共查询到18条相似文献，搜索用时 578 毫秒
1.
本文提出一种基于视觉显著点特征的遥感影像检索方法,首先采用SIFT算法提取遥感影像中的关键点及其特征,同时利用GBVS模型计算影像的显著图以分离影像显著区和背景,然后提取显著区内的关键点以构建视觉显著点特征,最后用其计算影像间的相似度并返回相似影像。实验表明,与传统检索算法相比,本文提出的算法能够有效提高影像查准率。 相似文献
2.
影像聚类是一种对影像数据进行分组的方法,在基于内容的影像检索中,如果能够利用较低层次的可视特征进行高效的影像聚类,将会大大提高影像检索的精度.文章分别利用色矩法与分块截短编码(BTC)方法提取影像颜色特征,然后采用K均值聚类算法来对两种方法进行聚类分析.实验结果表明,分块截短编码(BTC)方法的聚类精度优于色矩法. 相似文献
3.
针对现有流行模糊C均值聚类在影像分割中存在边界依附能力弱,分割不稳定及需要手动设置聚类数目等问题,提出一种顾及超像素光谱特征的无人机影像自动模糊聚类分割方法。相对于传统分水岭变换算法,该方法首先采用两步边界推进准则,生成轮廓更加精确、形状规则更加紧凑的超像素子区域;然后,提取子区域光谱特征并结合重缩放密度峰值算法自动获取聚类数目;最后,综合利用超像素光谱特征与隐式马尔可夫随机场思想对模糊聚类进行改进,实现超像素精确合并。通过两组影像数据的定性分析和定量评价表明,本文方法能准确定位目标边界,获得较好的视觉分割结果,同时有效提高了影像分割精度。 相似文献
4.
从低层视觉特征与地物空间关系特征对影像内容进行描述,建立检索模板与目标影像间的相似性直方图表达,提出一种适用于高分辨率遥感影像检索的新方法。首先,利用Quin+树将大幅面原始遥感影像分解为一系列同尺寸的序列子块;然后,分别提取各子块的低层视觉特征与地物关系特征,并以子块为基元构建候选子块的特征直方图;最后,对比检索模板与候选子块间的特征直方图相似性,实现高分辨率遥感影像的检索。使用多幅多源高分辨率遥感影像进行实验,结果表明本文方法对耕地、水系、建筑物等地类的检索精度大都维持在0.8以上,且各项检索性能指标均优于已有的两种遥感图像检索算法。 相似文献
5.
传统的基于像素的变化检测结果较为破碎,易产生较多"椒盐现象"。针对上述问题,提出一种改进的GKC模糊聚类算法对遥感影像进行变化检测。首先利用变化矢量分析法对配准好的遥感影像构造差异影像;然后再利用一种改进的GKC模糊聚类算法对差异影像进行分割,通过在目标函数中添加带有空间邻域信息的模糊因子进行迭代聚类;最后实现地物变化信息的提取。与传统方法进行对比,该方法能有效降低破碎像斑的数目,更好地保持变化地物的结构和形状,突出主要变化目标,提高变化检测精度。 相似文献
6.
由于星载合成孔径雷达(Synthetic Aperture Radar,SAR)溢油影像包含大量斑点噪声,仅依靠传统模糊聚类方法不能有效提取出其溢油区域。针对SAR图像存在的斑点噪声问题,本文提出了一种结合多特征与改进模糊C均值聚类(Fuzzy C-means,FCM)的溢油暗斑提取方法。该方法首先提取影像的多个特征,以便更加充分地反映影像信息;然后同时考虑像素与其邻域的强度和空间位置关系,以此来构造模糊加权因子,进而定义目标函数;最后通过迭代最小化目标函数,获得最佳溢油暗斑提取结果。文中对真实的SAR溢油影像进行了溢油暗斑提取实验,并分别与利用单一特征和加入邻域关系的模糊聚类方法得到的提取结果进行对比分析,实验结果证明了本文方法的有效性。 相似文献
7.
针对全球导航卫星系统（global navigation satellite system,GNSS）拒止环境下大范围无人机视觉绝对定位问题,提出了一种聚合深度学习特征的卫星基准影像检索方法。首先,利用预训练的深度学习模型提取无人机与卫星基准影像的局部卷积特征;然后,对局部特征描述符进行聚合,生成影像全局表达;最后,利用影像全局特征进行相似性检索,并采用检索结果精匹配重排序的后处理方法,进一步提高检索准确率。设计了一个新的面向无人机绝对定位的卫星基准影像数据集并进行实验,结果表明,使用所提方法检索无人机影像适配区域的卫星基准影像的准确率达76.07%,可为后续基于视觉的无人机绝对定位提供参考。 相似文献
8.
江舒静 《测绘与空间地理信息》2014,(5):95-97
缩小语义鸿沟,是基于内容的遥感影像检索的必经之路,本文提出了一种基于多种底层特征的视觉词袋方法来进行不同分辨率的遥感影像的分类和检索。主要涉视觉词袋模型的构建以及该模型采用不同的底层特征描述对实验结果的影响。通过对不同分辨率的遥感影像进行基于不同底层特征组合的视觉词袋特征的提取,从而得到一系列分类检索实验结果。结果表明,基于底层特征组合的视觉词袋方法能有效地提高不同分辨率遥感影像的分类和检索效果。 相似文献
9.
