分享到:

于卫星地域遥感图像分割方法研究仿真

1引言 图像分割是将图像分成若干个特定区域,从中提出所需目标的技术。它是连接图像处理与图像分析的桥梁[1],广泛应用于各个领域,并逐渐扩展找遥感图像处理的领域,遥感图像具有信息量大、边界模糊等特点,目前没有相关的模型对遥感图像进行分割,一定程度上遏制了遥感图像处理技术的发展。 脉冲耦合神经网络算法是目前遥感图像分割最常见的算法[2](pulse coupled neural networks,PCNN),该方法建立在猫、猴等动物大脑视觉皮层中同步脉冲发放现象的基础上,在图像分割时,能较好的将目标和背景部分分离开来,并能解决图像灰度变化和空间不连贯的问题;除了图像分割,该算法还能同时对图像进行去噪、检测、融合等处理[34]。想要实现基于PCNN的图像分割,首先要对PCNN模型中相关参数进行合理设置,针对不同类型的图像选择不同的参数,且参数选取的合理性决定了分割性能的优劣,但这样在很大程 火子系统模型;(~)代表神经网络中神经元的坐...  (本文共4页) 阅读全文>>

《中国矿业大学学报》2017年01期
中国矿业大学学报

基于信息聚类的遥感图像分割

图像分割是图像处理的一项关键步骤,也是后续图像分析和解译的基础.聚类算法可以方便地利用图像特征空间中像素光谱测度的自然聚类特征实现图像分割,因此在图像分割中有着极其广泛的应用[1-3].传统上,基于聚类的图像分割仅仅实现硬划分,即每个分割像素确切地属于一个目标类;实际上,由于遥感图像的覆盖范围广泛,包含大量复杂的地物信息,常常出现同物异谱、同谱异物现象,很难确切地知道其像素所属目标类.因此,遥感图像分割更适合软划分,即每个分割像素以不同的隶属度隶属于每个目标类.模糊集理论恰好是实现软划分的有利工具,从而模糊聚类算法成为聚类算法研究的主流[4-5].典型的模糊聚类算法、模糊C均值(FCM)算法,可以依据最小二乘原理实现对图像数据的模糊划分.但其只考虑像素与聚类中心的相关性,并没有从整体上考虑像素与整个聚类集间的相关性,从而使其对图像噪声和异常值敏感.而且,FCM聚类算法过分依赖于聚类中心的选取,并且聚类中心的选取具有任意性,因此降...  (本文共6页) 阅读全文>>

《光学学报》2017年03期
光学学报

基于暗原色先验的遥感图像去雾方法

2中国科学院大学,北京100049光学遥感成像往往会受到雾霭天气的影响,造成景物辨识度下降、对比度降低、细节信息不明显及色彩偏移等退化现象,使得光学遥感成像数据可用率降低,从而影响目标识别、灾情侦探、遥感导航、土地测绘等系统效用的发挥[1-2]。因此,对雾霭天气条件下的遥感图像进行有效地去雾处理以提高遥感数据的有效性具有重要意义。雾实质上是由悬浮在大气中的微小液滴与空气中的微小粒子相互粘结而形成的气溶胶分子。雾天条件下,景物反射的光线在传播到成像设备的过程中,会与大气中粒子半径较大的气溶胶分子发生交互作用,导0328002-1致入射能量以一定的规律在各个方向重新分布,从而引起光线的颜色和强度等特征发生改变[3-4]。而大气中的气溶胶分子对可见光的散射作用是导致可见光波段图像降质的主要原因[5]。目前,主流的图像去雾方法主要分为两类:1)基于非模型的去雾方法,又称为图像增强方法。该方法在处理时并不需要考虑图像退化的原因和模型,只需...  (本文共7页) 阅读全文>>

《现代计算机(专业版)》2017年17期
现代计算机(专业版)

航空遥感图像几何校正模型的效果比较

上海市自然科学基金(No.14ZR1419700)0引言近年来,随着传感器技术和计算机相关技术的发展,航空遥感平台上也可以搭载各种类型的有效载荷,从传感器的成像方式可以分为摆扫型传感器和推扫型传感器。面阵摆扫型传感器因其具有瞬间凝视成像方式、总视场角大、观测范围宽等优点,各个国家都投入大量的资源研制生产满足自身需要的面阵摆扫型传感器[1]。面阵摆扫式传感器是一种复杂的成像系统,这种成像系统有以下特点:(1)多中心投影成像。当摆扫到下视点时,属于中心投影成像,当摆扫角成一定角时,属于倾斜中心投影成像,如图1所示;(2)图像重叠率不一致。由于平台抖动而且姿态不稳定,同时固有的系统误差,都使得航带内和航带间影像序列的重叠率不一致;(3)虚拟合成影像产品似全景变形。在扫描带内成像获取的影像序列合成后与全景相机采集的影像有相似的几何畸变。图1面阵扫描宽幅成像原理因此面阵摆扫型成像系统无法满足常规的航空对地观测数据处理方法需要的高精度内外范...  (本文共4页) 阅读全文>>

《现代电子技术》2017年11期
现代电子技术

基于场景语义的遥感图像目标识别

0引言高分辨率遥感图像的信息解译是近年来的研究热点,从特定类型目标的检测与识别分析入手,最终实现图像场景的认知理解[1]是广泛采用的研究范式,乃至形成一种思维定势,即只有完整地检测与识别场景中的各种目标才能进行场景的认知理解。然而,在军事侦察中经常需要从高分辨率遥感图像中快速识别出诸如港口、机场、油库等有明确语义的局部图像场景,这些局部场景往往对应一个复杂的目标群,由很多不同类型的刚性子目标按照一定的空间拓扑关系构成。如果采用常规的方法,首先检测复杂目标群的子目标,然后利用其空间拓扑关系进行推理以确定复杂目标群语义属性,其处理效率将是非常低的。而且对子目标的分析主要是利用其隐含的启发式特征在像素层进行,这种完全像素层的处理与图像的语义理解之间存在难以逾越的鸿沟[2]。建立一种能够快速识别遥感图像中复杂局部场景的语义认知方法,进而指导该场景中特定目标的检测与识别具有非常重要的意义。本文首先概述图像场景语义识别的有关概念与方法,然后...  (本文共4页) 阅读全文>>

《舰船科学技术》2017年12期
舰船科学技术

统计学习在海上遥感图像背景去噪的算法研究

在获取海上遥感图像和对遥感图像进行传输的过程中,往往会受到各种各样的噪声影响,这样会对后续图像处理造成不良影响。为了得到清晰、含有丰富细节信息的海上遥感图像,需要对获取到的原始图像进行去噪处理。支持向量机是这些年来新兴的机器学习算法,是在统计学习基础上发展起来的,这种算法具有抗噪能力强,学习效率高的特点。1支持向量值轮廓波变换支持向量机是一种新的数据分类的方法,能够实现有限稀疏数据的函数逼近,在解决非线性问题和高维识别中有很强的优越性。但是将此方法应用于海洋遥感图像去噪带来的问题是计算量大,并且没有很好的解决图像中的线奇异性的问题。本文将支持向量机方法与非抽样方向滤波器[1]相结合进行图像的去噪,这种方法泛化性强、细节保护能力好、滤波效果突出。首先对输入的图像进行支持向量值滤波得到支持向量值,即为图像的高频特征,并将得到的原始图像分解成高、低频2个分量,并对高频分量进行滤波,由此得到图像的细节信息。(2m+1+1)×(2m+1+...  (本文共3页) 阅读全文>>