遥感图像中建筑物自动识别与标绘方法研究
第六图书馆
为了从高分辨率城区遥感图像中自动提取出建筑物目标并对其位置和外形进行标绘,本文提出了一种建筑物自动识别与标绘的方法。该方法首先利用纹理特征对图像进行有效分割,产生出建筑物的候选区域。然后再判断这些区域是否为真正的建筑物区域。最后,对建筑物区域使用一种网格匹配的方法将目标建筑物重建为规则的多边形,以达到建筑物自动标绘的目的。本文用上述方法对IKONOS、Ouick Bird卫星的高分辨率光学图像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。为了从高分辨率城区遥感图像中自动提取出建筑物目标并对其位置和外形进行标绘,本文提出了一种建筑物自动识别与标绘的方法。该方法首先利用纹理特征对图像进行有效分割,产生出建筑物的候选区域。然后再判断这些区域是否为真正的建筑物区域。最后,对建筑物区域使用一种网格匹配的方法将目标建筑物重建为规则的多边形,以达到建筑物自动标绘的目的。本文用上述方法对IKONOS、Ouick Bird卫星的高分辨率光学图像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。目标识别 自动标绘 图像纹理分割 灰度共生矩阵 Hough变换电子测量技术李海月
王宏琦 陆见微 林殷 王富森 [1]中国科学院电子学研究所,北京100080 [2]吉林省吉林市中心医院,吉林1320112007第六图书馆
第六图书馆
https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
第六图书馆https://www.doczj.com/doc/d78087539.html,
建筑物图像识别研究 摘要：随着城市化进程的不断发展，城市人口、经济等要素密切影响着城市建筑物的几何形态与分布。从航拍图像或者卫星图像上快速准确的获取城市建筑物的信息不仅有利于地理空间数据的更新，而且对于有效监测新增建筑等城市专题信息有重要意义。不仅如此，近年来基于卫星图像或者航拍图像的建筑物识别与轮廓提取算法的提出与研究改进，更有助于实现对城市建筑物的识别和分类。其对GIS 数据的获得、对影像的理解、大比例尺制图和及其它许多对遥感数据的应用都具有重要的意义。 基于此，本文从建筑物轮廓的几何形态出发，对卫星图像中的建筑物轮廓的提取方法进行了研究。主要进行了如下几方面工作： 1、阐述了建筑物提取的基础理论。对典型城市建筑物进行了特征分析，学习并理解在建筑物的轮廓提取中所要用到的算法，从中选择合适的边缘检测与轮廓提取算法。 2、在对已有方法进行总结归纳的基础上，系统的研究了基于灰度特征与二值数学形态学的轮廓描述算法和基于边缘特征的Hough变换直线提取算法，对这两种算法进行改进，初步实现了典型城市建筑物的半自动提取。 3、针对本文出现的方法进行编程实现，并针对试验结果对这两种方法进行综合的检测与评价，分析了这两种方法的特点及不足。 关键词：卫星图像；建筑物轮廓；二值数学形态学；边缘检测；直线提取
Building Image Recognition and Research Abstract: With the continuing developing of urbanization, the urban population, economic and other factors are closely affecting the city building’s geometry and distribution. It is not only conductive to the data updating of geospatial, but also has important significance of the thematic information for effective monitoring of new city buildings and so on that accessing information form the city buildings aerial images or satellite images fast and accurately. Moreover, in recent years, building on satellite images to identify and contour extraction or aerial imagery and research to improve the algorithm proposed, but also help achieve the identification and classification of city buildings. Its GIS data acquisition, image understanding, large scale mapping and many other applications are of great significance. This paper is start form the geometry of the building outline, doing research of the extraction methods for the