单目标图像的目标区域提取

西安理工大学

研究生课程论文

课程名称：数字图像分析

课程代号：

任课教师：

论文题目：单目标图像的目标区域提取完成日期：2015 年 1 月13 日学科：

姓名：

单目标图像的目标区域提取

摘要：图像分割的目的是将图像划分为不同的区域，区域增长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程，分裂合并是根据一致性准则处理目标和背景之间灰度渐变图像的典型算法。本文以单目标图像为对象，通过区域增长和分裂合并的方法实现了对目标区域的提取，并对实验结果进行了分析。

关键字：图像分割；区域增长；分裂合并；二值化

Abstract：The purpose of image segmentation is to divide the image into different areas, regional growth is a kind of according to predefined criteria will become more pixels or subdomain polymerization process of large area, split the merger is processed according to the consistency criterion between target and background gray gradient image of typical algorithm. Based on the single target image as the object, through regional growth and division merge method to extract the target area is achieved, and the experiment results are analyzed.

Key words：Image segmentation;Regional growth;Split the merger;binarization 1引言

数字图像处理的目的之一是图像识别, 而图像分割与测量是图像识别工作的基础。图像分割是将图像分成一些有意义的区域, 然后对这些区域进行描述, 相当于提取出某些目标区域图像的特征, 判断图像中是否有感兴趣的目标。图像分割是图像处理到图像分析的关键步骤,在图像工程中占据重要的位置。一方面,它是目标表达的基础,对特征测量有重要的影响。另一方面,因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式,使得更高层的图像分析和理解成为可能。

2技术分析

2.1图像分割

图像分割就是将待处理的图像表示为物理上有意义的连通区域的集合，一般是通过对图像的不同特征如纹理、颜色、边缘、亮度等特征的分析，来达到图像

分割的目的。图像分割通常是为了进一步对图像进行分析、理解、识别、处理、跟踪等，分割的准确性直接影响到后续任务的有效性，因此分割在图像处理中具有十分重要的意义。

图像分割可以依据图像中每个像素的颜色、灰度、纹理信息和几何性质等特征，将图像中具有某些特殊含义的不同区域区分开，分割后所形成的这些区域是互不重叠的，并且每个区域都满足特定区域的一致性。分割出来的区域应该同时满足]1[：

（1）分割出来的图像区域的均匀性和连通性。

（2）相邻分割区域之间针对选定的某种特征具有明显的差异。

（3）分割区域边界应该规整，同时保证边缘的空间定位精度。

根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：a.阈值法；b.区域生长和分裂合并法；c.基于统计学的算法。常见的经典的图像分割技术有：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。串行区域分割技术指采用串行处理的策略通过对目标区域的直接检测来实现图像分割的技术, 它的特点是将整个处理过程分解为顺序的多个步骤逐次进行, 对后继步骤的处理要对前面已完成步骤的处理结果进行判断而确定。这里的判定要根据一定的准则, 一般来说如果准则是基于图像灰度特性的, 则这个方法可以用于灰度图像分割。基于区域的串行分割技术有两种基本的形式, 一是从单个象素出发, 渐渐合并以形成所需的分割区域, 二是从整个图出发, 分裂切割至所需要的分割区域, 第一种方法的典型技术就是区域增长。本文主要讨论的就是区域增长算法和分裂合并算法。

2.2区域增长算法

基于区域生长的算法的基本思想是把具有相似性质的像素归并在同一个区域内。像素的相似性判定包括图像的纹理信息、灰度值、颜色等其他像素特性。该算法首先对需要分割的每个区域选取一个种子像素，作为区域生长的起点位置，然后将种子像素与周围邻域内的像素进行相似性比较，如果满足约定好的相似性准则或生长准则，就把当前比较的像素合并到种子像素所在的区域。再利用新合并进去的像素作为种子点，与它周围的像素进行相似性比较，直到没有满足条件的像素可以被合并进来就表示完成了一个区域的生长过程。

