一种有效的SAR图像目标识别方法

SAR图像目标识别是SAR图像应用中非常重要的环节,但由于SAR图像中相干斑噪声的存在,使得传统方法不能很好地对SAR图像进行分类识别。结合不变矩特征提取和支持向量机分类方法的优势,提出了一种有效的SAR图像目标识别方法,采用该方法对含有飞机和坦克目标的SAR图像进行了目标识别实验,取得了较好的识别效果。     

一种基于多区域不变矩的步态识别方法

步态识别是一种新的生物识别技术,它通过人行走的姿势来实现对人身份的鉴别。本文提出了一种基于多区域不变矩的步态识别方法,将视频序列中检测出的步态侧影分为五个子区域,提取每个子区域的不变矩特征并计算步态序列中不变矩的变化特征,从而构成描述步态序列的特征向量。最后的实验表明,提出的方法具有较好的识别性能,是一种有效的步态识别方法。     

图像特征识别方法研究

图像特征识别的方法及其技术实现系当前模式识别研究领域中最为热门的研究课题之一。本文针对NMI(归一化转动惯量)特征识别、不变矩特征识别和比例特征识别三种图像特征识别方法．通过实验分析了该三种识别方法的缩放不变性、旋转不变性、平移不变性以及不同物体之间的特征差异。实验数据显示NMI特征识别方法具有最佳的识别效果和最快的处理速度。     

基于形状的高分辨率遥感图像特征提取方法

基于内容的图像检索的关键在于对图像进行特征提取。提出一种基于形状的高分辨率遥感图像特征提取方法。首先使用最小吸收同值核区SUSAN（Smallest Univalue Segment Assimilating Nucleus）算子对高分辨率遥感图像进行边缘检测,生成边缘图像。之后,对边缘图像计算其不变矩,作为该遥感图像形状特征的描述向量。试验结果说明,所使用的方法计算简便,速度快,而且该描述向量能够很好地代表图像的特征,具有较高的应用价值。     

基于组合不变矩的空间目标识别

本文针对Hu提出的不变矩和Jan Flusser提出的仿射不变矩的不同特点和适用条件，提出在不增加特征向量维数的条件下，将不变矩的部分分量和仿射不变矩组合成一个新的特征向量即组合不变矩，以用于空间目标的识别，并通过仿真实验进行了比较验证，结果表明组合不变矩对于空间目标的识别是有效的，且在一定程度上提高了识别率。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于不变矩的高分辨率遥感图像建筑物提取方法

为了有效地对图像进行特征提取, 利用不变矩算法对IKONOS和WorldView两种高分辨率遥感图像的城市建筑物地区进行提取。首先将图像数据经过Canny边缘检测和标记分水岭分割, 然后在此基础上分别利用胡氏不变矩和仿射不变矩对图像进行特征提取; 最后通过实验结果的评价可以证明在建筑物的特征提取上, 仿射不变矩比胡氏不变矩的提取效果更加显著, 进而也证明了利用不变矩算法对高分辨率遥感图像建筑物特征提取这一方法是可行且有效的。     

基于高阶累积量的数字调制信号识别方法

通信信号调制方式自动识别在信号检测、威胁分析、频谱监测等领域有着重要的地位,是非合作通信关注的关键技术.针对单一累积量调制信号识别有限且识别率低等问题,利用信号的二、四、六阶累积量特征所构造的矢量集,实现了MASK、MPSK、MFSK、MQAM四类信号的类间识别,以及2ASK、4ASK、8ASK,2PSK、4PSK、8PSK,2FSK、4FSK、8FSK,4QAM、16QAM、64QAM的类内识别.在Matlab环境下进行了仿真实验,实验结果表明,该方法在信噪比大于5 dB时可以达到90％以上的识别率.     

遥感图像中机场目标的识别方法

机场识别作为模式识别领域的问题之一,在军事上有着重要的应用前景。它包括判断机场是否存在和机场定位两个方面。结合已有的方法,提出了一种新的机场识别的解决方案。该方案先使用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,作为疑是机场区域(ROI);用Canny算子进行图像的边缘提取,提出了一种改进的Hough变换,能够从边缘图像中准确地提取出直线段,并最终实现机场跑道的定位。     

一种针对遥感图像中群目标的自动识别方法

传统群目标识别方法通常利用目标与背景的纹理差异分割目标,虽然具有简单高效的优点,但是对群目标的空间方位没有直观的认识.针对遥感图像中群目标的特性,提出了利用子目标群方位关系来实现群目标自动识别的算法.算法在边缘提取的基础上,改进了基于置信度的Hough变换子目标定位方法.将目标群方位、结构信息等与ROI区域的分离紧密结合起来从而达到后续精确判断目标群装备的目的.实验结果表明相比于传统方法,算法在检测遥感图像中群目标时具有更高的精度.     

