可见光-近红外HSV融合的场景类字典稀疏识别

发布时间：2024-06-05 20:29

　　自然场景识别作为模式识别的一个重要分支,在无人车及机器人应用方面有着十分重要的研究价值。然而图像成像场景复杂多变,单一彩色场景图像信息不够丰富,使得场景识别的精度难以提升。而多源图像融合可以改善实际应用系统的可靠性、鲁棒性,提高图像信息的利用效率,结合不同传感器的信息互补优势,可以做到更全面的描述及识别待测场景图像与目标。随着可见光-近红外共平台成像系统的普及,智能化自然场景识别正在成为当前的研究热点。为此,针对典型自然场景智能观测的需求,本研究课题提出一种将近红外图像和可见光图像融合并应用在类字典稀疏场景识别框架上的方法。首先把待测场景对应的可见光图像通过亮度图像编码变换到HSV空间,并将HSV空间中的亮度通道替换为近红外图像;之后将替换后的图片还原到RGB空间,得到融合的彩色图像;然后进行全局GIST特征和局部PHOG特征的提取与融合;最后结合类字典稀疏识别得到场景分类结果。实验结果表明,在RGB-NIR数据库上的实验识别精度达到了74.75%,高于其它相关方法,通过数据分析可见,融合近红外信息的场景图像的识别精度高于未融合时的识别精度,换言之,提出的近红外图像融合的思路能够使得场...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

(i)water图1.1RGB-NIR场景数据库部分示例如图1.1所示，每个类别都有对应的相同数目的可见光图像和近红外图像。从数据库的图像可以看出，有些类别的类间差异很大，而有些类别的类间差异又很小，比如county和indoor这两种类别大家都很容易区分，但是....

常见的场景分类的类别有人造、自然、室内、室外等，或者划分再具体一点还能够分为建筑物、城市、乡村、街道、河流、山川等，所以由于场景本身的复杂性和多样性使得场景识别精度一直难以得到大幅提高。如图2.1，Bosch等把场景识别技术分成使用低层图像特征和使用中层语义特征两种分类方法[29....

便开始以人工神经网络（artificialneuralnetwork地。深度学习的目的是通过分层网络获取分层次机器学习算法解决特征需要人工设计的重要难题法的框架，其核心是特征学习，从大类上可以归变化。在场景识别中也有许多研究学者使用深度得了许多意想不到的成果。器学习和人工神经....

电大学硕士研究生学位论文第三章可见光—近红外图像信息进行集成，来减少单一信息在环境解释中可能造成的多义性、不确定性和而最大限度地利用各种信息源，最终提高系统特征提取、分类、目标识别等方。目前大部分的图像融合都在像素级进行，融合的过程是挨个处理图像中存通过对多幅图像进行的像素级....

本文编号：3989901