基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于LBP纹理特征的随机游走图像分割

本文通过求解融入纹理特征信息的对称、半正定线性方程组,提出一种新的基于随机游走(Random Walker)的纹理图像分割算法。为了构造该方程组,首先通过局部二元模式(Local binary pattern,简称LBP)算子来描述纹理,将图像映射至不同纹理之间有显著区别的LBP图(LBP map)上,进而将其与梯度和几何信息结合并构造倒数型像素相似度,形成方程所需的权值矩阵,在随机游走模型下使已标号区域向未知区域传递,从而实现纹理图像分割。最后以纹理图像、噪声合成图像、MRI、CT图像为实验对象来验证算法的有效性。定性及定量实验结果表明,在多目标分割任务下,本方法有更好的有效性和精确性。     

基于对数能量熵与LBP特征提取的人脸识别

传统LBP模式在提取图像的纹理特征时,没有对图像中的不同子块加以区分。一般情况下图像的不同子块包含的纹理信息不尽相同,不能真实地反映图像纹理的变化情况。为了解决传统LBP算法在人脸识别过程中产生的直方图维数过长、鉴别力不高、对噪声反应敏感等问题,提出一种基于对数能量熵与LBP特征提取的人脸识别方法。首先将一副人脸图像分成互不重叠的大小相等的子块,然后计算每个子块的LBP直方图,同时对每个子块计算对数能量熵值;其次把每个子块的LBP直方图特征与对数能量熵值组合成一个新的特征向量;最后,将每个图像块的特征向量连接成一个全局的特征向量,将该特征向量用作分类识别。基于YALE人脸库,ORL人脸库和FERET人脸库的实验结果与数据分析表明,文中提出的算法能够更加准确地提取图像的特征信息,有效地提高了人脸识别率。     

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discri minant Locality Preserving Projection,DLPP)的基 础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminan t Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用 了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP 对投影矩阵进行 施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后, 并采用支持 向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、 判别局部保 留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对 比实验结 果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。     

基于LBP-GLCM纹理特征提取的服装图像检索

提出了一种针对服装图像检索的LBP-GLCM纹理特征提取方法,首先利用Uniform-旋转不变局部二值模式算法处理服装图像,得到不会因为旋转而改变的编码图像,然后获取此图像的灰度共生矩阵,采用能量、对比度、相关性和均匀性描述图像的纹理特征.实验数据表明,LBP-GLCM纹理特征提取方法具有良好的抗旋转性,且在采用欧氏距离作为相似性度量时,LBP-GLCM相较于GLCM纹理特征提取方法可以获得更高的检索效率和准确率.     

基于多特征多分辨率融合的高光谱图像分类

由于数据维数高,利用高光谱数据对地物进行分类,常规方法难以获得令人满意的结果,在基于小波多分辨率融合方法进行特征图像的提取过程中,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像．对AVIRIS数据进行的实验表明,利用新方法提取的特征进行分类,获得了高于传统方法确定融合权值的结果。     

纹理特征在多光谱图像分类中的应用

文中介绍了几种纹理特征提取方法，并将图像中的纹理信息作为重要的特征参与多光谱图像分类的过程，通过与单纯基于像元光谱信息的分类结果的比较，证明了此方法可以改善分类的效果。     

基于红外光谱的多特征纹理图像视觉传达方法研究

传统的多特征纹理图像视觉传达方法传达效率低,图像清晰度差,为了解决上述问题,基于红外光谱研究了一种新的多特征纹理图像视觉传达方法,首先对多特征纹理图像进行特征提取,分辨数据存在的合理性差异,并探索数据提取信息因素,根据不同的特征进行图像分类检索,变换图像数据状况,与此同时,选取相关的数据处理方式对检索的图像特征数据进行...     

基于可见光光谱图像的红外多光谱图像仿真生成

阐述了红外多光谱图像仿真技术的意义和原理,研究了一种红外多光谱图像的仿真生成方法.提出了一种基于可见光/近红外波段多光谱、超光谱图像数据的地面场景建模方法,以及无监督分类方法和有监督分类方法相结合的地物像元分类、匹配、标记的策略,可以高效地解决像元地物自动匹配标记的问题.利用RGB彩色图像验证了这一方法,在将图像分割后为每类像元赋予相应的红外发射率数值,生成了4个红外波段的多光谱仿真图像,验证了该方法的可行性,指出了多光谱、超光谱图像数据在仿真应用中的各自特点.从仿真结果可以看出:不同波段图像中目标和背景之间呈现不同的特征.该方法可以生成空间形貌和辐射特征接近真实环境的红外多光谱仿真图像,对长波红外波段的多光谱成像探测仪器的研制和目标、背景光谱特征分析与探测算法的研究具有一定意义.     