多波段卫星遥感云图识别

介绍了利用4波段卫星云图对8类云进行分类的方法,包括建立输入云图样本库,构造测量量进行特征提取与特征层融合,构造表述模型,建立特征分类树。由于所研究的对象云为非刚体,存在不稳定性,加大了正确分类的难度,其分类方法与刚体目标的分类方法也存在一定的差异;又由于输入为8类4波段云图,因此我们不但获取了各类云图单波段上的特征,而且组合了它们在不同单波段上的特征,进行特征层融合。     

基于多不变量特征的遥感影像小地物识别

重点研究应用多门限检验方法识别中、高分辨率遥感图像上的小型地物。该方法首先通过基于知识特征的小波多分辨理论分割图像,得到目标所在区域。然后通过使用标准像素大小(30×30)的窗口提取图像中目标的7个不变矩特征,以此作为BP神经网络的输入向量。在得到目标的初步识别结果后,再利用“零片”三阶相关量特征[2]这一门限值对识别结果进行精确检验。实验结果表明,该方法对识别中、高分辨率遥感影像上的小型地物是一种有效的方法。     

高光谱遥感图像分类算法中的应用研究

针对高光谱遥感图像数据量大、维数高、数据之间冗余量大的特点,提出一种基于决策边界特征提取(Decision Bounda-ry Feature Extraction,DBFE)的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取,消除特征之间相关性,并降低特征维数,然后采用GA对SVM参数进行优化,找到最优分类模型参数,最后采用最优分类模型对待分类的高光谱遥感图像进行分类。仿真结果表明,高光谱遥感图像分类算法提高了高光谱遥感图像分类的效率和分类正确率,说明分类方法是有效、可行的。     

遥感舰船目标检测识别方法

针对基于经典图像处理方法的目标检测识别方法虚警率高、分类效果差等问题,提出了一种基于深度学习的光学遥感舰船目标检测识别方法。该方法采用形态学运算+深度学习的方法,基于视觉增强技术快速筛选疑似目标,大幅降低需处理的数据量;采用深度学习网络,大幅降低目标检测虚警率。在2片Xilinx FPGA上完成了设计验证,利用FPGA全并行流水处理的特点,大幅提升处理效率和实时性,相对采用i7-CPU和GPU-GTX1050实现该算法,能效比分别提升260倍和28倍。经16景高分2号卫星遥感图像验证,目标检测识别率高于98%,虚警率低于5%。与现有的目标检测识别方法比,该方法在工程化能力、鲁棒性、实时性、准确率、能效比等方面达到较好平衡,性能优越,优于当前业内方法。     

矩特征的一种快速算法

介绍了一种基于边界点计算形状矩特征的算法,并采用该算法计算了目标的形状特征。结果表明该算法比传统的矩特征计算方法是具有高的运算速度。     

基于多特征空间及其优化的城市遥感图像目标识别

城市遥感图像目标识别能够监测城市地物类型,是近年来的热点研究话题,然而,基于像元的传统方法不能充分利用高分辨率遥感图像的特征信息,基于对象的传统方法无法精确提取到对象.针对传统方法的不足,本文提出一种基于多特征空间及其优化的城市遥感图像目标识别方法,该方法以两种传统方法为前提,在联合像元特征与对象特征的基础上,补充VG...     

基于改进的阶次规正不变矩小目标识别新方法

提出了一种基于改进的阶次规正不变矩卫星图像小目标识别方法。首先将卫星图像分割成子块,以图像灰度方差描述子块图像特征,应用所提出的子块合并理论进行分类,减少了卫星图像识别的计算量,大大降低了误判率。提出了改进的阶次规正不变矩理论,并将其应用于小目标物体识别中。以改进的阶次规正不变矩特征作为检测模板和待识别小目标图像相似度的测度,有效区分了小目标物体间的较小差别并解决了由噪声所造成的不封闭性问题;同时将GA理论引入图像匹配识别中。实验结果表明：所提方法识别率可达96．67％,该方法的提出对于图像自动识别具有非常重要的现实意义。     

分级特征提取与选择及在自动目标识别系统中的应用

应用于遥感图像、武器制导等的自动目标识别系统中,经常遇到形状相似目标的鉴别问题。为提高其识别的快速性和识别率,提出一种分级的基于形状的目标识别方法。借鉴人类视觉感知方式提取多尺度特征,大尺度下采用全局特征快速粗分类,小尺度下采用局部特征鉴别形状相似目标。然后运用模糊规则对提取的特征进行选择,降低特征维数,加快目标匹配过程。实验结果表明:该方法能快速有效地识别形状相似的目标,特征选择后平均识别率较选择之前提高了6.9%。