一种快速有效的SAR图像起伏地形分割算法

根据合成孔径雷达(SAR)成像机理和图像特征,针对SAR图像中的起伏地形,提出了一种基于有向多尺度模型分割算法。该方法利用了SAR图像不同方向不同尺度间的统计相依性,而且考虑了SAR图像的空间信息。由于是基于有向多尺度模型少量的特征数据,利用最大期望(EM)算法可以快速估计参数,同时利用数学形态学算法进行分割修正,实现了高精度的SAR图像起伏地形的快速分割。实测SAR图像分割实验结果证明,对比其他分割算法,该方法对起伏地形的分割效果更为精确。     

基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。     

基于多尺度形态学梯度的颅脑图像分割方法研究

提出一种基于多尺度形态学梯度的颅脑图像分割方法。针对传统分水岭算法易产生"过分割"现象的问题,提出优化算法,即首先利用多尺度形态学梯度算法提取图像边缘信息,对梯度图像进行修正,最后利用分水岭算法实现分割。仿真结果表明该方法能够较好地抑制"过分割"现象。     

基于Fisher变换的多尺度图像识别方法及其车形识别应用

该文提出了一种图像识别方法。该方法首先对识别图像进行多尺度小波分解,把不同尺度的分解结果组织为分解向量,再对分解向量作Fisher变换。在Fisher变换域内依据最小绝对距离(或相对距离)识别图像。该方法主要依据小波分解低频分量进行识别运算,对噪声不敏感:同时识别结果已经融合多尺度的识别运算,故目标图像大小对识别结果影响较弱。实践证明,该方法正确识别率高,鲁棒性强。     

激光夜视图像分型分割算法研究

为解决以往采用关联规则挖掘算法对图像进行分割时,对于夜视图像中灰暗区域中颜色特征以及前景/背景特征的采集能力差,不能有效判定图像的多尺度分型特征,分型分割效果差的问题。研究激光夜视图像分型分割算法。先利用计盒维数估计方法计算激光夜视图像分型维数尺度,通过分型维数尺度获取激光夜视图像的多尺度分型特征值,将利用多尺度分型特征值获取的多尺度分型特征约束与图像颜色约束相结合获取多尺度分型特征数据项,融合该多尺度分型特征数据项与通过图像中相邻区域顶点颜色距离获取的光滑项,并加入自适应比重系数获取能量函数,利用最大流/最小割算法求解能量函数最小值,实现激光夜视图像的分割。实验结果表明,该算法可准确分割激光夜视图像中人物目标特征,分割10幅激光夜视图像准确率以及均匀性测度平均值均在95%以上。     

基于NSA多尺度模型的人脸识别

提出了NSA多尺度模型.该模型摒弃了LSA模型中不同尺度的图像间具有线性映射关系的假设.首先利用神经网络建立不同尺度图像间的映射关系;其次使用反向传播算法训练神经网络确定这种映射关系;最后根据该映射关系由低分辨率图像估计高分辨率图像.利用对比度相似性量化估计图像与目标图像间的相似程度.将该模型用于人脸识别,提出利用梯度算子进行图像分割提高识别的准确性.实验结果表明,以该模型分析得到的对比度相似性为95.3634%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性.     

自适应形态学与多尺度结合的植被区域遥感图像分割方法

为减小植被区域遥感图像分割误差,解决植被区域中待分割目标因覆盖度和噪声等因素造成的过分割和欠分割问题,提出了一种自适应形态学与多尺度结合的植被区域遥感图像分割方法。首先,通过general adaptive neighborhood(GAN)结构元素构造膨胀和腐蚀运算,推导出GAN形态学开、闭运算;然后,构造一种GAN形态学复合型滤波器,填充植被覆盖度不足的孔洞,减小噪声对图像的干扰;最后,通过多尺度分割算法,对遥感图像植被区域进行分割。实验结果表明：所提方法能够有效避免欠分割和过分割现象且能对遥感图像植被区域进行准确分割;与传统多尺度分割和传统形态学与多尺度结合方法相比,所提方法的分割误差较小。     

一种基于小波域的运动估计方法

提出了一种基于多尺度边缘检测(MED)与连续小波变换(CWT)相结合的运动目标估计方法。首先,利用多尺度边缘检测算法,得到抗噪性好、边缘连续清晰的运动目标边缘图像。然后,利用连续小波变换把目标序列图像映射到运动状态参数空间。该方法同时拥有MED和CWT的优良特性。实验表明,该算法是对旋转、遮挡和有噪等复杂运动目标进行运动估计的有效方法。     

基于MAR-MRF的SAR图像分割方法

该文提出了一种基于多尺度自回归模型和马尔科夫随机场的SAR图像分割算法。算法引入多尺度自回归模型,建立层与层之间以及相邻层的像素点之间的数学关系,并将此模型与马尔科夫分割算法结合,实现了更为合理的多尺度分割策略。通过相邻尺度的依赖关系及同一尺度空间的马尔可夫性,使用多尺度自回归模型的预测结果来引导精细尺度图像分割,不仅使得最细尺度下的分割迭代次数减少;而且去除了最细尺度下多余的误分类斑块;同时还能够分割出清晰、平滑的目标边界,实现了较满意的SAR图像分割。     

