遥感影像融合方法可以分为空间域、分量替换、多尺度分析三类。文章从空间域方法中选择Brovey比值法和高通调制滤波法,从分量替换方法中选择色彩变换法,从多尺度分析方法中选择梯度金字塔法,使用这四种常用的融合方法对"资源一号&q...遥感影像融合方法可以分为空间域、分量替换、多尺度分析三类。文章从空间域方法中选择Brovey比值法和高通调制滤波法,从分量替换方法中选择色彩变换法,从多尺度分析方法中选择梯度金字塔法,使用这四种常用的融合方法对"资源一号"02C卫星全色/多光谱相机(panchromatic and multispectral sensor,PMS)数据进行了融合处理试验,并从主观评价和定量分析两个方面对融合效果进行了综合评价。结果表明:与PMS数据中的全色高分辨率影像相比,四种方法均可以增加融合后影像的光谱信息;与PMS数据中的多光谱低分辨率影像相比,四种方法均可以增加融合后影像中的空间细节信息。其中,梯度金字塔法在亮度信息、信息量和清晰度方面明显优于其它三种方法,但是较多地丢失了PMS数据中多光谱图像的光谱信息,光谱保持能力较差。色彩变换法可以很好地保持PMS数据多光谱影像的光谱信息,光谱扭曲度较小,但是亮度信息和清晰度表现能力一般。展开更多
目的现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未...目的现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ(local phase quantization)模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG(histogram of oriented gradient)特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA(canonical correlation analysis)方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL(vehicle logo dataset from Hefei University of Technology)上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL(blurring vehicle logo dataset)上也取得了97.19%的识别率。而在难度较大的XMU(Xiamen University vehicle logo dataset)上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。展开更多
文摘遥感影像融合方法可以分为空间域、分量替换、多尺度分析三类。文章从空间域方法中选择Brovey比值法和高通调制滤波法,从分量替换方法中选择色彩变换法,从多尺度分析方法中选择梯度金字塔法,使用这四种常用的融合方法对"资源一号"02C卫星全色/多光谱相机(panchromatic and multispectral sensor,PMS)数据进行了融合处理试验,并从主观评价和定量分析两个方面对融合效果进行了综合评价。结果表明:与PMS数据中的全色高分辨率影像相比,四种方法均可以增加融合后影像的光谱信息;与PMS数据中的多光谱低分辨率影像相比,四种方法均可以增加融合后影像中的空间细节信息。其中,梯度金字塔法在亮度信息、信息量和清晰度方面明显优于其它三种方法,但是较多地丢失了PMS数据中多光谱图像的光谱信息,光谱保持能力较差。色彩变换法可以很好地保持PMS数据多光谱影像的光谱信息,光谱扭曲度较小,但是亮度信息和清晰度表现能力一般。
文摘目的现有的车标识别方法尽管取得了不错的识别效果,但最终的识别率容易遇到瓶颈,很难得到提升。车标识别是智能交通系统中至关重要的一部分,识别率的微小提升也能带来巨大的社会价值。通过挖掘与分析车标识别中潜在的问题和难点,发现未能得到正确分类的图像大部分为模糊车标图像。针对车标图像中存在的成像模糊等情况,本文提出一种基于抗模糊特征提取的车标识别方法。方法构建车标图像金字塔模型,分别提取图像的抗纹理模糊特征和抗边缘模糊特征。抗纹理模糊特征的提取使用局部量化的LPQ(local phase quantization)模式,可以增强原始特征的鲁棒性,抗边缘模糊特征的提取基于局部块弱梯度消除的HOG(histogram of oriented gradient)特征提取方法,可以在描述车标图像边缘梯度信息的同时,提升特征的抗模糊能力。最后利用CCA(canonical correlation analysis)方法进行两种抗模糊特征的融合并用于后续的降维与分类。结果本文方法在多个数据集上均取得了很好的识别效果,在20幅训练样本下,本文方法在公开车标数据集HFUT-VL(vehicle logo dataset from Hefei University of Technology)上取得了99.04%的识别率,在本文构建的模糊车标数据集BVL(blurring vehicle logo dataset)上也取得了97.19%的识别率。而在难度较大的XMU(Xiamen University vehicle logo dataset)上,本文方法在100幅训练样本下也达到了96.87%的识别率,识别效果高于一些具有较好表现的车标识别方法,表现出很强的鲁棒性和抗模糊性。结论本文方法提高了对成像质量欠缺的车标图像的识别能力,从而提升了整体识别效果,更符合实际应用中车标识别的需求。
