轮廓特征包在激光主动照明识别系统中的应用

提出了一种结合轮廓转动惯量和特征包(Bo F)算法的激光主动照明目标识别方法。介绍了转动惯量的定义,并提出了一种多尺度轮廓转动惯量特征区域检测方法和轮廓转动惯量局部不变特征提取方法。多尺度轮廓转动惯量特征区域检测方法能够提取出包含轮廓的最小特征区域,而轮廓转动惯量局部不变特征能够很好地描述轮廓的大小、位置、规则度等信息,对于各种图像变换具有不变性,并且计算效率较高。使用Bo F算法统计图像的轮廓转动惯量局部不变特征,生成归一化特征直方图作为整幅图像的特征向量,输入训练好的支持向量机分类器进行识别。实验结果表明与基于Hu矩和BP神经网络的目标识别方法相比,所提算法在旋转和仿射变换下的识别率分别提高7.33%和19.08%。     

SAR图像目标识别新方法

提出一种SAR图像目标识别新方法。首次引入BM3D方法,用于滤除原始图像中的相干斑噪声,BM3D结合了空间域和变换域去噪的优势,滤波性能优异。在特征提取步骤,将低阶Hu矩与高阶Zernike矩组合,Hu矩描述目标的粗略信息,高阶Zernike矩描述目标的细节信息,因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器,对含噪的SAR图像进行识别实验。实验结果表明:本文方法的识别率高达98.90%,优于已有的SAR目标识别方法。     

基于快速视网膜关键点局部不变特征的激光主动成像目标识别

提出一种基于快速视网膜关键点(FREAK)局部不变特征的激光主动成像目标识别方法,在目标的矩、几何、轮廓等特征难以提取时仍然能够准确识别。提出差分加速分割检测特征(FAST-Difference)特征点检测方法,将加速分割检测特征(FAST)与高斯差分算子(DoG)相结合,快速提取出对于各种变换均具有稳健性的特征点;使用FREAK描述子生成特征向量,最后使用级联匹配方法完成特征向量的快速匹配。所提方法具有与人类视觉类似的特性:特征点检测阶段,FAST-Difference方法使用DoG进行多尺度检测;特征向量描述阶段,FREAK描述符的拓扑结构与人类视网膜类似;特征点匹配阶段,级联匹配方法模仿人类视觉的扫视搜索。实验证明所提方法能够对激光主动成像下的部分照亮的塔形目标进行快速有效的识别,算法满足识别系统实时性的要求。     

基于双隐含层BP算法的激光主动成像识别系统

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450 m处2 740帧和550 m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。     

基于光纹特征的激光主动照明图像去模糊

受光学系统离焦、大气扰动、平台振动的影响,激光主动照明系统捕获的图像容易被模糊,而传统的去模糊方法难以取得良好的复原效果,故本文提出基于光纹特征的盲解卷积复原方法来实现图像去模糊。首先将模糊图像降采样,建立尺度金字塔,在尺度空间查找光纹特征图像块。随后基于激光主动照明图像饱和像素较多的特点,提出新的图像退化模型。最后针对模糊核估计、光纹参数更新、清晰图像复原3个步骤,提出适用的能量函数,迭代复原出无噪清晰图像。搭建了主动照明系统,在捕获的激光主动照明图像上进行了实验,并与现有方法进行了对比。结果表明:本文方法不仅能够复原出清晰图像,而且能有效抑制振铃效应,其客观评价指标峰值信噪比(PSNR)优于已有的其他算法。     

