無人機航空遙感圖像拼接技術(shù)研究簡介，目錄書摘
2020-07-30 16:39
來源：京東
作者：京東
無人機航空遙感圖像拼接技術(shù)研究
暫無報價
90+評論
98%好評
編輯推薦: （1）根據(jù)無人機遙感圖像成像的內(nèi)、外方位元素，采用直角空間變換及二次線性插補方法，實現(xiàn)了遙感圖像校正。
?。?）提出一種分布存儲環(huán)境下的并行幾何校正算法，每個處理器通過計算本地輸入子圖像在目標圖像中的范圍，確定其需要進行重采樣計算的區(qū)域，使計算過程中所需的數(shù)據(jù)均為本地數(shù)據(jù)，很好地解決了數(shù)據(jù)局部性問題。
?。?）基于圖像數(shù)據(jù)總體分布的統(tǒng)計，分析了飛行試驗圖像的成像質(zhì)量?；谌搜哿炼纫曈X特性曲線，結(jié)合小波變換和Curvelet變換特點，提出一種新的圖像增強方法，實現(xiàn)了無人機遙感序列圖像的自適應(yīng)增強處理。
?。?）提出結(jié)合小波變換和Canny算法的邊緣提取算法，該算法將Canny算法的非極大值抑制、雙閾值算法與小波變換多尺度分析思想相結(jié)合，利用Canny算法在高分辨率圖像的精確定位性與小波變換后的低分辨率圖像的抗噪聲能力相結(jié)合，從而消除噪聲的干擾，提取更加完整的邊緣。
?。?）將圖像匹配分為粗匹配和精匹配兩個步驟。在粗匹配計算中，首先確定待拼接的兩幅圖像之間的大致重疊區(qū)域，然后利用小波變換與Canny算法提取圖像邊緣，最后采用區(qū)域匹配法求得兩幅圖像的匹配點。
?。?）基于人眼的顏色視覺特性分析，本書提出了一種具有抗亮度干擾能力的彩色圖像色差度量方法。
（7）目標的特征描述是跟蹤算法中的重要步驟，直接影響最終的跟蹤效果，決定整個跟蹤系統(tǒng)的性能。
?。?）傳統(tǒng)的離線分類器需要人為標記大量的樣本訓練分類器，當待測樣本與訓練樣本具有較大差異時，無法及時適應(yīng)目標的外觀變化，且難以推廣到其他目標類型，分類器應(yīng)用具有局限性。
?。?）提出一種分布存儲環(huán)境下的并行幾何校正算法，每個處理器通過計算本地輸入子圖像在目標圖像中的范圍，確定其需要進行重采樣計算的區(qū)域，使計算過程中所需的數(shù)據(jù)均為本地數(shù)據(jù)，很好地解決了數(shù)據(jù)局部性問題。
?。?）基于圖像數(shù)據(jù)總體分布的統(tǒng)計，分析了飛行試驗圖像的成像質(zhì)量?；谌搜哿炼纫曈X特性曲線，結(jié)合小波變換和Curvelet變換特點，提出一種新的圖像增強方法，實現(xiàn)了無人機遙感序列圖像的自適應(yīng)增強處理。
?。?）提出結(jié)合小波變換和Canny算法的邊緣提取算法，該算法將Canny算法的非極大值抑制、雙閾值算法與小波變換多尺度分析思想相結(jié)合，利用Canny算法在高分辨率圖像的精確定位性與小波變換后的低分辨率圖像的抗噪聲能力相結(jié)合，從而消除噪聲的干擾，提取更加完整的邊緣。
?。?）將圖像匹配分為粗匹配和精匹配兩個步驟。在粗匹配計算中，首先確定待拼接的兩幅圖像之間的大致重疊區(qū)域，然后利用小波變換與Canny算法提取圖像邊緣，最后采用區(qū)域匹配法求得兩幅圖像的匹配點。
?。?）基于人眼的顏色視覺特性分析，本書提出了一種具有抗亮度干擾能力的彩色圖像色差度量方法。
（7）目標的特征描述是跟蹤算法中的重要步驟，直接影響最終的跟蹤效果，決定整個跟蹤系統(tǒng)的性能。
?。?）傳統(tǒng)的離線分類器需要人為標記大量的樣本訓練分類器，當待測樣本與訓練樣本具有較大差異時，無法及時適應(yīng)目標的外觀變化，且難以推廣到其他目標類型，分類器應(yīng)用具有局限性。