building outline which from high resolution images. Mainly for the following work areas: 1.Describes the basic theory of building extraction. Urban buildings typical characteristic analysis, systematic study of image processing algorithms to use in extraction of the building, from which to select the appropriate algorithm for edge detection and contour extraction. 2.On the basis of summarizing the existing methods, the proposed feature extraction based on gray and binary mathematical morphology the contour edge detection algorithm based on linear Hough transform algorithm, the semi-automatic extraction of typical urban buildings. 3.We were against the proposed method programming, and comprehensive testing and evaluation of these two methods for the test results, the characteristics and drawbacks of the two methods. Key words:Satellite images, Building outline, Binary mathematical morphology，Edge detection，Line Extraction
基于K均值的遥感图像自动识别分类 胡高翔1，韩孜2 1武汉大学遥感信息工程学院, （430079） 2宁波市浙江万里学院计算机与信息学院, （315100） hgxida@https://www.doczj.com/doc/d78087539.html,，hz110hz@https://www.doczj.com/doc/d78087539.html, 摘 要： 遥感图像的计算机分类是模式识别技术在遥感技术领域中的具体应用。本文采用了模式识别分类中非监督分类中k均值聚类方法对多维遥感图像进行分类，从而达到提取所需地物信息的目的。 关键词：模式识别、K均值聚类、遥感影像 1.引言 遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别与分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。遥感图像的计算机分类是模式识别中的一个方面，它的主要是别对象是遥感图像及各种变换后的特征图像。目前，遥感图像的自动识别方法主要采用统计方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。以区分具有不同特征的模式，达到分类的目的。 统计模式识别从根本上讲，是利用各类的分布特征，即直接利用各类的概率密度函数、后验概率等，或隐含地利用上述概念进行分类识别。其中的聚类分析法是利用待分类模式之间的“相似性”进行分类，较相似的作为一类，较不相似的作为另一类。在分类过程中不断地计算所分划的各类的中心，一个待分类模式与各类中心的距离作为对其分类的依据。这实际上是在某些设定下隐含地利用了概率分布概念，因常见的概率密度函数中，距期望值较近的点概率密度较大。该类方法的另一种技术是根据待分类模式和已指判出类别的模式的距离来确定其类别，这实际上也是在一定程度上利用了有关概念。K均值聚类方法是统计模式识别分类中非监督分类法的一种。 2.相关背景知识 2.1 非监督分类 非监督分类（也称聚类分析）算法中并没有显式的信号来对训练样本集中的每个输入样本提供类别标记和分类代价，并寻找能降低总体代价的方向。系统对输入样本自动形成“聚类”或“自然”的组织。所谓“自然”与否是由聚类系统所采用的显式或隐式的准则确定的。给定一个特定的模式集和代价函数，不同的聚类算法将导致不同的结果。通常要求用户事先指定预定的聚类的数目。 遥感影像的非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影
本技术的实施方式提供了一种图像识别方法。该方法包括：对待识别图像进行特征提取，得到多个特征向量；确定每个特征向量对应的类别；针对每个特征向量，分别计算其所对应的类别下各样本图像的分数；将计算得到的同一样本图像的分数累加，得到该同一样本图像的分值；将分值最高的样本图像对应的图像标识作为待识别图像的识别结果。通过上述图像识别方法，有效提取多个特征来表征待识别图像，提取的特征不受图像中物体的特性所影响，能够实现对图像的有效识别，适用范围广；且通过计算样本图像分数的方式得到识别结果，综合考虑了特征的重要性，能够获得较好的识别精度。此外，本技术的实施方式提供了一种图像识别装置。 权利要求书 1.一种图像识别方法，包括： 对待识别图像进行特征提取，得到多个特征向量； 确定每个特征向量对应的类别； 针对所述每个特征向量，分别计算其所对应的类别下各样本图像的分数；
