基于形态学处理与模式识别的手部图像分割

为了更有效地分割手部图像,提出一种基于彩色阈值变换、形态学处理与模式识别的手部识别算法。利用手部与周围背景在RGB颜色分量上存在一定的差异,先通过RGB阈值变幻将彩色图像二值化,然后进行闭运算与孔洞填充,最后根据周长面积比去除背景中的孤立点集以提取手部。实验证明,该算法能够较为有效地将手部从背景中提取出来。     

基于投影网络的遥感影像超分辨率重建方法

针对遥感影像数据量大、地形起伏大、覆盖范围 广的特点,本文提出了一种基于卷积神经网络的遥感影像超分辨重建 方法,该方法联合密集网络和深度反投影网络,组成了密集投影单元,形成深度密集投影网 络,解决了传统算法在遥感影像超分 辨率重建中存在的纹理表征不够,细节提取不足、训练困难等问题。实验结果表明,在多个 遥感影像数据集上,本文与其他对比 方法相比,PSNR和SSIM有明显提升,重建出的遥感影像纹理标征和细节特征更加丰富。     

多摄像头联动跟踪图像物料重识别方法

为保证入库物资能够严格按照规定仓位进行存储，提出基于CNN的多摄像头联动跟踪图像物料重识别方法。分析膨胀、腐蚀操作过程，经过形态开、闭运算，过滤跟踪图像噪声，将阈值分割与归一化颜色模型相结合，分离背景与前景；获取不同摄像头在相同位置对应点，设置卷积层与池化层的滑动步长，探究激活函数层与全连接层特征，建立卷积神经网络模型，结合物料已知特征设置语义，引入损失函数，提取图像中物料深度信息，完成重识别。仿真实验表明，所提方法可增强图像质量，获取更多物料信息，提高识别精度。     

基于Lab颜色空间的车牌定位方法

本文提出一种基于Lab颜色空间的车牌定位方法。首先将RGB颜色空间转换成Lab彩色空间,采用自适应二值化阈值对b分量图像进行二值化处理,使得车牌区域凸显,并通过后续的形态学处理排除孤立点的干扰,最后采用投影法确定出车牌的准确位置。     

基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征.其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征.遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术.基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足...     

基于双注意力机制与UNet的遥感影像变化检测方法

遥感图像变化检测长期以来都是遥感领域的重要的研究方向。传统的深度学习语义分割模型难以充分地提取两期遥感影像中的变化信息,为了解决此问题,文章提出了一种基于双注意力机制的UNet遥感影像变化检测模型。该方法首先通过图像融合将两期影像送入UNet之中。而后通过在跳跃级联与特征提取的高层次特征后使用双注意力机制模块来建立起丰富的上下文信息与凸显特征中的变化信息。最后通过反卷积来恢复尺寸获取变化二值图。实验结果表明,所提出的方法提高了遥感影像变化检测的精度。     

基于DSNet的遥感影像语义分割方法

针对遥感影像语义分割数据的类别不平衡导致传统神经网络模型趋向于忽略困难样本、推理结果存在空洞和分割准度下降等问题，提出了一种钻形神经网络语义分割方法。首先，定义新的桥接模块用于融合浅层和深层特征信息，使更多建筑细节特征能被网络捕捉；其次，利用多重损失函数在深度学习分割模型训练中加强对困难样本信息的提取；最后，平衡类别训练差异，多层次提取遥感影像中的地物信息，提高分割准度。实验结果表明，所提方法的平均交并比达到0.849，建筑物漏识率和错识率较少，分割准度相比现有方法有一定的提高。     

基于多特征组合的彩色遥感图像分类研究

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题,提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量,据此对遥感影像进行分类,并进行了实验验证。结果表明,颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度,其分类效果优于传统的单一颜色或纹理特征分类,是一种有效的彩色遥感图像分类方法。     

基于显著性特征和DCNN的高分遥感影像场景分类

高分遥感影像的场景分类是解译遥感影像信息的重要工作之一.为了准确提取出目标信息,针对高分遥感影像场景分类中存在的背景复杂、目标多样、目标信息与背景信息难以区分等问题,提出了一种基于显著性特征和深度卷积神经网络(DCNN)的高分遥感影像场景分类方法.首先,利用K-means聚类与超像素分割算法得到影像的颜色空间分布与颜色对比图,融合不同对比图,以得到显著图.然后,通过对数变换增强显著图中的特征,采用自适应阈值分割方法提高目标的区分度并划分出目标区域和背景区域,以提取出感兴趣区域.最后,构建了一种用于提取深层语义特征的DCNN模型,并将得到的特征输入网络模型中进行训练和分类.实验结果表明,本方法能有效区分主要目标信息与背景信息,减少无关信息的干扰,在UC-Merced数据集和WHU-RS数据集上的分类精度分别为96.10％和95.84％.     