內(nèi)容簡介: 無人機航空遙感系統(tǒng)具有圖像分辨率高、圖像實時傳輸、適合高危地區(qū)作業(yè)、成本低、機動靈活等優(yōu)點，適用于低空高分辨率遙感數(shù)據(jù)的實時獲取，在區(qū)域性、工程性、災(zāi)害性和軍事性的遙感監(jiān)測中發(fā)揮著大型遙感系統(tǒng)難以替代的作用。無人機執(zhí)行遙感監(jiān)測任務(wù)時，需要實時傳輸其所獲取的圖像以及狀態(tài)數(shù)據(jù)，這就要求無人機航空遙感系統(tǒng)具備自動、高速地完成圖像的獲取、壓縮、傳輸、處理、顯示以及存儲等功能。其中，確保遙感圖像處理的精準性、實時性與可視性是無人機得以有效利用的重要前提條件。由于現(xiàn)有成像設(shè)備的性能所限，目前的航空遙感成像系統(tǒng)無法獲得大面積、高分辨率的觀測圖像，因此需要將獲取的序列遙感圖像進行在線動態(tài)拼接，以提高遙感圖像的信息獲取能力。本書結(jié)合無人機航空遙感具體的應(yīng)用需求，針對航空遙感圖像拼接技術(shù)中的幾項關(guān)鍵技術(shù)進行了研究和探討。內(nèi)容包括：圖像幾何畸變校正、灰度序列遙感圖像拼接、顏色空間與顏色相似性度量、彩色遙感圖像拼接、圖像特征提取方法、SVM機器學習算法、可變形模板的多目標跟蹤模型等。
本書可供信息科學、遙感科學和數(shù)理科學的科研人員和工程技術(shù)人員閱讀，還可以作為計算機科學與技術(shù)、自動化、電子工程、遙感技術(shù)等專業(yè)的研究生和高年級本科生的教學參考書。
本書可供信息科學、遙感科學和數(shù)理科學的科研人員和工程技術(shù)人員閱讀，還可以作為計算機科學與技術(shù)、自動化、電子工程、遙感技術(shù)等專業(yè)的研究生和高年級本科生的教學參考書。
目錄:第1章 緒論 1
1.1 無人機 2
1.2 無人機航空遙感系統(tǒng) 4
1.3 遙感圖像拼接技術(shù) 7
1.3.1 圖像匹配技術(shù) 8
1.3.2 圖像融合技術(shù) 12
第2章 遙感圖像的基礎(chǔ)理論及相關(guān)知識 17
2.1 遙感圖像幾何畸變校正 18
2.1.1 坐標系統(tǒng) 19
2.1.2 影像的內(nèi)外方位元素 20
2.1.3 空間直角坐標系的旋轉(zhuǎn)變換 21
2.1.4 共線方程 22
2.1.5 灰度重采樣 24
2.2 遙感圖像并行幾何校正算法 25
2.2.1 并行幾何校正算法 26
2.2.2 并行幾何校正算法的實驗結(jié)果與分析 31
2.3 遙感圖像對比度增強 34
2.3.1 直方圖修正法 34
2.3.2 直接灰度變換法 36
2.3.3 Wavelet與Curvelet變換相結(jié)合的圖像增強方法 39
2.4 實驗結(jié)果與分析 43
2.5 結(jié)論 45
第3章 灰度序列遙感圖像拼接 47
3.1 圖像邊緣檢測 48
3.1.1 微分算子法 49
3.1.2 Canny算法 49
3.1.3 數(shù)學形態(tài)學在邊緣檢測中的應(yīng)用 50
3.1.4 基于小波變換的邊緣檢測方法 51
3.2 小波變換與Canny算法相結(jié)合的邊緣檢測方法 52
3.2.1 小波基選擇 54
3.2.2 自適應(yīng)確定雙閾值 55
3.3 圖像匹配 57
3.3.1 匹配搜索區(qū)域計算 57
3.3.2 特征模板提取 59
3.3.3 匹配計算 59
3.4 圖像融合 62
3.4.1 失真程度 68
3.4.2 能量總和 69
3.4.3 能量最小化 71
3.5 實驗結(jié)果與分析 75
3.6 結(jié)論 77
第4章 顏色空間與顏色相似性度量 79
4.1 顏色空間分析 80
4.1.1 面向設(shè)備的顏色空間 80