将计算得到的同一样本图像的分数累加，得到该同一样本图像的分值； 将分值最高的样本图像对应的图像标识作为所述待识别图像的识别结果； 按照以下公式计算样本图像的分数： 其中，S表示当前样本图像的分数，A表示平均每个类别下的样本图像特征向量个数，B表示所述当前样本图像所属的类别下的所有图像标识出现次数之和，C表示所述当前样本图像所属的类别下，所述当前样本图像对应的图像标识出现次数，D表示放缩因子。 2.根据权利要求1所述的图像识别方法，其中，确定每个特征向量对应的类别，包括： 分别计算所述特征向量与预先存储的多个聚类中心向量的距离，其中，所述聚类中心向量与所述类别一一对应； 确定与所述特征向量距离最近的聚类中心向量对应的类别为所述特征向量对应的类别。 3.根据权利要求1所述的图像识别方法，其中，对待识别图像进行特征提取，得到多个特征向量，包括： 利用滑动窗口遍历所述待识别图像； 针对所述滑动窗口所处的每个区域，计算该区域的特征向量。 4.根据权利要求3所述的图像识别方法，其中，计算该区域的特征向量，包括： 将该区域划分为多个大小相同的细胞单元，其中，每个细胞单元之间不重叠；
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
图像局部特征点检测算法综述 研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。 本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。 1. 局部特征点 图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。 局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵：
SAR/PolSAR图像建筑物信息提取技术研究随着当前城市的快速发展,针对城区建筑物的遥感技术得到越来越多学者的关注。合成孔径雷达(SAR)和极化合成孔径雷达(PolSAR)由于具有全天时、全天候对地观测特点以及稳健多样的目标信息获取能力而被广泛应用于城区遥感中。 针对城区雷达遥感图像的解译需求,本文系统研究了SAR和PolSAR图像建筑物信息提取技术,重点围绕建筑物散射机理分析、建筑物检测、分割以及建筑物分类四个方面,旨在为城区雷达遥感图像提供一整套有效且稳健的信息提取方法,为城市规划、国民经济建设以及国防军事应用提供有力支撑。本文工作具体包括以下方面:(1)建筑物后向散射与极化散射特征分析,PolSAR图像城区极化目标 分解。 首先分析SAR图像建筑物后向散射特点以及PolSAR图像极化目标分解原理。进一步讨论城区极化目标分解的难点,即非平行雷达飞行方向的建筑物与森林散射机理混淆。 在深入研究当前城区极化目标分解方法及其应用范围的基础上,针对建筑物的方位向和特有散射特性,提出针对建筑物的交叉散射相干矩阵模型。该模型能有效描述建筑物产生的交叉散射,从而能与森林产生的体散射有效区分开来并消除两类目标散射机理混淆。 基于该散射模型,本文提出了多成分和四成分两种极化目标分解方法,利用星载和机载PolSAR数据分解结果验证了该交叉散射模型的有效性。最后对比分析了两种城区极化目标分解方法的不同点及其在后续建筑物检测、分类中作用。 (2)SAR和PolSAR图像建筑物检测。首先介绍了SAR图像基于纹理特征的建筑物检测方法以及PolSAR图像人造目标方位向非平稳性检测方法并分析两类方
摘要 摘要内容 伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。对于各类变电设备的在线状态监测系统的推广越来越发普及。研究基于图像特征的电力设备自动故障识别具有重要意义。 本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。针对红外故障图像，本文在红外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。 关键词：红外成像紫外成像图像处理
ABSTRACT With the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types of substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at the
