排序方式: 共有34条查询结果,搜索用时 0 毫秒
11.
一种基于图象物理特征的分层匹配算法 总被引:3,自引:0,他引:3
文章将物理学相关概念引入图象匹配中,定义了二维灰度图象的质量、密度、重心以及物理特征矢量,并由此提出了一种新的基于图象物理特征的分层匹配算法。该算法首先利用图象物理特征矢量进行粗匹配,找出几个大致的匹配点,再利用灰度归一化积相关算法进行精匹配。实验结果表明该算法具有较强的抗噪声干扰及几何畸变能力,与传统的归一化积相关算法相比,该算法在保证较高匹配概率的基础上,大大缩短了匹配时间,提高了匹配效率。 相似文献
12.
目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。 相似文献
13.
14.
15.
基于多尺度分割的高光谱图像稀疏表示与分类 总被引:3,自引:0,他引:3
针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。 相似文献
16.
多核融合多尺度特征的高光谱影像地物分类 总被引:1,自引:0,他引:1
对于高光谱影像地物分类问题,为更加有效地利用像元空间信息和光谱信息,提高地物分类精度,提出了多核融合多尺度特征的分类方法。首先,通过多尺度空间滤波和PCA白化,提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征,在分类器内实现特征自动融合,根据子核与理想核、子核之间距离求取核组合的权重,使用训练集所构成的字典在特征空间内对待测样本进行线性表示,根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明:对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%,较传统方法明显提高,并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力,并且具有较强的稳定性和鲁棒性。 相似文献
17.
融合相同场景下低分辨率高光谱图像和高分辨率多光谱图像生成高分辨率高光谱图像是获取空间域和光谱域的综合场景信息一种重要方法。为充分利用图像的光谱信息和空间信息,提出了向量总变差正则的局部光谱解混的高光谱图像超分辨方法。本文基于耦合狄利克雷自编码分别从高光谱图像和多光谱图像提取光谱特征和对应的空间信息。耦合网络的解码部分能有效地保留光谱特征,集成局部低秩约束和向量总变差约束的正则项可以充分利用多光谱图像空间结构信息从而提取稳定的丰度矩阵,最小化角相似性可以有效减少光谱失真,最后通过端元和丰度的线性组合生成高分辨率的高光谱图像。实验表明,在CAVE和Harvard数据集上重构误差分别达到3.78和1.66,光谱角映射分别为6.57和3.03,较其他方法有明显提高。本文方法能充分利用图像的空间性质,具有更好的高光谱图像超分辨效果。 相似文献
18.
局部多核学习方法根据样本所在局部空间特性选择特定的核函数组合方式,具有较好的判别能力.本文提出了一种基于局部空间变稀疏约束的多核学习方法,首先依据样本在特征空间的分布情况以软分组的方式将训练数据划分为若干数据子集.以数据子集为单位,根据在相应的局部空间内的核函数相似程度,调整核组合的稀疏程度,使用交替优化的方法进行求解.实验表明本文方法对于区分特征学习和对抗噪声方面具有的优势,因此也使得在图像场景分类问题上的准确率和稳定性得到明显提高. 相似文献
19.
20.
在未知环境下基于单目视觉的机器人同时定位、地图构建和目标追踪的耦合问题(SLAMOT)中,需要足够的视差才能满足目标跟踪的可观性条件。同时,针对目标运动的不确定性以及系统对于目标运动方式的未知性,提出一种基于次优视差的多模滤波目标跟踪算法。首先,采用目标不确定性椭球投影面积变化最大的方向为次优视差方向,并将其作为机器人视差控制方向;然后,采用多模滤波算法计算目标各种运动方式的概率;其次,对各运动方式的目标状态进行估计,最后根据各运动方式的概率加权估计出目标状态。另外,考虑到工程应用中应减小能耗,因此,在满足目标跟踪要求的条件下,降低视差速度。仿真实验表明:视差速度为0.3 m/s时,次优视差算法的残差均值为0.16 m,而启发式算法、多模滤波算法、传统扩展卡尔曼滤波(EKF)算法的残差均值为0.25 m、0.06 m和0.16 m。在视差速度较低时,所提算法也能满足目标跟踪的可观性条件,具有较强的工程应用价值。 相似文献