HSV空间和形态学处理相结合的车牌定位方法

车牌定位是实现车牌自动识别的前提.在传统的基于RGB彩色空间的形态学定位方法的基础上进行改进,提出了一种HSV彩色空间和图像形态学处理相结合的车牌定位方法.在HSV彩色空间中将车牌图像分割为H,S,V这3个单通道灰度图像,分别进行去噪和二值化处理,然后将这3幅二值图像做“与”运算得到一幅能有效去除背景干扰的二值图像,再运用形态学的闭运算和开运算进行处理,得到车牌候选区域,最后利用车牌宽高比属性进行验证以确定真实的车牌位置.实验结果表明,该方法相对传统方法实现简单,车牌定位准确、高效.     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。     

一种高分辨率遥感图像目标自动提取方法

该文提出一种高分辨率遥感图像目标自动提取方法,该方法首先使用分类器实现目标的快速检测,然后利用图像色彩模型和平滑性先验知识建立分割代价函数,并最小化此代价函数实现目标的精确提取,最后在后处理步骤中加入目标的形状先验知识,进一步提高精度。以油罐提取为例进行了实验,结果证明了该方法的有效性和鲁棒性。     

基于云边融合技术的智能停车场系统

为解决日益增加的车辆与停车场车位的供需不均衡问题,解决车主出行时寻找停车位的烦恼,文中开发了一种基于云边融合技术的智能停车场系统。该系统的重点在于通过超声波探测的方法来检测车位状态,利用一种基于云端远程技术的方法实现对车位信息的远程在线查询,同时提取服务器数据,通过手机APP端的设计和数据处理来展示停车场的车位信息,使车主准确把控停车场的车位情况,达到设计的目的。     

基于循环生成对抗策略的遥感图像匹配算法北大核心CSCD

针对异源遥感影像成像模式、时相、分辨率等不同导致的图像匹配困难问题,提出了一种基于循环生成对抗策略的遥感图像匹配算法。构建了跨数据域图像特征迁移的循环生成对抗网络(generative adversarial network,GAN),设计SmoothL损失函数对网络进行优化,提高遥感图像特征提取精度,并基于图像特征迁移结果,建立三元组距离排序损失函数(trioplet margin ranking loss,TMRL)降低遥感图像的误匹配点数,实现异源遥感图像的准确匹配。实验结果表明,本文方法将异源遥感图像匹配平均准确率提升了33.51%,与CMM-Net(cross modlity matching net)方法相比,具有更好的遥感图像匹配效果。此外,本文方法不需要目标域图像的标注信息,匹配时间缩短了0.073s,能快速准确实现异源遥感图像匹配。     

航天遥感图像感兴趣区域的自动提取方法

感兴趣区域提取是航天遥感图像分析的重要前提。随着图像空间分辨率的提高,场景内显著目标以及背景变得愈加复杂。利用传统的特征提取技术将会耗费大量计算空间和时间。提出了基于改进视觉注意方法的感兴趣区域自动提取,在HSV空间将目标与背景在颜色和亮度上的差异作为显著特征,利用高斯金字塔和中心-周边求差算子计算图像的显著特征图,并对特征图进行归一化和线性融合,设计注意焦点的转移步骤,完成感兴趣区域的自动提取。通过仿真和实验可以看出,本方法能有效地实现航天遥感图像感兴趣区域的自动提取。     

高光谱遥感图像端元提取的零空间光谱投影算法

端元提取技术是高光谱遥感图像光谱解混的关键.在线性光谱混合分析中,首先引入了高光谱遥感图像经过零空间光谱投影后具有单形体的凸不变性.在此基础上,提出了零空间光谱投影算法,通过设计各种度量和准则,制定不同的单次端元提取策略,灵活地实现算法.经过证明,零空间光谱投影算法是对基于子空间投影距离算法(包括零空间投影距离算法与经典正交子空间投影算法)的进一步延伸,提供了更多的端元提取策略.实验结果表明,零空间光谱投影算法在模拟图像以及真实高光谱遥感图像中都能够有效地提取出图像中的各种端元.     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。     

基于Word Embedding的遥感影像检测分割

遥感影像检测分割技术通常需提取影像特征并通过深度学习算法挖掘影像的深层特征来实现.然而传统特征（如颜色特征、纹理特征、空间关系特征等）不能充分描述影像语义信息,而单一结构或串联算法无法充分挖掘影像的深层特征和上下文语义信息.针对上述问题,本文通过词嵌入将空间关系特征映射成实数密集向量,与颜色、纹理特征的结合.其次,本文构建基于注意力机制下图卷积网络和独立循环神经网络的遥感影像检测分割并联算法（Attention Graph Convolution Networks and Independently Recurrent Neural Network,ATGIR）.该算法首先通过注意力机制对结合后的特征进行概率权重分配;然后利用图卷积网络（GCNs）算法对高权重的特征进一步挖掘并生成方向标签,同时使用独立循环神经网络（IndRNN）算法挖掘影像特征中的上下文信息,最后用Sigmoid分类器完成影像检测分割任务.以胡杨林遥感影像检测分割任务为例,我们验证了提出的特征提取方法和ATGIR算法能有效提升胡杨林检测分割任务的性能.     

飞行时间深度相机和彩色相机的联合标定

飞行时间（TOF）深度相机等深度传感器可以实时、准确地获取深度信息,在计算机视觉领域受到广泛关注。本文以获取同一视野下场景的纹理信息和深度信息为目的,在传统的棋盘格标定方法基础上,针对TOF深度相机的低分辨率和较大的径向畸变的特点,采用角点稀疏的棋盘格作为标定板以提高角点检测的精度,提出一种TOF深度相机和彩色相机的联合标定方法。首先对彩色相机和深度相机单独标定,使用传统的棋盘格标定方法获得彩色相机的内部参数,对使用深度相机所拍的强度图进行畸变校正后再求得深度相机的内部参数。然后,固定两相机内参,多次实验获得两相机之间的相对位置关系,并使用最小二乘法进行优化。实验结果表明,该方法标定精度高,彩色相机的重投影误差最多可减小0.15个像素,深度相机的重投影误差最多可减少0.09个像素,根据标定结果将深度相机所得的深度图投影到彩色相机的视野下所得的投影深度图能和彩色图像精确对齐。