2.1图像模式识别的方法 图像模式识别的方法很多，从图像模式识别提取的特征对象来看，图像识别方法可分为以下几种：基于形状特征的识别技术、基于色彩特征的识别技术以及基于纹理特征的识别技术。其中，基于形状特征的识别方法，其关键是找到图像中对象形状及对此进行描述，形成可视特征矢量，以完成不同图像的分类，常用来表示形状的变量有形状的周长、面积、圆形度、离心率等。基于色彩特征的识别技术主要针对彩色图像，通过色彩直方图具有的简单且随图像的大小、旋转变换不敏感等特点进行分类识别。基于纹理特征的识别方法是通过对图像中非常具有结构规律的特征加以分析或者则是对图像中的色彩强度的分布信息进行统计来完成。 从模式特征选择及判别决策方法的不同可将图像模式识别方法大致归纳为两类:统计模式(决策理论)识别方法和句法(结构)模式识别方法。此外，近些年随着对模式识别技术研究的进一步深入，模糊模式识别方法和神经网络模式识别方法也开始得到广泛的应用。在此将这四种方法进行一下说明。 2.1.1句法模式识别 对于较复杂的模式，如采用统计模式识别的方法，所面临的一个困难就是特征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，从而很自然地就想到这样的一种设计，即努力地把一个复杂模式分化为若干
较简单子模式的组合，而子模式又分为若干基元，通过对基元的识别，进而识别子模式，最终识别该复杂模式。正如英文句子由一些短语，短语又由单词，单词又由字母构成一样。用一组模式基元和它们的组成来描述模式的结构的语言，称为模式描述语言。支配基元组成模式的规则称为文法。当每个基元被识别后，利用句法分析就可以作出整个的模式识别。即以这个句子是否符合某特定文法，以判别它是否属于某一类别。这就是句法模式识别的基本思想。 句法模式识别系统主要由预处理、基元提取、句法分析和文法推断等几部分组成。由预处理分割的模式，经基元提取形成描述模式的基元串（即字符串）。句法分析根据文法推理所推断的文法，判决有序字符串所描述的模式类别，得到判决结果。问题在于句法分析所依据的文法。不同的模式类对应着不同的文法，描述不同的目标。为了得到于模式类相适应的文法，类似于统计模式识别的训练过程，必须事先采集足够多的训练模式样本，经基元提取，把相应的文法推断出来。实际应用还有一定的困难。 2.1.2统计模式识别 统计模式识别是目前最成熟也是应用最广泛的方法，它主要利用贝叶斯决策规则解决最优分类器问题。统计决策理论的基本思想就是在不同的模式类中建立一个决策边界，利用决策函数把一个给定的模式归入相应的模式类中。统计模式识别的基本模型如图2，该模型主要包括两种操作模型：训练和分类，其中训练主要利用己有样本完成对决策边界的划分，并采取了一定的学习机制以保证基于样本的划分是最优的;而分类主要对输入的模式利用其特征和训练得来的决策函数而把模式划分到相应模式类中。 统计模式识别方法以数学上的决策理论为基础建立统计模式识别模型。其基本模型是:对被研究图像进行大量统计分析，找出规律性的认识，并选取出反映图像本质的特征进行分类识别。统计模式识别系统可分为两种运行模式:训练和分类。训练模式中，预处理模块负责将感兴趣的特征从背景中分割出来、去除噪声以及进行其它操作;特征选取模块主要负责找到合适的特征来表示输入模式;分类器负责训练分割特征空间。在分类模式中，被训练好的分类器将输入模式根据测量的特征分配到某个指定的类。统计模式识别组成如图2所示。
图像处理与识别技术综述 摘要：本文简要介绍了图像处理与识别技术的相关知识，介绍了图像识别过程中的判别函数和判别规则，特征提取和选择的方法。设计一个基于16位处理器MC9S12XS128的图像识别系统在实际中的具体硬件实现。 关键词：图像识别特征提取MC9S12XS128 数字摄像头 An Overview of Image Recognition And Identifying Technology Abstract：This paper introduces some knowledge of image recognition and identifying technology，introduces the discriminant function discriminant rule in the image identifying progress, feature extraction and selection method. Designed an image identifying system based on 16-bit controller MC9S12XS128,and it has specific hardware implementation in fact. Key words: image identifying discriminaut rule MC9S12XS128 digital cameral
1 引言 图像是与视觉相关的最贴近生活的信息，它是客观世界的物体直接或间接作用于人眼而产生视知觉的实体。传统的图像处理技术就是对图像进行保存、处理、压缩、传输和重现。随着信息时代的到来，用于计算机处理的各种信息的需求越来越多，多媒体信息处理技术已经成为日常生活各个领域的迫切需要。人们更希望利用计算机技术处理人类视觉问题，如：人脸、指纹识别技术实现处理与个人有关的一切事物，利用视觉自动监视系统监视环境中发生的非常事件，利用字符识别技术实现文档图像的自动录入与处理。因此把传统的图像处理技术与模式识别处理技术相结合是图像处理的新趋势。 2 传统的图像处理技术 图像处理技术始于20世纪50年代，1964年美国喷射推进实验室（JPL ）使用计算机对太空船送回的大批月球照片处理后得到了清晰逼真的图像，这是这门技术发展的里程碑，此后这门技术得到了广泛的发展。 传统图像处理技术包含图像的获取、变换、增强、编码、分割等方面的内容。 2.1 图像获取 图像可以根据其形式或产生方法来分类。 照片图画 光图像连续函数 离散函数 （数字图像）不可见的 物理图像 物体图像 可见的图像图片数学函数 图1 图像的分类 图像的获取[4]是指将其变为计算机可识别的信息。通常是数字化的过程，及扫描、采样、量化三个步骤。经过数字化过程后就得到了一幅图的数字表示，即数字图像。一般这个过程由摄像头等设备完成。反过来还可将数字图像进行显示。 2.2 图像变换 图像变换[6]广泛应用于图像滤波[2]、统计滤波[5]、图像数据压缩以及图像描述等。图像变换是将N ×N 维空间图像数据变换成另外一组基向量（通常是正交向量空间）的坐标参数，我们希望这些离散图像信号坐标参数更集中代表了图像中的有效信息，或者是更便于达到某种处理目的。 通常采用的方法有：傅里叶变换、相关分析、小波变换[7]、离散余弦变换（DCT ）、正弦变
摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition
基于高分辨率遥感影像的建筑物提取 摘要：本文首先对遥感影像上建筑物提取的研究历史进行分析，总结高分辨率航空相片或卫星影像提取建筑物等人工地物信息的主要方法，从影像数据、分辨率与方法几个方面概括建筑物提取的发展历史。总结高空间分辨率遥感影像建筑物提取研究的现状以及发展趋势。 关键词：高空间分辨率遥感影像；建筑物提取 引言 随着遥感技术的不断进步，光学卫星影像的空间分辨率不断提高（目前军用卫星已经达到厘米级），与同类中低空间分辨率的遥感影像相比，高空间分辨率光学卫星影像上地物的光谱特征更明显，景观的结构、形状、纹理和细节等信息突出，使得研究城市内部建筑分布细节成为可能。从20世纪90年代以来高空间分辨率光学卫星影像逐渐进入商业和民用领域，在地图更新、土地管理、城市规划、资源调查、环境监测、灾害评估等方面得到广泛应用，逐步成为一种主要的地理空间数据获取和更新途径，针对高空间分辨率光学卫星影像的信息提取研究也随之兴起，但高空间分辨率影像信噪比低的特点限制了建筑提取的精度，人工解译仍然是最普遍的提取方式，其费时费力的弱点成为制约高分辨率卫星影像大范围应用的瓶颈。目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，国内外很多学者在高分辨影像道路和建筑提取方面做了很多相关研究，在提取理论和方法方面取得了一定的成果。本文就高空间分辨率遥感影像建筑物提取研究现状进行总结，在此基础上提出目前遥感影像建筑物提取研究的热点及其发展趋势。 一、建筑物提取的研究历史 迄今为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提，通过建筑物与周围环境之间的高差进行屋顶边界的提取，大多需要一定的辅助数据如DEM、DSM等。其二，利用高空间分辨率遥感影像数据结合计算机视觉、图像处理与分析、人工智能等学科领域的新方法实现对建筑物顶部信息的半自动甚至全自动识别与提取。此方法不需要多景影像数据，也不需要其它的外部信息源，具有更为广泛的应用前景和范围，但是其缺乏对识别建筑物表面高度信息，只是利用的是图像的光谱信息、灰度信息以及建筑物的形态信息和一部分先验知识，难度要更大，此方法仍处于探索研究阶段。在城市环境中由于受到建筑物结构复杂性的影响，建筑物常常被人造目标或者自然目标包围，给提取建筑物带来干扰，常见的典型情况有：房屋边缘与道路平行且相邻，边缘检测后的影像中道路和房屋边缘相互混淆；因为拍摄角度导致建筑物彼此的遮蔽，影像上丢失了被遮蔽建筑物的信息；建筑物阴影的灰度接近建筑物的灰度，很难区分二者的边界，对提取产生干扰。此外利用成像质量、光谱范围等多方面因素影响的遥感影像提取建筑物信息，出现信息的丢失以及失真，从而增加了建筑物提取的难度。图1分别从影像数据、分辨率与方法几个方面概括了建筑物提取的发展历史。快速准确地
综述 《自动化技术与应用》 2004年第 23卷第 12期 Survey 人脸图像检测与识别方法综述 王科俊 ,姚向辉 (哈尔滨工程大学自动化学院 ,黑龙江哈尔滨 150001) 摘要 :本文对人脸识别技术中的检测和识别分成两部分进行了讨论。首先 ,系统的整理分析了人脸检测的各种方法。其次 ,作为 人脸识别技术的第二个环节 ,对人脸的各种识别方法进行了比较性的论述 ,重点讨论了当前热点的识别算法。最后对人脸 识别技术的发展方向进行了展望。 关键词 :人脸检测 ;人脸识别 ;特征提取 ;模式识别 中图分类号 : TP391141 文献标识码 :A 文章编号 : 100327241 (2004) 1220005205 Survey of Human Face Detection and Recognition WANG Ke -jun ,YAO Xiang -hui (College of Automatization , Harbin Engineering University , Harbin 150001 ,China) Abstract :This paper describes the problem of human face detection and recognition. Firstly it synthesizes and analyzes the methods of human face de2 tection systematically from the view of the classification of human face detection ,