用于遥感图像目标快速匹配识别的改进混合溢出树算法

提出一种基于标记的混合溢出树(SHSPT)特征匹配算法,用于遥感图像的目标匹配识别。针对特征数据建立和预处理,提出了基于中心点的数据分割方法,通过定义数据密集区域的中心,舍去边缘稀疏数据,提取出分割后的数据。进行特征匹配时,使用二进制数组表示数据空间,标记分割后的特征向量数据,通过比特操作计算特征向量间的距离,缩短计算时间。最后对特征匹配方法进行改进,采用待匹配特征距离的均值代替尺度不变特征变换(SIFT)匹配算法的次临近特征距离,从而得到更多的匹配点。实验证明,基于标记的混合溢出树特征匹配算法占用内存空间比传统的混合溢出树算法减少约68%,匹配准确度与原算法接近,匹配时间平均缩短了约32.8%,解决了航天遥感图像数据量大,特征维数较高,匹配识别时间长,占用计算机内存大等问题。     

一种新的快速局部不变特征算法

针对传统局部不变特征算子主方向提取不准确和匹配阶段过于耗时的问题,提出一种基于RI-LBP 算子和混合spill 树的快速局部不变特征算法。首先提出一种FAST-Difference 算法,提取出模板图像和待匹配图像的稳定特征点,然后使用旋转不变的RI-LBP 描述符计算特征向量,最后对特征向量集使用混合spill 树进行匹配并使用RANSAC 算法剔除误匹配点。RI-LBP 算子自身的旋转不变性能够在一定程度上克服特征点主方向确定不准确的缺点,使特征描述符的提取更加稳定,并生成更简单的53 维局部不变特征描述符。混合spill 树相对于kd-tree 省略了回溯过程,对于高维数据拥有更好的匹配效率。实验证明:该算法与SURF 算法描述能力相近,旋转和光照条件下比SURF 性能更优,并且匹配速度更快。     

局部不变特征匹配的并行加速技术研究

针对SIFT、SURF等局部不变特征在大尺寸图像上匹配时过于耗时的问题,将FREAK算子应用于图像匹配中,并提出一种多线程并行加速方法。首先介绍FREAK描述子的特征点的检测、特征描述向量的生成和特征向量的匹配的过程,并分析其优势。其次提出并行处理的2种思路:一是对待匹配图像进行有重叠的分块,对于每一块子图像,开辟新的线程分别进行处理;二是对匹配过程的3个步骤,采用流水线技术进行并行处理,每检测出一个特征点,随即提取出该点的特征向量,然后和模板图像的特征向量集进行匹配。改写SIFT、SURF和FREAK算法进行实验验证,结果证明FREAK计算过程比SIFT和SURF快得多,而并行方法可以在保证匹配精度的同时明显缩短匹配时间。     

基于像素点分类的激光主动成像混合滤波

为了在滤波的同时较好地保留边缘细节,提出一种基于像素点分类的激光主动成像混合滤波方法,将像素点根据其轮廓曲率进行分类,使用Lee滤波去除散斑噪声,使用模糊加权均值滤波器滤除其余混合噪声。定义一种轮廓点筛选方法,从含噪图像中提取候选轮廓点。将轮廓细化,剔除噪声引起的伪轮廓和强度较小的轮廓后,计算轮廓曲率,并根据轮廓曲率将图像上的像素点分为强信息点、弱信息点和无信息点。对于属于不同类的像素点,使用不同滤波参数的Lee和模糊加权均值滤波器进行滤波,使算法具备像素级的自适应性。实验结果表明,所提算法比Lee、Kuan和小波软阈值滤波有更好的去噪能力和轮廓细节保留能力。     

基于方向滤波器组的激光主动成像图像复原

动平台激光主动成像系统所成图像被模糊的同时受到多种噪声的污染,传统的复原方法对噪声敏感,难以取得令人满意的结果。为此,提出基于方向滤波器组的激光主动成像图像复原方法,使用不同的方向滤波器组对含噪模糊图像进行滤波,估计模糊核函数。对于每个方向滤波器,计算核函数在垂直滤波器方向的Radon变换。接着使用Radon逆变换得到二维模糊核函数的最终估计。根据模糊核函数,即可复原出无噪清晰图像。搭建激光主动成像系统进行实验,结果表明与近年来一些较好的模糊盲复原方法相比,该方法不仅拥有更好的主观效果,同时在客观评价指标(PSNR)上也有所提高。