基于支持向量机的遥感影像薄云去除方法

提出了一种基于支持向量机的遥感影像薄云去除方法。利用支持向量机对边缘点的极强捕捉能力,将含云遥感影像进行多尺度分解,获得不同尺度上的变换系数,再结合方向滤波器组得到丰富的高频信息。采用自适应阈值的图像增强方法处理这片区域,重构时通过对高频区域的增强和低频区域的抑制,得到去云图像。实验结果表明,采用该方法能有效地去除遥感影像中的薄云。     

一种新型多场点智能温度检测器的设计

针对传统单一场点的测温系统无法同时获取多个场点的温度,设计一种STC12C5410AD单片机组网的多场点智能温度检测器。主控机通过命令获取各场点的温度,并显示在液晶屏S6A0069上,温度超标时报警。详细给出系统的硬件与软件设计过程。实验证明该监测器能准确智能地检测出各场点的温度并进行实时显示,显示温度可精确到0．01℃。     

基于仿射不变离散哈希和条件随机场的遥感图像目标检测

建立了一种结合仿射不变离散哈希（Affined-invariant discrete hashing, AIDH）和条件随机场（Confidential random field, CRF）的模型,实现遥感图像的目标检测。对遥感图像进行超像素分割,构建适用于CRF的以超像素块为顶点的无向图结构。以超像素块作为测试样本,使用AIDH学习方法作为CRF一元势函数,生成初始类别标签。采用Potts模型构建CRF的二元势函数进行标签的再学习,平滑目标邻域信息,解决目标检测中的漏判问题。最后,使用基于凸壳边界的方法生成最小外接目标框作为目标检测结果。实验表明,本文方法在目标检测的精度和效率上取得了较好的平衡。     

一种新型多场点智能温度检测器的设计

针对传统单一场点的测温系统无法同时获取多个场点的温度,设计一种STC12C5410AD单片机组网的多场点智能温度检测器.主控机通过命令获取各场点的温度,并显示在液晶屏S6A0069上,温度超标时报警.详细给出系统的硬件与软件设计过程.实验证明该监测器能准确智能地检测出各场点的温度并进行实时显示,显示温度可精确到0.01 ℃.     

基于支持向量值轮廓波变换的遥感影像融合

 本文研究基于支持向量值轮廓波变换的遥感影像融合.首先将支持向量值滤波器和方向滤波器组进行合理搭配,构造支持向量值轮廓波变换,该变换具有平移不变、泛化能力好、捕捉奇异性能强等特性.然后利用该变换对多源遥感影像进行多尺度、多方向、多分辨率分解,在不同的分解水平上利用基于区域能量和基于区域的轮廓波对比度方法进行融合.实验结果表明,利用该变换进行遥感影像融合时,能在不降低空间分辨率的情况下有效保留源影像的光谱信息.     

可穿戴计算机优缺点分析及在消防中的应用

以可穿戴计算机的发展和特性为基础,分析了可穿戴计算机设备的结构,总结了可穿戴设备在消防领域中可满足的诸多需求,并归纳了当下所应用的可穿戴计算机设备在消防应急救援任务执行和消防指挥中心建设中的应用特点,从而完成可穿戴计算机设备在消防建设中的可行性分析。     

基于四叉树与图割的遥感图像分割方法

针对图割算法实时性差的问题,提出一种基于四叉树与图割的遥感图像分割方法。用四叉树分割方法将遥感图像分割成多个区域,根据区域的邻接性合并相似小区域,结合区域间的灰度和位置信息,利用Normalized Cut方法在区域间进行划分,完成图像的分割。实验结果证明该方法能有效消除四叉树方法的过分割现象。     

基于非下采样Contourlet变换的彩色图像拼接算法

文中分析研究了非下采样contourlet图像表示方法及在图像变换中的优点,提出了一种基于非下采样contourlet变换的图像拼接方法.利用SIFT算法和最近邻算法求得待拼接图像的匹配点和匹配区域,将待拼接图像分解成不同尺度、多方向的频带,对得到的频带对应地进行拼接,最后利用重构算法将拼接的各频带进行逆非下采样contourlet变换得到拼接图像.针对光照和数码相机的白平衡导致的拼接图像明暗差异,提出了一种基于二维直方图的B样条曲面拟合的的颜色校正方法.实验表明,文中方法优于传统的非下采样小波域中的拼接效果,过渡更平滑,拼接后的图更加自然,细节更清晰.     

基于仿射不变离散哈希的遥感图像多目标分类

遥感图像的多目标分类是一个具有挑战性的课题.首先,由于数据的复杂性以及算法对存储的高需求,传统分类方法很难兼顾到分类的精度和速度;其次,遥感成像过程中产生的仿射变换,使得目标的快速解译难以实现.为此,提出一种基于仿射不变离散哈希（AIDH）的遥感图像多目标分类方法.该方法采用具有低存储、高效率优势的监督离散哈希框架,结合仿射不变优化因子,构造仿射不变离散哈希,通过将具有相同语义信息的仿射变换样本约束到相似的二值码空间实现分类精度的提高.实验结果表明,在NWPU VHR-10和RSDO-dataset两个数据集下,相比于经典的哈希方法和分类方法,所提方法在具备了高效性的同时,其精度也得到了保证.