基于生成对抗网络的高光谱图像特征提取

特征提取是高光谱数据处理领域的一个重要研究 内容。高光谱数据获取过程中的复 杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的 有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中 标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无 监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器 的特征表示能力,在目标函数中引入梯度惩罚项,将判别器的性能不断逼向最优。在特征提 取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度 的同时尽可能保留高光谱图像的光谱信息。使用支持向量机(support vector machines,SVM)和k近邻(k-hearest neighbor,KNN)方法对 提取到的特征进行分类测试。在两个真实数据集上的实验结果表明,提出的方法优于传统的 特征提取方法。     

基于灰度共生矩的SAR图像纹理特征提取方法

为更有效地提取合成孔径雷达（SAR）图像中的有效信息,提出了一种基于灰度共生矩阵的纹理特征提取方法。该方法在分析图像灰度共生矩常用特征描述量基础上,研究了窗口尺寸和位移向量对纹理特征的影响,通过比较不同目标各种纹理特征的分布及平均值的相差程度,计算了灰度共生矩阵的最佳窗口尺寸和位移向量,确定参与分类的可用纹理特征组合,...     

基于多小波分解的多光谱图像矢量融合

在实数域中,对称、正交的紧支集非平凡单小波基不存在,而多小波把紧支性、对称性、正交性完美地结合在一起,使小波理论从标量扩展到矢量范畴。考虑到图像多小波变换系数具有矢量特性,该文将基于像素点和基于区域的标量融合策略推广到矢量情形,提出一种新的、在多小波域中基于矢量融合的图像融合算法,充分利用多小波变换域系数矢量内部各个分量的相关性来提高融合质量。两波段真实多光谱图像融合实验结果表明,与单小波标量融合方法相比,多小波矢量融合算法获得的图像具有较优的视觉效果和客观评价指标,从而证明了用于图像融合时,多小波较之单小波更适合于人类视觉系统,具有广泛的应用前景。     

纹理图像的特征提取和分类

文章提出了一种纹理图像特征提取的有效算法.该算法利用纹理信息的频域分布以及尺度特性,并在此基础上进行纹理分类.这里采用了分类性能良好的支撑矢量机作为分类器,实验结果表明该方法提取的特征向量稳定,在类别数目比较大时也能得到较高的分类精度.     

基于SIFT-GMLBP的机器人视觉图像特征提取算法

为了改善环境变化较大时机器人在对图像特征提取效果欠佳的问题,对局部二值模式(LBP)进行了改进,根据图像中心像素点邻域之间的相互关系划分网格进行编码,提出了SIFT-MLBP相结合的图像特征提取算法。使用SIFT算法得到图像特征的关键点后,以区域中每个像素点为中心构建网格化结构,计算之间的相邻象素的局部差异,并对对比度不同的像素编码分配权重。结合Gabor变换对基于模式的特征向量进行提取,建立SIFT-GMLBP特征向量,采用原补码互相映射的方式降低特征向量维数。实验证明,SIFT-GMLBP算法具有良好的特征匹配效果,匹配正确率达到95%以上,运行时间降低0.05S。该方法对外部环境的变化具有较强的鲁棒性,能够提高移动机器人在复杂环境中对图像识别的速度和精度。     

多特征匹配的高光谱图像配准方法

基于区域的配准方法从处于离散性图像坐标点中,检索配准特征点完成高光谱图像配准,而离散性图像坐标点导致图像特征点提取存在一定误差,导致配准后高光谱图像结构特征缺失。为此,提出多特征匹配的高光谱图像配准方法,首先使用基于Forstner算子的高光谱图像特征提取方法,提取两幅待配准高光谱图像中目标特征,然后基于提取的特征,采用基于多特征匹配的高光谱图像配准方法实现配准。经实验结果验证,该方法提取的高光谱图像特征完整度系数最大值为0.989 9,配准后的同类型、不同类型的多特征高光谱图像结构相似度指数始终大于0.980 0,且与同类配准方法相比,配准速度提高了6倍与8倍左右,应用性能较为显著。     

多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下：首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。     

用于多光谱、高光谱和超光谱图像的算法

一、探测与识别 1.光谱子空间匹配滤波技术(特邀论文,A.P.Schaum,美国海军研究实验室) 2.配有超光谱自适应匹配滤波器的探测器:实际性能比较(D.G.Manolakis等,美国林肯实验室) 3.利用光学实时自适应光谱鉴别系统进行超光谱成像的自动目标识别系统(D.Gillis等,美国海军研究实验室) 4.定量研究长波红外超光谱成像器的探测性能随波段数的变化(R.T.Mayer,美国海军研究实验室)     

纹理特征提取方法

纹理作为图像重要特征,广泛存在于各种图像中。文中主要介绍了基于分形维数提取法、小波提取法、Gabor滤波器提取法、灰度共生矩阵提取法等纹理特征提取的原理和步骤等,并对各个方法的优、缺点进行了归纳总结。