分类法提取建筑物因易受到错误检测的影响而存在边缘锯齿、形状不规则等问题。提出了一种利用符合建筑物轮廓及轴向的最佳外接矩形和Hausdorff距离综合优化建筑物轮廓的方法。首先利用偏移阴影分割分类方法提取建筑物,对建筑物边界进行多边形拟合;然后用获取拟合结果的最小外接矩形判断建筑物轴向,以选择最佳的外接矩形,并将最佳外接矩形和建筑物轮廓进行逐段等分,计算线段之间的Hausdorff距离,并根据替换规则选择性地用外接矩形边线段进行边界替代,以进一步进行规整优化,最终提高了边缘表达的准确度和提取精度。对多幅遥感影像进行实验,并与其他提取方法进行对比,结果表明:所提方法的总体精度均不同程度地优于参照方法,建筑物边缘的准确性、规整程度及最终精度均得到了有效改善,更真实、准确地反映了建筑物的真实形状。

提出一种特征感知的三维点云简化方法。通过构造八叉树搜索每个点的k近邻点,并计算每个点的法向量,以此检测并保留边缘点;使用期望最大化算法对点云进行聚类,并确定高曲率的点;使用边缘感知的有向Hausdorff距离方法进行点云精简,合并前述点云并删除重复点,实现模型简化。该方法适用于不同曲率变化的模型,并且能够在保留尖锐特征的同时显示模型整体轮廓。实验结果表明,该方法不仅能够保留原始模型的几何特征和轮廓外貌,而且有效地避免了简化过程中的孔洞现象,几何简化误差较低。

为了最大限度地保留多光谱图像的光谱特性和全色图像的空间细节, 提出基于最小Hausdorff距离和非下采样剪切波变换(NSST)的遥感图像融合方法.首先, 将原多光谱图像进行主成分分析(PCA)获得其第一主分量, 选择NSST对第一主分量和全色图像分别进行分解, 得到相应的低频子带系数和高频子带系数.其次, 对低频子带系数采用基于稀疏表示的融合策略, 稀疏系数与区域空间频率相结合, 根据区域空间频率选择权值, 对稀疏系数进行加权; 对于高频子带系数充分考虑其邻域系数相关性, 提出采用最小Hausdorff距离表征相应区域相关性, 根据相关性不同采用不同的融合策略.最后, 对融合系数进行NSST逆变换得到融合后的第一主分量, 再将新的第一主分量与其他高阶主分量进行PCA逆变换得到融合图像.选择三组QuickBird卫星图像和一组SPOT卫星图像进行测试, 与传统的融合策略算法相比, 本文方法获得的融合结果客观评价指标更优, 且主观视觉效果更好.

为了在激光成像制导中提高目标识别的精度和实时性，并在遮挡条件下进行有效识别，采用基于改进Hausdorff距离和量子遗传算法的激光图像匹配算法，选择图像的局部边缘特征为特征空间，针对传统Hausdorff算法及几种改进Hausdorff距离存在的问题，提出了一种新的改进Haussdorff距离作为相似性度量；在搜索策略上，选择量子遗传算法进行并行搜索，为防止种群过早收敛，提出了种群灾变策略，并应用动态的量子旋转角调节收敛的速度和方向。通过理论分析和实验验证，取得了不同参量条件下的目标识别对比数据。结果表明，该算法可以消除激光图像中局部遮挡、噪声以及出格点等因素影响，鲁棒性好、匹配精度高、计算速度快。

：针对复杂背景下形状不规则、高度较低的平面目标自动识别问题，提出了一种基于Hausdorff距离的模板匹配方法。在完成平面目标前视模板制备后，文中首先定义了基于边缘位置、梯度相位和边缘点显著性约束的相似性度量方法，模板与实时图中对应两个边缘点位置越近、梯度相位差越小及实时图边缘点越显著，这两点的匹配就越好；然后融合三种度量结果，设计了一种基于边缘相位和显著性约束的Hausdorff距离模板匹配方法，实现了平面目标轮廓的准确匹配。实测数据处理结果表明，该方法能够实现复杂地面场景中任意形状的平面目标轮廓的匹配定位，并且定位精度高、鲁棒性好、适用范围广。

栅格算法作为星图识别算法中的代表, 有着识别速度快、识别率高、导航数据库容量小的优点, 应用较广, 但其在构造恒星特征模式时存在需要选取临近星进行图像旋转的问题。为克服这一缺陷, 提出了一种基于旋转不变特征的星图识别算法。该算法利用模式识别类星图识别算法思想, 为每颗恒星建立一种与旋转无关的特征模式, 采用改进的 Hausdorff距离进行匹配识别。仿真实验结果表明, 基于旋转不变特征的星图识别算法对星点位置噪声与缺失星鲁棒性均优于栅格算法, 具有良好的识别效果, 但其识别速度与存储容量仍需进一步优化。

前视红外目标识别是精确制导**的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。

电路板红外图像具有背景区域灰度单调、元器件发热区域轮廓模糊、噪声高、对比度低等特点, 对配准精度和稳定性有很大影响。针对这些特征, 提出了结合小波模极大值和改进 Hausdorff距离的红外图像配准方法。首先用小波模极大值的算法提取边缘曲线; 然后对传统 Hausdorff距离进行改进, 边缘曲线分段, 并建立匹配基本单元; 其次对基本单元粗匹配, 压缩搜索空间, 再进行精匹配, 找出最优变换。最后采用 Matlab进行仿真, 实现图像精确配准。对比实验结果表明: 该方法明显提高了配准精度, 显著改善了配准稳定性。

针对Hausdorff距离的特性及其在图像匹配中的应用，提出了一种基于改进Hausdorff距离准则的快速图像匹配算法。首先对图像进行小波分解和Harris角点检测后得到图像的特征点金字塔，然后利用改进的Hausdorff距离作为度量准则从特征点序列图像的最大尺度开始逐级向低尺度进行匹配。实验结果证明，该方法能在保证匹配精度的同时，有效加快匹配速度。