割图像的面积比特征来实现飞机飞行姿态的识别;通过对飞机机头、机轴、机翼或尾翼的提取并依照相应的比例关系,来实现对飞机关键攻击部位如驾驶舱的识别。为了提高关键攻击部位的识别速度和精度,利用当前帧获得的稳定判别参数来指导后续帧图像的处理。试验结果表明,提出的方法能够准确有效地识别红外飞机目标的关键部位,可为空空导弹的精确打击提供必要的支持。     

基于颜色特征的宽基线图像的点匹配算法

本文通过Harris算法提取角点,利用Fourier—Mellin变换估计图像大致的旋转、尺寸和平移参数．计算粗匹配点集,以粗匹配点为中心划定一小块区域,然后利用颜色特征具有旋转和尺寸不变的特性,对图像块的颜色矩进行匹配,从而得到精确的点对应关系。实验表明本算法在图像间有较大差别时能够较为准确地实现特征点的匹配。     

基于图像几何特征点的仿射参数估计算法研究

平移、旋转和缩放等仿射变换参数的计算是计算机视觉、目标检测和模式识别领域的关键问题.对3类典型的基于图像特征点的仿射参数计算方案进行了研究与探讨,它们分别是利用SUSAN角检测器、Harris角点检测器和尺度不变特征变换(SIFT)提取图像特征点.针对传统算法对SUSAN和Harris角点进行匹配精度过低的问题,提出了一种新的基于Zernike矩的特征点匹配算法,对匹配的特征点对利用四参数仿射模型进行参数估计和求取.在此基础上对3种方案进行了深入分析和比较,得出SIFT特征点适用范固广、精度高,是较好的仿射参数求取工具.并通过具体的配准实验结果及在图像拼接中的应用证明了算法的有效性.     

小波不变矩在图像识别中的应用研究*

从矩特征的一般表达方式出发,引入了一种新的不变矩——小波不变矩,并将其用于飞机图像的识别中,仿真结果表明,同Hu矩和Zernike矩相比,该算法具有比较好的识别效果。     

一种基于区域分割的地面飞机目标识别方法

针对遥感图像处理中的目标检测问题,根据具体应用要求,采用改进的图像分割方法对地面机场中的某些大型飞机进行型号识别.分析感兴趣的飞机参数,并在先验信息的基础上确定感兴趣区域(ROI),在待检区域和ROI匹配的基础上提取飞机目标,通过比较结构信息和不变矩信息实现地面飞机目标的检测与识别.实验结果表明,该方法的查全率为88.15％,查准率为80.67％,能达到预期目标.     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

基于多窗二值局部熵的特征提取方法及其在红外目标识别中的应用

特征提取是模式分类及识别的重要组成部分.结合局部熵描述图像局部性质的特性,本文提出一种基于多窗二值局部熵的特征提取算法.通过几何矩的规范性变化,使得由多窗局部熵提取出的特征量同时具备了平移及比例不变性,并引入圆形局部窗使得特征量具备旋转不变性.利用最近邻法对标准飞机模式库中的12种飞机及真实红外目标的分类识别实验结果表明,这种方法提取的特征量具有计算简单且对噪声影响不敏感的特性,其性能优于矩不变量及Zernike矩.     

一种KCCA融合局部特征和全局特征的目标识别算法

提出一种新的KCCA特征融合算法。首先分别提取目标图像的局部特征SIFT和全局Pseudo-Zernike矩特征,并利用K-means算法对局部特征进行预处理;然后利用KCCA将两种特征提取相关特征进行融合,最后将融合特征送入SVM分类器。对遥感飞机图像库做了分类识别的仿真实验。相比于单一特征和CCA特征融合的识别策略,KCCA识别率得到明显提高,理论分析和实验结果证实了该算法具有良好的准确性与可靠性,能够有效提高图像分类识别系统的准确度。     

基于Harris-Laplace特征区域的遥感图像水印算法

针对现有遥感影像数字水印算法多为全局水印算法,抵抗旋转、行列剪切、水平镜像以及联合几何攻击能力较差,提出一种基于Harris-Laplace特征区域的局部化遥感影像水印算法。算法依据密钥生成一个随机序列,对其实施二值化,并选取一段作为待嵌入的数字水印;在宿主遥感影像中提取Harris-Laplace特征点,并依据其确定水印嵌入特征区域;最后,根据待嵌入的水印信息,将所选特征区域进行圆环划分,利用奇偶量化方法将水印嵌入其中。实验证明该算法对JEPG压缩、噪声及滤波等常规信号处理具有较好鲁棒性的同时,能够更好地抵抗旋转、缩放、平移及其联合等几何攻击。     

