序列图像超分辨率联合重建算法

序列图像超分辨率重建研究方法一般分为2类。第一类,将低分辨率图像配准和超分辨率重建视为相互独立的2个过程,对低分辨率图像进行配准之后再估计高分辨率图像。然而,低分辨率图像中的混叠分量会影响配准精度,进而影响图像超分辨率重建。第二类,图像配准和超分辨率重建联合实现的方法,此类方法考虑了配准和重建的相互关系,能够减轻混叠对配准的不利影响。本文主要针对第二类方法中的3种典型算法进行综述分析和研究。     

边界片段模板方法在空间探测识别中的应用

以对具有复杂边缘的空间目标进行准确的检测识别为目的,提出一种基于边界片段模板(BoundaryFragment Model)训练模式的空间目标识别方法.方法的步骤是:首先从训练集中提取目标的边界片段组成弱分类器;然后使用Adaboost算法将它们提升训练成为强分类器;对方法进行旋转、尺度、视点的不变性增强;最后将训练好的强分类器模板应用到待识别图像上,进行目标的检测识别.实验结果表明,本方法对带有各种旋转,尺度,以及视点变化的具有复杂边缘空间有形目标具有较好的识别效果.     

遥感图像运动模糊恢复方法及评价标准研究

遥感成像系统与目标在曝光时间内的相对运动将导致成像的运动模糊。文章结合匀速直线运动造成的图像模糊特点,讨论图像模糊的产生机理并建立相关退化模型;利用点扩散函数（PSF）在频率域和空间域上分别对匀速直线运动产生的模糊图像进行恢复;验证各算法对高斯噪声的抗干扰性;提出使用HVS对比度的方法作为客观评价标准验证恢复算法的可行性,并与传统的灰度平均梯度（GMG）相对比表明该评价标准的合理性。     

BUAA-SID1.0空间目标图像数据库

随着太空竞争的加剧,空间目标监视及目标识别受到越来越多国家的重视。而空间目标图像数据库的缺乏直接影响了空间目标识别技术的研究进展。针对这一问题,建立了BUAA-SID1.0空间目标图像数据库。文章在分析空间目标图像数据库建立的背景和意义的基础上,介绍了数据库的建立方法,指出了数据库共享版本BUAA-SID-share1.0的内容,给出了两种识别算法在共享数据库上的测试结果。     

基于边缘特征的相位相关简化方法在空间目标运动估值中的应用

提出利用基于图像边缘特征的相位相关简化方法来进行空间目标平移运动的检测。为了能有效抑制噪声和亮度变化的影响，在传统互相关方法的基础上提出一种先提取目标的边缘特征，再利用傅里叶平移特性进行归一化相位相关处理的检测方法，从而实现两幅相似图像间的相对平移矢量的准确估计，它较比时域方法和基于灰度信息的互相关方法能获得更准确的检测结果和更强的噪声抑制能力。同时，为满足系统实时性的要求，还采用了将二维图像映射为一维信号的简化方法，将程序执行时间缩短了4倍。仿真实验结果显示，利用边缘特征的简化方法对于受到严重噪声干扰的空间运动目标具有很好的检测结果，进一步证明了算法的有效性和实用性。