图象匹配时矩的高效算法

用不变矩作为相似度度量进行图象匹配，可减少图象平移、旋转以及比例缩放对匹配性能的影响。但不变矩的计算量大，使匹配速度变慢。本文根据图象匹配的特点，提出了一种适用于图象匹配时的矩的增量算法—IACM算法。用此算法可大大提高用不变矩进行图象匹配的速度。     

基于相对点矩的SAR图像匹配算法

为了解决景象匹配导航系统中图像存在旋转误差以及遮档问题,提出了一种基于相对点矩的SAR图像匹配算法.Harris角点提取算于结合亚像素精确定位算法可以获得高精度的特征点坐标,而Hu不变矩具有平移、旋转、缩放(RTS)不变性,结合两者优点,本文首次提出了相对点矩的概念.相对点矩同样具有RTS不变性,可以实现任意旋转角度下...     

采用矩不变量的激光雷达距离像匹配方法

为了解决激光成像雷达距离像匹配中的尺度和旋转不变性问题,提出了一套完整的距离像匹配方法,主要包括图像比例调整、Krawtchouk矩不变量提取、构造特征空间及搜索匹配4部分内容.以仿真激光成像雷达距离像为实验数据,通过调整实时图与参考图之间的比例缩放、提取两图的Krawtchouk矩不变量并以此构造特征向量进行匹配.实现了仿真激光雷达距离像的景象匹配.实验结果表明,该算法在一定比例的缩放和任意角度旋转的情况下,匹配正确率和匹配精度都较高,算法的抗高斯噪声能力较好.     

基于混合矩特征提取的飞机图像识别

提出了一种新的基于图像区域纹理混合矩特征的飞机识别算法.该算法基于一阶直方图的颜色矩特征和基于灰度共生矩阵提取区域图像相关性、角二阶矩、对比度、相关性、倒数差分矩特征,实现有效降维,并采用聚类分析方法对飞机图像进行识别,实验结果显示基于该特征提取的识别方法识别正确率达95%以上,通过对比试验说明,该算法有较好的识别性能.     

一种基于组合矩和小波变换的目标匹配算法

不变矩方法是一种经典的特征提取方法.文中针对纹理细节信息较少的特定目标,首先在七个不变矩的基础上构建了组合矩.该组合矩具有旋转、平移、比例不变性和良好的类间可分离性,大大降低了算法的复杂性、提高了抗干扰能力.为了进一步提高匹配速度,引入多分辨率小波分解,利用低频系数来计算图像的组合矩特征量进行模板匹配.实验表明,对于细节信息较少的目标,该方法是一种具有较高实时性和鲁棒性的目标匹配算法.     

基于Zernike矩的低信噪比红外目标检测方法

低信噪比红外图像普遍存在目标一背景间对比度较差、目标边缘模糊和噪声较大等特点,采用常规模板匹配、Hu矩方法难以取得理想检测效果.针对低信噪比红外目标图像,分析了Zemike矩的基本原理和计算方法,提出了基于Zemike正交矩的低信噪比红外目标检测方法,并比较了模板匹配、Hu矩、Zemike矩方法的目标识别效果.理论分析与实验验证了所提方法的有效性.     

基于矩匹配和变分方法的MODIS条带去除模型

针对MODIS影像条带噪声的特点,提出了一种结合矩匹配和变分方法的条带去除模型。首先采用矩匹配方法去除多行和宽行条带噪声,然后基于改进的条带检测方法定位矩匹配后的残余条带,最后基于变分条带去除模型,使用Split Bregman迭代求解以去除条带。实验结果表明,该方法能够有效地去除MODIS影像中的条带噪声,并能有效地保持图像中的细节信息。与直方图匹配、矩匹配、低通滤波及单向变分去条带算法相比,本文模型取得了更为理想的去噪效果。     

基于Zernike矩的低信噪比红外目标检测方法

针对低信噪比红外目标图像,分析了Zernike矩的基本原理、计算方法和旋转不变性,提出了基于Zernike正交矩的低信噪比红外目标检测方法,并比较了模板匹配、Hu矩、Zernike矩方法的目标识别效果.理论分析与实验验证了所提方法的有效性.     

一种基于高阶矩的神经网络参数估计器

本文提出了一种可控学习的两级多层神经网络模型,由此设计出一种基于高阶矩匹配的神经网络参数估计器;并对该神经网络模型的学习算法进行了研究,提出了一种自适应并行学习算法。仿真结果表明,这种利用神经网络进行模型参数估计的方法是可行的。     

一种基于Zemike矩和稳态遗传算法的遥感图像匹配方法

该文提出了一种基于稳态遗传算法和Zernike矩的遥感图像匹配方法。将稳态遗传算法快速而有效的全局寻优特点应用于遥感图像的匹配定位。考虑到旋转畸变,采用遥感图像的Zernike矩作为相似性量度,实现遥感图像的匹配。实验结果表明,该算法可以克服图像的旋转畸变,在保证一定的匹配精度下,具有较高的匹配效率。     

一种基于组合不变矩的新的舰船图像目标识别方法

利用图像的不变矩特征进行目标识别是一种有效的方法.通过比较Hu矩、仿射不变矩和小波不变矩的特点和适用条件,提出了一种运用部分Hu矩、仿射矩和小波矩组合来识别舰船图像目标的方法.仿真实验结果表明,该组合矩对于提高舰船图像目标的识别率是有效的.     