下图中给出了一个已知种子点进行区域生长的示例。图 2-1(a)表示需要分割的图像，设已知有两个种子像素（用下划线标注），现进行区域生长。这里选

取的合并准则是：如果种子像素的灰度值与邻域像素的灰度值之差小于等于门限值 T ，则将当前比较的像素归并到种子像素所在的区域。图 2-1(b)给出了 T=3 时的结果，图像被分割为两个区域。图 2-1(c)给出的是 T=1 时的结果，从图中可以看出分割结果中存在着较小的区域，产生了过分割现象。图 2-1(d)给出的是当 T=6 时的分割结果，该图显示图像中的所有像素都在一个区域内，没有达到分割图像的目的。因此可见，门限值的选取对于分割结果的好坏起着决定性的作用]3[。

(a)原图 (b)T=3

(c)T=1 (d)T=6

图2-1原图像和 T 取不同值的区域生长结果

算法的好坏取决于三个要素：（1）如何选择一组能够正确代表所选区域的种子像素；（2）如何确定在生长过程中能将相邻像素合并进来的准则；（3）如何确定生长终止的条件或规则。其优点是当区域的相似性准则和生长终止的条件比较容易找到时，可以取得较好的分割效果。但是，该算法在生长过程中考虑的只是当前种子点像素与周围邻域像素的相似性也即仅考虑了图像的局部信息，没有考虑生长的过程，对于变化特征比较缓慢的图像不能得到较好的分割效果。另外，种子像素点的选取和生长准则的确定直接影响到分割的效果图，如果选取不当则可能造成过分割或不能有效分割的问题（如图 2-1(c)和图2-1(d)所示）。

区域增长的关键是相似性准则也即区域生长准则的选取，相似性准则依赖于图像的灰度、纹理等信息。使用不同的增长准则会影响到图像的最终分割结果。

关于图像特征提取

关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特

数字图像目标分割与提取研究背景意义目的与现状

数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅

图象视觉特征的提取与表示

第1章图像视觉特征的提取和表示 1.1引言 图像视觉特征的提取和表示是将图像的视觉信息转化成计算机能够识别和处理的定量形式的过程，是基于视觉内容的图像分类与检索的关键技术，因此，图像视觉特征的提取和表示一直是图像内容分析领域中一个非常活跃的课题。 图像底层视觉特征一定程度上能够反映图像的内容，可以描述图像所表达的意义，因此，研究图像底层视觉特征是实现图像分类与检索的第一步。一般来说，随着具体应用的不同，选用的底层特征也应有所不同，在特定的具体应用中，不同底层视觉特征的选取及不同的描述方式，对图像分类与检索的性能有很大的影响。通常认为，一种良好的图像视觉特征的提取和表示应满足以下几个要求： (1)提取简单，时间和空间复杂度低。 (2)区分能力强，对图像视觉内容相似的图像其特征描述之间也应相近，反之，对于视觉内容不相似的图像其特征描述之间应有一定的差别。 (3)与人的视觉感知相近，对人的视觉感觉相近的图像其特征描述之间也相近，对人的视觉感知有差别的图像其特征描述之间也有一定的差别。 (4)抗干扰能力强，鲁棒性好，对图像大小，方向不敏感，具有几何平移，旋转不变性。 本章重点讨论当前比较成熟的特征提取方法，在此基础上选取合适的特征提取方法，用于图像分类与检索系统的特征提取模块。接下来，将依次介绍颜色，纹理，形状等特征的提取和表示方法，最后对各种特征的特点加以比较。 1.2颜色特征的提取和表示 颜色是图像视觉信息的一个重要特征，是图像分类与检索中最为广泛应用的特征之一。一般来说同一类别的图像之间颜色信息具有一定的相似性，不同类别的图像，其颜色信息具有一定的差异。相对几何特征而言，颜色特征稳定性好，有对大小、方向不敏感等特点。因此，颜色特征的提取受到极大重视并得到深入研究。本章首先介绍几种常用的颜色空间模型，然后介绍各种颜色特征提取和表示方法。 1.2.1颜色空间模型 为了正确地使用颜色这一特征，需要建立颜色空间模型，通常的颜色空间模型可用三个基本量来描述，所以建立颜色空间模型就是建立一个3-D坐标系，其中每个空间点都代表某一种颜色。通常来说，对于不同的应用，应该选取不同的颜色空间模型。常用的颜色空间模型主要有：RGB、HIS、HSV、YUV、YIQ、Munsell、Lu*v*和La*b*等。颜色空间模型的选取需要符合一定的标准，下面就这一标准和最常用的颜色空间模型作一些介绍。 文献[错误！未找到引用源。]中介绍了选择颜色空间模型的标准主要有以下几个： (1)观察角度的鲁棒性