4.1.2 面向視覺感知的顏色空間 83
4.1.3 均勻顏色空間 87
4.1.4 色差度量 90
4.2 顏色相似性度量 91
4.2.1 RGB與HSI顏色空間變換的特征 92
4.2.2 顏色相似系數(shù) 93
4.3 實驗結(jié)果與分析 95
4.4 結(jié)論 96
第5章 彩色遙感圖像拼接 99
5.1 顏色空間變換 100
5.2 色差計算 101
5.3 彩色圖像匹配 102
5.3.1 特征模板提取 102
5.3.2 匹配搜索策略 104
5.4 彩色圖像平滑 104
5.4.1 伽馬校正方法 105
5.4.2 亮度變換函數(shù) 106
5.4.3 平滑計算 106
5.5 實驗結(jié)果與分析 107
5.6 結(jié)論 110
第6章 圖像特征提取 111
6.1 圖像特征 112
6.1.1 LBP特征 112
6.1.2 Haar-like特征 115
6.1.3 SIFT特征 117
6.1.4 HOG特征 119
6.2 HOG特征的提取方法 120
6.2.1 圖像梯度計算 120
6.2.2 空間以及方向上的梯度統(tǒng)計 121
6.2.3 塊內(nèi)梯度直方圖的歸一化 122
6.2.4 最終HOG特征向量的生成 123
6.3 HOG特征的目標描述 124
6.4 實驗結(jié)果與分析 125
第7章 SVM機器學習算法 129
7.1 支持向量機(SVM)的原理 130
7.2 SVM分類器的數(shù)學模型 130
7.2.1 線性可分情況下的SVM模型 130
7.2.2 線性不可分情況下的SVM模型 134
7.2.3 非線性可分情況下的SVM模型 135
7.3 SVM分類器設(shè)計 136
7.4 HOG和SVM的目標外觀模型 137
7.4.1 目標外觀模型的建立 137
7.4.2 SVM分類器的訓練 138
第8章 可變形模板的多目標跟蹤模型 141
8.1 可變形模板 142
8.2 圖結(jié)構(gòu)模型 142
8.2.1 圖的基本概念 144
8.2.2 表示圖像結(jié)構(gòu)特征的圖 145
8.3 構(gòu)造最小生成樹 146
8.4 建立目標跟蹤模型 147
第9章 SVM在線學習的模型參數(shù)更新 151
9.1 在線學習的跟蹤算法 152
9.2 SVM在線學習的跟蹤框架 152
9.3 結(jié)構(gòu)化的SVM學習 154
9.3.1 結(jié)構(gòu)化的SVM 154
9.3.2 結(jié)構(gòu)化學習 155
9.4 實驗結(jié)果與分析 157
第10章 總結(jié)與展望 163
10.1 工作總結(jié) 164
10.2 未來工作的展望 165
參考文獻 167
1.1 無人機 2
1.2 無人機航空遙感系統(tǒng) 4
1.3 遙感圖像拼接技術(shù) 7
1.3.1 圖像匹配技術(shù) 8
1.3.2 圖像融合技術(shù) 12
第2章 遙感圖像的基礎(chǔ)理論及相關(guān)知識 17
2.1 遙感圖像幾何畸變校正 18
2.1.1 坐標系統(tǒng) 19
2.1.2 影像的內(nèi)外方位元素 20
2.1.3 空間直角坐標系的旋轉(zhuǎn)變換 21
2.1.4 共線方程 22
2.1.5 灰度重采樣 24
2.2 遙感圖像并行幾何校正算法 25
2.2.1 并行幾何校正算法 26
2.2.2 并行幾何校正算法的實驗結(jié)果與分析 31
2.3 遙感圖像對比度增強 34
2.3.1 直方圖修正法 34
2.3.2 直接灰度變換法 36
2.3.3 Wavelet與Curvelet變換相結(jié)合的圖像增強方法 39
2.4 實驗結(jié)果與分析 43
2.5 結(jié)論 45
