基于Sobel算子滤波的图像增强算法

针对传统图像增强算法对噪声比较敏感、图像失真和细节信息丢失等不足,提出一种基于Sobel算子滤波的图像增强算法。通过理想高通滤波和Sobel算子提取出边缘掩膜,再利用平滑滤波和拉普拉斯算子结合得到简单的细节增强图像。然后将其和掩膜相乘后,再与输入图像相加可得到效果较好的边缘细节增强图像。通过实验进行比较分析,评价结果显示,该方法得到图像的视觉效果相对原始图像和同态滤波都有明显的改善。实验结果验证了该方法的有效性,在增强图像边缘细节的同时,能够抑制噪声并保持图像的真实性。     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

基于反卷积高层特征的遥感地物图像分类

目前利用深度卷积神经网络提取图像底层特征后分类效果已比较优秀,但是对于数据量大、波段多、波段间相关性高的多光谱遥感图像并非完全适用。针对多光谱遥感地物分类中常常出现的Hughes现象,即当训练样本一定时,模型的预测能力随着维度的增加而减小,提出了一种结合高层特征空间和迁移学习网络的遥感地物图像分类算法,利用两层堆叠的反卷积网络来提取目标数据集的高层特征,利用VGG16模型的卷积层权重来构建迁移网络模型,将高层特征导入迁移网络中加强训练得到更加优越的训练模型,利用训练模型可对多光谱遥感数据集更加准确分类。实验结果表明,在Satellite、NWPU和UC Merced实验数据中,冰川、建筑群和海滩分类精度得到有效提高,达到92%左右,针对沙漠、岩石、水域等特殊环境遥感图像,总体分类精度提高5%左右。部分多光谱遥感数据的底层特征和中层特征在训练器中表现并不理想,波段的增多也会导致信息的冗余和数据处理复杂性的提高,反而高层特征在这部分数据中保留了地物信息的轮廓,能更好地适应分类器,得到更加优越的分类结果。     

结合KSW和FCNN的道路场景分割

目的 随着自动驾驶技术不断引入生活,机器视觉中道路场景分割算法的研究已至关重要。传统方法中大多数研究者使用机器学习方法对阈值分割,而近年来深度学习的引入,使得卷积神经网络被广泛应用于该领域。方法 针对传统阈值分割方法难以有效提取多场景下道路图像阈值的问题和直接用深度神经网络来训练数据导致过分割严重的问题,本文提出了结合KSW（key seat wiper）和全卷积神经网络（FCNN）的道路场景分割方法,该方法结合了KSW熵法及遗传算法,利用深度学习在不同场景下的特征提取,并将其运用到无人驾驶技术的道路分割中。首先对道路场景测试集利用KSW熵法及遗传算法得到训练集,然后导入到全卷积神经网络中进行训练得到有效训练模型,最后通过训练模型实现对任意一幅道路场景图分割。结果 实验结果表明,在KITTI数据集中进行测试,天空和树木的分割精度分别达到91.3%和94.3%,道路、车辆、行人的分割精度提高了2%左右。从分割结果中明显看出,道路图像中的积水、泥潭、树木等信息存在的过分割现象有良好的改观。结论 相比传统机器学习道路场景分割方法,本文方法在一定程度上提高了分割精度。对比深度学习直接应用于道路场景分割的方法,本文方法在一定程度上避免了过分割现象,提高了模型的鲁棒性。综上所述,本文提出的结合KSW和FCNN的道路场景分割算法有广泛的研究前景,有望应用于医学图像和遥感图像的处理中。     

改进型DeepLab的极化SAR果园分类

目的 针对农作物种植趋向集中化、机械化和庄园化的现状,高分辨率遥感影像精准识别技术已广泛应用于农作物分类。研究表明,采用先进的深度学习算法挖掘高分辨率农作物影像信息,有利于高效地分析农作物长势和参量预测,为此,提出一种改进型深度神经网络（DeepLab）的高分辨率果园遥感图像分割算法。方法 首先提取原始数据的极化特征和基于相干/非相干分解的特征组成高维特征空间,然后选用流行学习降维方式获得最优3通道特征向量构成伪彩图,利用深度可分离网络（xception）、空洞卷积网络（atrous convolution）、多孔空间金字塔（ASPP）和上采样（upsample）搭建DeepLab的编码解码过程（encoder-decoder）,最后将伪彩训练集和标签导入搭建的DeepLab进行训练并保存模型,利用模型对目标数据进行有效分类。结果 利用本算法对中国海南某地的Ⅰ期芒果、Ⅱ期芒果、Ⅲ期芒果、槟榔、龙眼5类水果进行分类,针对不同时期的同一种水果分类错误率下降了8%左右,相比传统的果园分类算法,本算法的kappa系数提高了约0.1,总体分类精度（OA）也有一定程度的提高。结论 本算法在保证不同类别水果分类准确率的基础上,提高了不同时期的同一类水果的分类准确率,在一定程度上提高了农作物长势分析的准确性,保证了高分辨率果园数据分析的可靠性。