针对传统的高光谱遥感图像分类方法未能充分利用空间信息,提出一种基于高光谱图像重构特征融合的分类方法。该方法首先将图像的每个像素点进行LBP(Local Binary Patterns)特征提取,得到每个像素点的LBP特征值;其次提取出每个像素点的空间邻域块,按照图像已知的标签信息去除每个空间邻域块中冗余的背景像素点,得到新的空间邻域块,利用光谱距离得到每个像素点的权重值并计算重构特征值;然后,将像素点的LBP特征值和重构特征值进行叠加融合,获得重构特征融合值;最后,采用K最近邻分类器将像素点进行分类,根据测试样本点和训练样本点的欧氏距离判断测试样本点的类别。在Indian Pines和Pavia University数据集上进行实验。实验结果表明,所提方法的分类精度分别达到99.06%和99.73%。

针对海量彩色图像聚类问题, 本文引入改进型k-means算法并将其应用于彩色图像聚类中。该算法由类内-类间距离加权k-means算法和基于近邻传播聚类算法的类数量上界确定方法组成。在实验中, 彩色图像的亮度分量的局部二值模式 (Local Binary Pattern, LBP)图被重组成行向量, 然后构成样本集, 本文所提出的改进型k-means算法被用于对样本集进行聚类处理。实验结果显示, 在多个聚类方法常用的评价指标上, 本方法相比于传统方法达到了更高的聚类准确度。同时, 相比于传统方法, 本方法也更具有执行效率。

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题, 本文提出了一种改进的低维度纹理特征OCS-LBP（Oriented Center Symmetric Local Binary Patterns, 即方向中心对称的局部二值模式）。首先, 利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息, 提高了跟踪过程的鲁棒性; 其次, 利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练; 最后, 根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试, 实验结果表明, 本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升, 同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性, 具有一定的研究和实用价值。

基于时空上下文(SpatialTemporal Context, STC)的跟踪算法与大部分传统算法相比, 在实时性方面具有明显的优势。通过实验发现, STC算法存在由变形和遮挡引起的跟踪精度下降问题。针对该问题, 提出了一种改进方法, 该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern, LBP)和遮挡检测机制, 利用LBP特征来代替灰度特征, 当跟踪器检测出目标发生遮挡时, 停止分类器参数的更新。对于满足线性运动的目标, 利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题。实验证明, 所提出的改进算法能有效提升目标跟踪精度, 针对遮挡情况下的目标也展现出较高的鲁棒性。