大气中云的存在会严重影响气溶胶的反演精度。经验阈值法是一种常用的云检测方法,其较强的主观性和难以应对环境时空动态变化或星载探测仪差异的缺点,导致“云”和“晴”边缘分类误差增大,且检测自动化程度较低。针对下垫面为陆地的大气云检测,提出一种多通道偏振遥感图像的统计分类与数据融合的阈值优化方法,该方法首先通过半监督Kmeans聚类及其统计特征,决定像元属于“云”和“晴”两类的双亮度阈值;然后在阈值周边分类模糊区,用D-S证据理论获取多通道检测的联合置信度因子,求得模糊区像元分类的细化阈值;最终以顺序决策过程实现“云”和“晴”两类目标的精确分类。为了验证所提方法的有效性,利用POLDER3载荷遥感数据进行云检测实验,并与POLDER3产品结果进行比较。结果表明:所提方法与POLDER法的分类符合度为95%,目测发现这些误检大多发生在云边缘处,表明所提方法对云边缘处的分类具有较好的敏感性。

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确, 故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点; 介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型, 降低了单帧图像初始化所产生的“鬼影”对前景检测精度的影响; 在匹配过程中, 引入自适应的匹配阈值, 克服了单个的全局阈值对动态背景适应能力差的问题; 最后, 在更新过程引入空间一致性判断与模糊准则来减少算法的误检, 提高了算法的鲁棒性。实验结果表明, 该算法可以有效地检测动态背景下的运动目标, 检测准确率比经典ViBe算法提高了20%以上。

针对激光主动成像图像的特点, 分析了Canny边缘检测算子存在的不足。应用小波多尺度分解算法对激光主动成像强度图像进行小波变换, 应用Bayes Shrink自适应阈值法对小波系数进行滤波, 把滤波后的图像按照Canny三条检测标准进行边缘检测, 并给出衡量图像边缘检测效果的指标。通过比对各种实际激光主动图像的边缘检测算法的结果可以看出本文的算法达到了很好的效果。

针对一阶总变分盲复原块效应严重的问题, 提出了一种自适应阈值的超变分正则化图像盲复原方法来恢复点扩散函数未知的退化图像。对总变分形式进行了分析, 提出了超变分正则项, 并给出了代价函数的数学模型。用估计的图像噪声确定模型中阈值的大小, 然后引进3个辅助变量等价转化代价函数, 以便简化后续计算并提高复原效果。最后, 利用半二次规整化对模型迭代求解。实验结果表明, 复原后图像细节增加且块效应减少, 相对于目前已有的方法, 信噪比提高了近1 dB。恢复效果表明该方法具有较大的实用价值。

提出一种阈值自适应、EM方法估计GMM参量的图像分割算法,能够根据图像的内容结合区域和边界两方面的信息自适应地选择阈值,精确地进行图像边界分割.算法首先提取图像的边界,然后根据边界的直方图计算图像的可分割性,由可分割性确定EM方法的阈值进行GMM分割,最后合并图像的近似区域.实验数据表明,相比其它图像分割算法,以及固定阈值的传统EM算法,本算法的分割结果更为准确.

介绍了在高速电视下,自适应阈值的提取及其对自动目标跟踪的重要性;提出了三种基于自适应阈值的目标跟踪算法--形心跟踪法、相关跟踪法和综合跟踪法,实现了对复杂背景下形状、加速度易发生无规则变化的高速运动目标进行跟踪.实测结果表明:这几种跟踪方法具有稳定、有效、适应性强等优点,对高速目标跟踪系统的设计与实现有较高的参考价值.