利用视觉词袋模型和颜色直方图进行遥感影像检索 总被引：1，自引：0，他引：1
基于内容的遥感影像检索已经成为遥感领域的研究热点,因此,本文提出了一种综合视觉词袋模型和颜色直方图的遥感影像检索方法,利用尺度不变特征算子提取影像的局部不变特征,通过视觉词袋模型组合局部特征,生成每幅影像的金字塔直方图,接着结合每幅影像的颜色直方图生成更有区分性的特征向量,利用新的特征向量集训练支持向量机分类器,通过分类器输出与查询属于一类的影像,完成遥感影像检索。试验结果表明,本文方法不仅提高了影像检索的查准率和查全率,并且验证了该方法能有效克服影像光照、噪声、方向等变化,鲁棒性较好。 相似文献
10.
11.
基于单一特征的匹配办法在多源遥感影像匹配中往往不适用的问题,提出了一种结合拓扑信息和SIFT特征的自动多源遥感影像匹配方法。该方法首先在两幅影像中使用SIFT算法在尺度空间上提取特征向量,其次对这些特征点使用最近邻提取1：N的多个可能的匹配点对,然后结合位置信息和拓扑信息对这些可能的匹配点对进行剔除,并使用RANSAC方法剔除粗差,最终得到同名匹配点。试验结果表明,相比于计算机视觉领域常用的SIFT算法,本文方法可有效地提高匹配正确率,并获得更多正确的同名点。 相似文献
12.
The Remote Sensing Image Matching Algorithm Based on the Normalized Cross-Correlation and SIFT 总被引：2，自引：0，他引：2
SIFT (scale invariant feature transform) is one of the most robust and widely used image matching algorithms based on local features. However, its computational complexity is high. In order to reduce the matching time, an improved feature matching algorithm is proposed in this paper under the premise of stable registration accuracy. This paper proposed a normalized cross-correlation with SIFT combination of remote sensing image matching algorithm. The basic idea of the algorithm is performing the space geometry transformation of the input image with reference to the base image. Then the normalized cross-correlation captures the relevant part of the remote sensing images. By this way, we can reduce the matching range. So some unnecessary calculations are properly omitted. By utilizing the SIFT algorithm, we match the preprocessed remote sensing images, and get the registration points. This can shorten the matching time and improve the matching accuracy. Its robustness is increased correspondingly. The experimental results show that the proposed Normalized cross-correlation plus SIFT algorithm is more rapid than the standard SIFT algorithm while the performance is favorably compared to the standard SIFT algorithm when matching among structured scene images. The experiment results confirm the feasibility of our methods. 相似文献
13.
由于成像条件变化造成的遥感图像之间的几何形变和灰度差异给影像匹配带来了困难,深入研究了SIFT特征描述符的生成方法,针对SIFT特征维数过高的问题进行改进,利用特征点邻域的圆形区域构造新的描述符,增强了描述符自身的抗旋转性,并降低了特征描述符的维数。实验表明,改进的特征描述符是可行有效的,在遥感影像目标匹配中取得满意的实验结果。 相似文献
14.
基于SIFT特征的多源遥感影像自动匹配方法 总被引：2，自引：1，他引：1
本文提出一种基于SIFT特征的不同源遥感影像自动匹配方法。首先利用Harris算子结合SIFT特征提取影像上均匀分布的特征点,建立高维SIFT特征描述符;然后以待匹配点与参考点间的欧氏距离为相似性测度,实施两种不同源遥感影像的特征匹配;最后将SIFT特征匹配结果作为初始值,采用将搜索范围扩大到尺度空间后的改进最小二乘影像匹配方法对SIFT特征匹配获得的同名像点进行精匹配。经对同一地区SPOT-5 HRG全色影像与航空摄影影像的匹配试验,取得了较好的结果。 相似文献
15.
Saliency detection is an effective approach to extract regions of interest (ROIs) for remote sensing images. However, existing saliency detection models mainly focus on ROI extraction from a single image and usually are not able to produce satisfactory results because of complex background interference in remote sensing images. The employment of mutual information in a set of remote sensing images can provide an effective solution to this issue. In this paper, we propose a novel saliency detection model for multiple remote sensing images to simultaneously extract ROIs and identify images without ROIs. First, common salient feature analysis based on synthesized feature clustering and global contrast is implemented to exploit global correspondence in the synthesis feature domain, thereby highlighting preliminary ROIs against background interference and assigning lower saliency values to images without ROIs. Then, we design an exclusion criterion based on saliency value judgment to remove images without ROIs, and the remaining saliency maps are refined by an enhancement strategy. Finally, the enhanced maps serve as a feedback to yield a homogenous synthesized feature space in which integral ROIs with subtle borders are extracted by the reused cluster-based saliency calculation. Experiments reveal that our model outperforms seven state-of-the-art models by achieving the best ROC curve (AUC = 0.945) and maximal F-measure at 0.729. 相似文献
16.
针对无人机在区域范围拍摄的低空遥感影像数量多,且相邻影像间存在旋转、尺度变化大等导致的立体定向困难问题,本文提出一种适用于无人机影像自动相对定向及模型连接的流程。即利用SURF算法对区域无人机影像进行特征提取后,连续相对定向及模型连接过程使用结合相对定向模型的RANSAC算法去除错匹配点,并针对RANSAC算法选取样本匹配点对容易陷入局部最优问题进行改进,提高了结果精度。 相似文献
17.