基于Retinex理论的新型遥感图像增强算法

针对遥感图像视觉存在对比度差\,分辨率低的缺点,以及传统的Retinex算法在对图像增强时往往会出现色彩恢复不协调,呈现泛白发灰现象,提出了一种多尺度Retinex算法与直方图均衡化相结合的新型遥感图像增强算法。首先对多尺度Retinex算法进行非线性全局改进,用于增强HSV色彩空间中的V分量,然后用直方图均衡化方法对RGB空间中三分量做同步增强处理。实验结果表明:与多尺度Retinex算法相比,算法增强后图像的均值可达到127,信息熵可提高29.5%,而且算法有效地解决了图像色彩恢复不协调和泛白发灰现象。     

基于不变矩的高分辨率遥感图像建筑物提取方法

为了有效地对图像进行特征提取, 利用不变矩算法对IKONOS和WorldView两种高分辨率遥感图像的城市建筑物地区进行提取。首先将图像数据经过Canny边缘检测和标记分水岭分割, 然后在此基础上分别利用胡氏不变矩和仿射不变矩对图像进行特征提取; 最后通过实验结果的评价可以证明在建筑物的特征提取上, 仿射不变矩比胡氏不变矩的提取效果更加显著, 进而也证明了利用不变矩算法对高分辨率遥感图像建筑物特征提取这一方法是可行且有效的。     

基于小波矩的车辆特征提取算法研究

车辆目标图像特征提取是智能交通系统中车辆识别与分类的关键问题。在车型提取算法中,矩特征是较为常用的车型特征描述子。针对Hu矩的七个特征分量在数量级上差别较大且受比例因子影响的问题,基于不变矩和小波能量的原理和特点的研究,重点提出了基于小波矩的特征提取算法,并应用于车辆的特征提取。最后的实验对实际车辆图像进行采集,对预处理图像进行小波分解得到三级子图像,对子图像求取修正Hu不变矩,将不变矩作为特征量,利用最小邻距离分类得出识别结果。最后的实验结果显示,通过这种方法提取的特征量具有平移、旋转、比例不变性,能反映目标图像的重要的、本原的属性,与传统Hu矩相比,识别率提高了13.5%,达到了预期的目标。     

一种起始点无关的小波系数形状匹配

小波变换的多分辨率特征使其在计算机视觉中得到广泛的应用,在形状匹配中,小波变换对起始点的依赖制约了小波变换的应用。为了克服小波变换对起始点的依赖,引入Zernike矩,提出一种起始点无关的小波系数形状匹配算法。对输入图像进行预处理后提取目标轮廓,生成具有平移、尺度不变的形状链状表达,并通过小波变换进行多尺度分析。最后计算各个尺度下的各阶Zernike矩,来解决小波变换的起始点问题,实现形状表达的旋转不变性。实验结果表明该算法适用于轮廓较明显的目标,同时具有速度快、精度高、鲁棒性强的优点。     

基于Zernike色度分布矩的彩色图像检索算法

以对立色度空间及Zernike矩理论为基础,提出一种基于Zernike色度分布矩的彩色图像检索方法。该方法首先将彩色图像从三维RGB颜色空间转换到二维对立色度空间,以获得图像像素的色差度量值。然后结合Zernike矩相关知识,在二维色度空间中计算出各像素的Zernike色度分布矩,最后将Zernike色度分布矩作为图像颜色特征,并进行彩色图像检索。仿真实验表明,该算法能够准确高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率。     

CGAN样本生成的遥感图像飞机识别

目的 基于深度学习的飞机目标识别方法在遥感图像解译领域取得了很大进步,但其泛化能力依赖于大规模数据集。条件生成对抗网络（conditional generative adversarial network,CGAN）可用于产生逼真的生成样本以扩充真实数据集,但对复杂遥感场景的建模能力有限,生成样本质量低。针对这些问题,提出了一种结合CGAN样本生成的飞机识别框架。方法 改进条件生成对抗网络,利用感知损失提高生成器对遥感图像的建模能力,提出了基于掩膜的结构相似性（structural similarity,SSIM）度量损失函数（masked-SSIM loss）以提高生成样本中飞机区域的图像质量,该损失函数与飞机的掩膜相结合以保证只作用于图像中的飞机区域而不影响背景区域。选取一个基于残差网络的识别模型,与改进后的生成模型结合,构成飞机识别框架,训练过程中利用生成样本代替真实的卫星图像,降低了对实际卫星数据规模的需求。结果 采用生成样本与真实样本训练的识别模型在真实样本上的进行实验,前者的准确率比后者低0.33%;对于生成模型,在加入感知损失后,生成样本的峰值信噪比（peak signal to noise ratio,PSNR）提高了0.79 dB,SSIM提高了0.094;在加入基于掩膜的结构相似性度量损失函数后,生成样本的PSNR提高了0.09 dB,SSIM提高了0.252。结论 本文提出的基于样本生成的飞机识别框架生成了质量更高的样本,这些样本可以替代真实样本对识别模型进行训练,有效地解决了飞机识别任务中的样本不足问题。     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。