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
图像处理即图像识别过程 图像处理(imageProcessing)利用计算机对图像进行分析,以达到所需的结果。 图像处理可分为模拟图像处理和数字图像图像处理,而图像处理一般指数字图像处理。 这种处理大多数是依赖于软件实现的。 其目的是去除干扰、噪声,将原始图像编程适于计算机进行特征提取的形式,主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。 l)图像采集 图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像,也包括一些动态图像,并可以将其转为数字图像,和文字、图形、声音一起存储在计算机内,显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。 2)图像增强 图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化,数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分,使图像的主体结构更加明确,必须对图像进行改善,即图像增强。通过图像增强,以减少图像中的图像的噪声,改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量,使图像中的物体的轮廓更加清晰,细节更加明显。图像增强不考虑图像降质的原因,增强后的图像更加赏欣悦目,为后期的图像分析和图像理解奠定基础。 3)图像复原 图像复原也称图像恢复,由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊,为了提取比较清晰的图像需要对图像进行恢复,图像恢复主要采用滤波方法,从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建,该技术是从物体横剖面的一组投影数据建立图像。 4)图像编码与压缩 数字图像的显著特点是数据量庞大,需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频,那么必须对图像进行编码和压缩。目前,图像压缩编码已形成国际标准,如比较著名的静态图像压缩标准JPEG,该标准主要针对图像的分辨率、彩色图像和灰度图像,适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列,因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。 5)图像分割技术
基于遥感影像的建筑物提取研究方法综述 摘要：遥感影像上建筑物提取的基础理论研究始于20世纪80年代，随着遥感技术的不断进步，遥感影像的分辨率及精确度越来越高以及快速发展的城市在城市空间数据库方面的巨大要求。现在城市空间数据库需要对数据快速获取更新，又因为遥感影像本身具有的现时性，更新速度快的特点。在城市空间数据库的更新、城市动态监测、城市变化监测以及“智慧城市”建设等方面有着重要的使用价值。本文介绍基于不同遥感影像提取建筑物的基本方法和几个发展趋势。主要包括SAR图像，LIDAR点云数据，高光谱影像，航空影像等多种源数据不同的提取方法，以及不同数据来源的优缺点。同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。 1.引言 城市地区的遥感影像中，超过8成的目标是建筑物和道路，所以对建筑物和道路的识别和提取式遥感影像地物提取的主要研究方向，除道路和建筑物以外，剩下的大部分都是植被，在城市中绿地的面积占了一定的比例，在建筑物的提取中，建筑物在遥感影像中容易受到植被的干扰，如何高效率、高质量的剔除植被对建筑物的影响成了建筑物提取的关键。进行建筑物提取的主要应用有城区自动提取、 地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面，如何实现建筑物的快速、高精度、自动化提取成为目前的研究热点。目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，本文主要提出了目前遥感影像建筑物提取研究的热点及其发展趋势。 2.建筑物提取的历史发展 快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义，在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。目前，对自动建立城市三维模型和实现城市虚拟现实的需求越来越多，利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理，是实现“三维城市”建模的有效途径之一。 到目前为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提取，因为城市里的建筑物有一定的高度信息，通过建筑物与周围环境（地面）之间的高差进行屋顶边界的提取，这种方法大多需要一定的辅助数据如DEM、DSM等一类具有地物高程数据的影像。其二，利用高空间分辨率遥感影像数据结合计算