基于分割区域的SAR图像配准方法研究

合成孔径雷达(Synthetic Aperture Radar,简称SAR)图像受到斑点噪声影响以及成像条件的变化,使得同一场景的两幅SAR图像之间存在很大差异,利用基于边缘特征或灰度信息进行SAR图像配准,难以达到预期效果.基于此,本文提出一种基于分割区域的SAR图像配准方法,该方法首先利用主动轮廓方法对去噪后的SA...     

基于FKICA-SIFT特征的合成孔径图像多尺度配准

针对合成孔径(SAR)图像的配准,提出一种基于仿射不变快速核独立成分分析-尺度不变特征变换(FKICA-SIFT)的多尺度配准方法.首先,根据特征点的Hessian矩阵构建仿射不变SIFT描述子.接着,利用FKICA提取该描述子的独立成分得到新的描述子FKICA-SIFT.然后,利用该描述子对Steerable滤波后的...     

SAR图像分割的G_A~0统计模型-水平集方法

由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果,首先基于G0A统计模型定义能量映射函数以代替像素值进行后续的处理,该方法可以减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况.实验结果表明该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性.     

改进的动态图模型点模式匹配

为了提高概率图模型点模式匹配的精度,本文提出了改进的动态图模型点模式匹配算法。首先,在动态图模型点模式匹配的相似性度量中应用混合高斯分布,以提高模型利用多特征的能力,使匹配方法对噪声更加稳健。其次,在目标点集中引入了虚拟的哑点并给出了包含哑点的相似性度量。当模板中的点和哑点相匹配的相似性度量更大时模板点将和哑点匹配,以减少由异常点所导致的误配。实验结果表明所提出的匹配方法对噪声和异常点更加稳健,匹配的精度也优于传统方法。     

多尺度Markov模型的可适应图像分割方法

本文在图像分割的TSMAP(trainable sequential maximum a posterior)方法基础上,提出基于多尺度Markov模型的可适应ATSMAP(adaptive TSMAP)图像分割方法.在给定训练图像及其基本真实分割(ground truth segmentation,GTS)的基础上,通过直接对原始图像的GTS进行小波变换产生粗尺度上的GTS,进而估计出图像数据的分布参数和Markov四叉树模型参数;上下文模型参数根据上下文的低维特征(类别数量特征)而非上下文本身来估计.该方法具有上下文模型参数估计计算量小,Markov四叉树模型参数可针对特定的待分割图像重新优化等优点(模型适应过程),解决了TSMAP方法易导致过学习的问题,在待分割图像与训练图像的统计特性不匹配的情况下,仍能给出较好的分割结果.对合成图像与SAR图像的实验结果表明,这种方法的分割精度高于TSMAP和其它几种基于多尺度Markov模型的图像分割方法.     

具有非参数AR(1)误差的回归模型的局部线性估计

考虑随机设计下具有一阶非参数自回归误差的线性回归模型,构造了参数和非参数函数的局部线性估计。在适当的条件下,证明了参数估计量的渐近正态性,并给出了非参数函数估计的收敛速度。模拟算例表明局部线性方法优于核方法。     

个人域名开放政策研究

大家知道．互联网上的每个网站都有自己的IP地址——域名。作为网络上的宝贵资源．许多公司和个人都争先恐后地进行域名注册。但是我国只有社会组织(企业、事业单位等)有权注册国内域名．而个人却无权注册。最近几年．国内对于个人域名的开放呼声日渐上升。     

信息化处在转折调整期

与2003年调查相比,本次调查结果企业信息化的投资明显大幅下降。这表明我国企业信息化已从大规模建设阶段向应用阶段转移,密集的信息化投入期已经过去;企业在信息化投入时更为理性,更讲求实效。     

基于独立分量分析的极化SAR图像的相干斑抑制

研究基于独立分量分析( ICA)的极化合成孔径雷达（SAR）图像相干斑抑制方法。该方法将极化SAR图像斑点噪声的乘积模型，变换为应用ICA的信号独立加噪模型。并且将HV/VV的比值图像，也作为ICA的输入数据。利用ICA 的分离性，得到了分别对应于HH、HV和VV极化的三幅降噪图像。经本文方法处理后的图像，其相干斑噪声得到了有效的抑制，具有较高的等效视数，明显地改善了图像的质量。     

基于Markov四叉树模型的无监督图像分割

本文提出了一种基于分布特征的多尺度无监督图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类，并将每个像素的邻域内的Gauss子集类别标记作为特征向量，利用多尺度Markov模型进行二次聚类，从而实现无监督图像分割。与其它基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比，该方法既无需假定每类的分布形式，又能较好地反映数据的概率结构。对合成图像与SAR图像的实验结果表明，该方法的分割精度接近于有监督的H—MPM和H—SMAP方法。