基于二维模态分解与斑块对比度相结合的红外小目标检测算法

红外小目标检测在红外目标搜索跟踪等应用中发挥着重要作用。文中提出一种二维经验模态分解与多尺度斑块对比度算法相结合的红外小目标检测算法。首先,利用二维经验模态分解将红外图像分解成不同尺度的模态分量,再将低频模态分量去掉进行图像重构,实现对背景杂波的抑制。然后,将重构图像做为多尺度斑块对比度算法的输入,生成目标结果图。最后,对目标结果图进行自适应阈值分割,检测出真实的红外小目标。实验仿真结果表明,该算法与现有算法相比,在不同背景下能够有效抑制背景对目标的干扰,具有较高的检测率,验证了该算法的有效性和鲁棒性。     

多观测样本联合信息加权稀疏表示分类算法

多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多多观测样本分解成单样本,分别对各个样本进行稀疏求解得到其各自的稀疏度和残差,进而联合二者确定其相应可信度。然后给各观测样本进行可信度加权,重构出加权多观测样本。最后,再采用整体稀疏表示对其进行分类。在ETH-80物体数据库、CMU-PIE人脸数据库和BANCA数据库上进行大量对比实验,实验结果证明该算法的有效性,提高识别精度的同时使算法的鲁棒性得到保证。      

3-d object retrieval and recognition with hypergraph analysis

View-based 3-D object retrieval and recognition has become popular in practice, e.g., in computer aided design. It is difficult to precisely estimate the distance between two objects represented by multiple views. Thus, current view-based 3-D object retrieval and recognition methods may not perform well. In this paper, we propose a hypergraph analysis approach to address this problem by avoiding the estimation of the distance between objects. In particular, we construct multiple hypergraphs for a set of 3-D objects based on their 2-D views. In these hypergraphs, each vertex is an object, and each edge is a cluster of views. Therefore, an edge connects multiple vertices. We define the weight of each edge based on the similarities between any two views within the cluster. Retrieval and recognition are performed based on the hypergraphs. Therefore, our method can explore the higher order relationship among objects and does not use the distance between objects. We conduct experiments on the National Taiwan University 3-D model dataset and the ETH 3-D object collection. Experimental results demonstrate the effectiveness of the proposed method by comparing with the state-of-the-art methods.     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

A site entropy rate and degree centrality based algorithm for image co-segmentation

In this paper, we propose a graph based algorithm that efficiently segments common objects from multiple images. We first generate a number of object proposals from each image. Then, an undirected graph is constructed based on proposal similarities and co-saliency maps. Two different methods are followed to extract the proposals containing common objects. They are: (1) degree centrality of nodes obtained after graph thresholding and (2) site entropy rate of nodes calculated on the stationary distribution of Markov chain constructed on the graph. Finally, we obtain the co-segmented image region by selecting the more salient of the object proposals obtained by the two methods, for each image. Multiple instances of the common object are also segmented efficiently. The proposed method has been compared with many existing co-segmentation methods on three standard co-segmentation datasets. Experimental results show its effectiveness in co-segmentation, with larger IoU values as compared to other co-segmentation methods.     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于Gabor小波与HOG特征的目标检测方法

针对传统的HOG目标识别方法,提出一种通过Gabor滤波融合后的进行HOG特征提取的目标检测方法。为了提高HOG特征提取信息的有效性,首先用Gabor对目标图像做了预处理,其预处理过程是针对图像Gabor特征的在尺度和方向上进行融合,形成一幅Gabor图像。为了有效提取全局的Gabor图像纹理、轮廓信息,将该图像分为大小相同且重叠的块,分别对每个块进行统计,最后用RealAdaboost级联方法对目标和非目标样本进行学习,并对测试序列进行分类。结果表明,基于梯度的Gabor预处理技术能提高目标特征提取性能。与传统的HOG目标识别的方法比较,该方法在目标图像受到干扰的情况(遮挡、重叠等)下,监测效果明显优越。     

周扫条件下的红外运动目标检测

针对周扫条件下的运动目标检测出现的问题,提出了多种解决办法,并从中选择最优方案。首先根据系统红外图像特点,使用投影匹配法进行图像配准;然后针对现有运动检测算法中存在的问题,结合帧间差法和经典自适应背景差分法的优点,提出一种基于分级自适应背景差分的运动检测方法,使得伪运动目标明显减少;最后针对剩下的伪运动目标,借鉴图像配准方法,提出了一种基于最小平均灰度差判定真假运动目标的方法,有效剔除了伪运动目标。实验结果表明所提出的算法能快速有效的解决周扫模式所带来的各种问题。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。