图像中的目标通常具有复杂的形状和尺寸,现有方法难以充分挖掘地物的显著性空间信息。基于此,提出一种基于显著性测度的形态学显著性剖面。首先,根据图像区域内部灰度和轮廓信息计算显著性测度,用于描述目标在场景中的重要程度,然后提取具有显著性测度局部极大值的重要区域,并通过多层级特征描述其空间信息。形态学显著性剖面的构造首先利用基于显著性测度的属性滤波滤除图像的冗余细节,并保留图像的显著结构;再根据图像中显著的组织结构生成层次化的空间特征。实验采用了两组高光谱数据集进行验证,实验结果表明所提算法的分类效果优于其他形态学特征提取算法。

提出了一种地面LiDAR点云强度分类的新方法, 即利用点云的色彩信息, 对强度分类进行约束。与现有的单一利用强度分类方法比较, 该方法利用颜色对强度进行补充, 建立了对激光强度纠正结果的容错机制, 改善了强度纠正模型无法得到最优纠正结果而导致的分类效果不佳的问题。采用Faro Focus 3D 120地面扫描仪采集的强度和颜色数据进行实验, 结果表明该方法可以提高基于激光强度的三维点云分类精度, 在激光强度纠正结果不理想的情况下, 也可得到可信度较高的分类结果。

传统分类后比较法(post-classification comparison,PCC)存在分类累积误差问题,且对单幅图像分类精度要求较高,对此,根据不同时相图像的不变信息所具有的相关性,提出了一种基于两时相图像联合分类的SAR图像变化检测方法.该方法以灰度值作为输入信息,通过相似度计算可得两时相图像对应位置像素的灰度相似度,然后求解全局相似度阈值,并用于控制基于K-均值的联合分类器对两时相图像进行联合分类,最后通过类别比较获得变化检测结果.实验结果表明本文方法不但可提高单幅图像的分类精度,而且能够精确地把不同时相图像的不变地物信息划分为同一类别,减少了分类累积误差的影响,提高了变化检测性能.