广义雅可比-傅立叶矩

图像正交矩具有数值稳定和方便重构等优点,雅 可比-傅立叶矩(JFM)是传统正交矩的推广,然而其定义中 的径向函数仅是整数阶多项式。本文改造JFM的径向函数,提出广义JFM,其定 义中的径向函数既可以是分数阶的多项式,也可以是更一般的函数,JFM仅是这种构造的特 例,并且证明了所提广义JFM的正交性和旋转不变性。数值实验也表明,利用所 提方法可构造出重构性能好、抗噪性能强的图像正交矩。     

彩色图像的四元数径向矩仿射不变量

为了研究彩色图像的不变量特性,本文把传统灰度图像的不变量理论推广到四元数层面上来,定义了彩色图像的四元数径向矩并构造了该矩函数的仿射不变量。采用四元数对彩色图像建模,可以充分利用彩色图像整体信息,实现彩色图像RGB通道的并行处理。实验结果表明,彩色图像的四元数径向矩仿射不变量的稳定性要优于L.V.Gool等人提出的彩色矩仿射不变量,其数值稳定性(σ/μ值)提高了一个数量级。本文所提出的四元数径向仿射不变量可以作为模式识别中彩色目标的特征描述子。     

采用径向Tchebichef矩不变量的飞机型号识别

针对几何矩非正交性对目标描述的不足以及连续正交矩在处理数字图像方面存在离散化误差的缺陷,为了提高识别精度,提出了一种利用离散正交的Tchebichef矩结合全局特征和局部特征的飞机型号识别方法。首先,根据几何矩和Tchebichef矩之间的关系,利用归一化几何中心矩、圆谐函数得到径向Tchebichef矩的旋转、尺度和平移(RST)不变量;然后,利用径向Tchebichef矩提取飞机目标的局部和全局特征构成特征向量;最后,利用Matlab构造了四类飞机的样本集,采用支持向量机(SVM)作为分类器识别测试样本飞机型号,分析了几何矩、Zernike矩和本文方法在识别精度上的差异以及训练样本集大小对识别精度的影响。实验结果表明,本文提出的算法提高了识别精度,并且在训练样本集较小时仍能获得90%以上的识别精度。     

非线性散射介质内辐射传递的积分矩方法

提出了求解非线性散射介质内辐射传递的积分矩方法.将辐射传递方程中散射相函数的积分项转化为辐射强度各阶矩的线性组合.散射相函数为勒让德多项式展开形式,辐射强度矩的最高阶数与散射相函数的展开项数相同.将原本复杂的积分微分方程转化为微分方程,通过积分法求解此方程.积分矩方法不需要对立体角进行离散,不会引起射线效应.积分矩方法...     

基于组合矩的激光雷达距离像目标识别

激光成像雷达距离像与目标表面物理结构特性密切相关,体现目标的本质特征,是目标识别的主要研究方向。采用组合矩的神经网络方法进行了相干激光雷达距离像目标识别仿真研究。用Hu不变矩和仿射不变矩两者的低阶矩组合表示距离像目标区域特征,利用反向传播(BP)神经网络识别不同方位角的车辆。当视场角不变时,训练10个目标,每个目标取3～19个样本,在不同载噪比(CNR)情况下,分析Hu不变矩、仿射不变矩和两者组合矩的识别率。理论分析和仿真实验表明利用组合不变矩进行距离像目标识别性能优于单独利用其中一种不变矩。     

基于组合不变矩特征的空中目标识别方法

根据NMI特征和Jan Flusser提出的仿射不变矩各自的特点和适用条件,提出了一种组合不变矩.利用组合不变矩提取图像的不变特征向量,并结合Fisher线性判别准则,实现了对空中目标的Fisher线性判别器(FLDA)的分类识别.同时,考虑到识别的快速性方面,对FLDA进行了改进,提出了主分量分析(PCA)与FLDA相结合的识别算法.仿真实验结果表明,该方法具有较高的识别精度和速度.     

基于时频变换的弹道目标微多普勒特征提取

微多普勒特征是识别弹道目标的重要手段.文中从空间弹道导弹和诱饵散射点微动模型出发,提出了一种基于时频二维像不变矩的微多普勒特征提取方法.该方法首先对导弹和诱饵进行时频变换,然后提取了图像中的7个Hu不变矩作为目标识别的特征.通过仿真实验,分析了特征组合对识别效果的影响,并提出了最优特征组合.文中还评估了特征矢量在不同信噪比条件下的稳定性,试验结果表明,时频像不变矩特征对信噪比变化具有一定的稳定性.     

Performance of Object Classification Using Zernike Moment

Moments have been used in all sorts of object classification systems based on image. There are lots of moments studied by many researchers in the area of object classification and one of the most preference moments is the Zernike moment. In this paper, the performance of object classification using the Zernike moment has been explored. The classifier based on neural networks has been used in this study. The results indicate the best performance in identifying the aggregate is at 91.4% with a ten orders of the Zernike moment. This encouraging result has shown that the Zernike moment is a suitable moment to be used as a feature of object classification systems.