第3章 灰度序列遙感圖像拼接 47
3.1 圖像邊緣檢測 48
3.1.1 微分算子法 49
3.1.2 Canny算法 49
3.1.3 數(shù)學形態(tài)學在邊緣檢測中的應(yīng)用 50
3.1.4 基于小波變換的邊緣檢測方法 51
3.2 小波變換與Canny算法相結(jié)合的邊緣檢測方法 52
3.2.1 小波基選擇 54
3.2.2 自適應(yīng)確定雙閾值 55
3.3 圖像匹配 57
3.3.1 匹配搜索區(qū)域計算 57
3.3.2 特征模板提取 59
3.3.3 匹配計算 59
3.4 圖像融合 62
3.4.1 失真程度 68
3.4.2 能量總和 69
3.4.3 能量最小化 71
3.5 實驗結(jié)果與分析 75
3.6 結(jié)論 77
第4章 顏色空間與顏色相似性度量 79
4.1 顏色空間分析 80
4.1.1 面向設(shè)備的顏色空間 80
4.1.2 面向視覺感知的顏色空間 83
4.1.3 均勻顏色空間 87
4.1.4 色差度量 90
4.2 顏色相似性度量 91
4.2.1 RGB與HSI顏色空間變換的特征 92
4.2.2 顏色相似系數(shù) 93
4.3 實驗結(jié)果與分析 95
4.4 結(jié)論 96
第5章 彩色遙感圖像拼接 99
5.1 顏色空間變換 100
5.2 色差計算 101
5.3 彩色圖像匹配 102
5.3.1 特征模板提取 102
5.3.2 匹配搜索策略 104
5.4 彩色圖像平滑 104
5.4.1 伽馬校正方法 105
5.4.2 亮度變換函數(shù) 106
5.4.3 平滑計算 106
5.5 實驗結(jié)果與分析 107
5.6 結(jié)論 110
第6章 圖像特征提取 111
6.1 圖像特征 112
6.1.1 LBP特征 112
6.1.2 Haar-like特征 115
6.1.3 SIFT特征 117
6.1.4 HOG特征 119
6.2 HOG特征的提取方法 120
6.2.1 圖像梯度計算 120
6.2.2 空間以及方向上的梯度統(tǒng)計 121
6.2.3 塊內(nèi)梯度直方圖的歸一化 122
6.2.4 最終HOG特征向量的生成 123
6.3 HOG特征的目標描述 124
6.4 實驗結(jié)果與分析 125
第7章 SVM機器學習算法 129
7.1 支持向量機(SVM)的原理 130
7.2 SVM分類器的數(shù)學模型 130
7.2.1 線性可分情況下的SVM模型 130
7.2.2 線性不可分情況下的SVM模型 134
7.2.3 非線性可分情況下的SVM模型 135
7.3 SVM分類器設(shè)計 136
7.4 HOG和SVM的目標外觀模型 137
7.4.1 目標外觀模型的建立 137
7.4.2 SVM分類器的訓練 138
第8章 可變形模板的多目標跟蹤模型 141
8.1 可變形模板 142
8.2 圖結(jié)構(gòu)模型 142
8.2.1 圖的基本概念 144
8.2.2 表示圖像結(jié)構(gòu)特征的圖 145
8.3 構(gòu)造最小生成樹 146
8.4 建立目標跟蹤模型 147
第9章 SVM在線學習的模型參數(shù)更新 151
9.1 在線學習的跟蹤算法 152
9.2 SVM在線學習的跟蹤框架 152
9.3 結(jié)構(gòu)化的SVM學習 154
9.3.1 結(jié)構(gòu)化的SVM 154
9.3.2 結(jié)構(gòu)化學習 155
9.4 實驗結(jié)果與分析 157
第10章 總結(jié)與展望 163
10.1 工作總結(jié) 164
10.2 未來工作的展望 165
參考文獻 167
京公網(wǎng)安備 11000002000088號
