西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
为了实现在遥感图像处理过程中准确地提取到有效地物信息,缩短分类用时,将卷积神经网络(CNN)模型引入遥感图像地物分类,首先提出由图片模糊加权平均(PFWG)改进的CNN分类方法,利用模糊几何聚类算法作为预处理单元对实验样本进行特征规划,并对遥感地物信息进行多源特征决策,简化了分类过程,加快了CNN模型的收敛速度。实验结果表明,利用PFWG改进的CNN分类方法总体分类精度达到了93.73%;Kappa系数为0.94。该方法有效地弥补了CNN自身对遥感图像分类不够细腻、表达效果差的缺点,较好地完成了多光谱遥感图像分类任务,同时具备一定抗干扰能力。
图像处理 地物分类 卷积神经网络 分类精度 模糊集 激光与光电子学进展
2019, 56(3): 031003
西安建筑科技大学 信息与控制工程学院, 陕西 西安 710055
针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单, 导致手语识别率较低的问题, 本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合, 通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到, 其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象, 使用“dropout”方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法, 在“hand”数据库中, 对32种势的识别率为97.73%。相比一般的手语识别方法, 此方法鲁棒性更强, 并且识别率更高。
手势识别 手势提取 多特征融合 深度卷积神经网络 鲁棒性 gesture recognition gesture extraction multi-feature fusion deep convolutional neural network robustness
西安建筑科技大学 信息与控制工程学院, 陕西 西安 710055
针对聚类算法在应用中分割速度慢、抑制噪声能力弱等问题, 本文提出一种基于核模糊C-均值(Kernel Fuzzy C-means, KFCM)和融合期望最大化(EM)算法混合聚类的遥感图像分割。首先给原始KFCM算法引入隐含变量来对像素预定义类别, 然后利用EM算法评价预定义的类别是否最优, 以此完成对遥感图像的聚类分割。在利用EM算法进行评价时, 对KFCM引入空间邻域信息, 采用惯性权重对其初始化参数进行优化增强算法效率。与传统的聚类分割方法进行比较, 研究结果表明, 该方法速度快、效果好、精度也能满足应用要求, 具有较高的应用价值。
遥感图像 核模糊C-均值 空间邻域 惯性权重 remote sensing image kernel fuzzy C – means EM EM spatial neighborhood inertia weigh
西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
针对Harris角点检测算法在应用中实时性较差和运算量较大, 同时抗噪能力较差等问题, 提出一种基于Harris算法的改进算法, 利用图像局部加权熵与最小亮度变化(MIC)算法相结合的方法进行角点检测。首先, 运用图像局部加权熵算法思想, 初步得出候选角点集;然后计算Harris算法的角点响应函数(CRF)值, 将候选角点按CRF值大小差分为三类; 最后使用自适应模板和阈值的MIC算法进行角点检测, 得出最佳匹配点。实验结果表明, 该方法提高了原算法的实时性, 增加了角点提取数量和准确性, 并且能够有效去除大多数伪角点。
图像处理 角点检测 局部加权熵 自适应阈值 Harris算法 最小亮度变化算法 激光与光电子学进展
2017, 54(5): 051003
