1 西安石油大学, 陕西 西安 710065
2 中国科学院 遥感与数字地球研究所, 北京 100942
3 中国科学院 空间信息处理与应用系统技术重点实验室, 北京 100190
4 中国科学院 电子学研究所, 北京 100190
提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。
光学遥感 目标检测 融合特征对比度 窗口 显著度 仿射协变 边缘密度 optical remote sensing object detection fused feature contrast subwindow saliency affine invariant edge density
国防科技大学 机电工程与自动化学院，长沙 410073
针对复杂背景下钢丝绳图像难以准确分割的问题，提出一种新的基于纹理特征的图像分割方法。首先，采用局部二进制模式(Local Binary Pattern, LBP)特征直方图的一阶熵、二阶熵作为LBP 特征的统计测度，降低LBP特征的维数。同时选用边缘密度作为纹理描述的特征之一，弥补LBP 算子提取纹理特征不足、抗干扰能力差的缺点。然后以上述纹理特征构成特征矢量，采用模糊C-均值(Fuzzy C-Mean, FCM)聚类算法进行聚类分割。在实验中，对比了该算法与灰度共生矩阵、传统LBP 算子在钢丝绳图像分割中的效果。结果表明，该算法可以有效地对钢丝绳图像进行纹理分割，并能取得良好的边界定位效果，性能优于另外两种算法。
钢丝绳 纹理分割 局部二进制模式 边缘密度 模糊C-均值聚类 wire rope texture segmentation local binary pattern edge density Fuzzy C-Mean clustering
华中科技大学,图像识别与人工智能研究所,湖北,武汉,430074
景象匹配区的选择是影响景象匹配系统性能的重要因素.通过实验研究建立了信噪比、重复模式与匹配概率之间的三维模型,并以此提出了一种基于边缘密度预筛选和上述模型的选择方法.测试结果表明,在一定条件下,该方法可以成功规划出所需的区域.
景象匹配 边缘密度 信噪比 重复模式 匹配概率 选择方法 Scene matching Edge density SNR Repeated pattern Matching probability Selection method