图像特征提取总结

图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实

遥感专题讲座——影像信息提取(四、面向对象特征提取)

面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。

影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢

单目标图像的目标区域提取

西安理工大学 研究生课程论文 课程名称：数字图像分析 课程代号： 任课教师： 论文题目：单目标图像的目标区域提取完成日期：2015 年 1 月13 日学科： 姓名：

单目标图像的目标区域提取 摘要：图像分割的目的是将图像划分为不同的区域，区域增长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程，分裂合并是根据一致性准则处理目标和背景之间灰度渐变图像的典型算法。本文以单目标图像为对象，通过区域增长和分裂合并的方法实现了对目标区域的提取，并对实验结果进行了分析。 关键字：图像分割；区域增长；分裂合并；二值化 Abstract：The purpose of image segmentation is to divide the image into different areas, regional growth is a kind of according to predefined criteria will become more pixels or subdomain polymerization process of large area, split the merger is processed according to the consistency criterion between target and background gray gradient image of typical algorithm. Based on the single target image as the object, through regional growth and division merge method to extract the target area is achieved, and the experiment results are analyzed. Key words：Image segmentation;Regional growth;Split the merger;binarization 1引言 数字图像处理的目的之一是图像识别, 而图像分割与测量是图像识别工作的基础。图像分割是将图像分成一些有意义的区域, 然后对这些区域进行描述, 相当于提取出某些目标区域图像的特征, 判断图像中是否有感兴趣的目标。图像分割是图像处理到图像分析的关键步骤,在图像工程中占据重要的位置。一方面,它是目标表达的基础,对特征测量有重要的影响。另一方面,因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式,使得更高层的图像分析和理解成为可能。 2技术分析 2.1图像分割 图像分割就是将待处理的图像表示为物理上有意义的连通区域的集合，一般是通过对图像的不同特征如纹理、颜色、边缘、亮度等特征的分析，来达到图像

图像特征提取综述

图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性： 边缘 边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角 顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。 区域 区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。 脊 长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。 特征提取 检测到特征后提取出来，表示成特征描述或者特征向量。 常用的图像特征：颜色特征、 纹理特征 形状特征 空间关系特征。 1.颜色特征 1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。 优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。 缺点：不能表达颜色空间分布的信息。 1.2特征提取与匹配方法 （1）颜色直方图 适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。 匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。 对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。 统计直方图 为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即： 上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。

图像目标提取及特征计算

摘要 对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象 目标或对象特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 本课设需要解决的问题是，利用阈值分割方法，对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法，而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。 关键词：阈值分割，边缘检测，像素点

1 绪论 目标的特征提取是图像处理和自动目标识别(ATR)中的一个重要的研究课题，是解决图像识别问题的难点和关键。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。

2 设计原理 2.1 常用的特征提取的方法 提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。 本课程设计是采用的第一种方法，即先对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法，而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。其中计算周长时，先需要对二值图像进行边缘检测，然后再统计其像素点。 2.2 阈值分割原理 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。 2.2.1 阈值分割思想和原理 阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。设原始图像为f(x，y)，按照一定的准则f(x，y)中找到特征值T，将图像分割为两个部分，分割后的图

遥感影像道路网自动提取的研究_李燕

收稿日期:2003-03-28作者简介:李燕(1977-),女,四川成都人,硕士研究生,主要从事遥感图像处理与应用、模式识别研究。 遥感影像道路网自动提取的研究 李 燕,余旭初 (解放军信息工程大学测绘学院,河南郑州 450052) Road Automatic Extraction from Remote Sensor Image LI Yan,YU Xu -chu 摘要:详细分析了道路的影像特征,建立了道路网描述模型。对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。本项研究力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组;基于道路模型对道路段进行识别;再利用道路的全局性约束知识对道路段进行重组,弥补了局部编组下的缺点。进行道路的分支和交叉的检测形成道路网。 关键词:影像理解;道路模型;感知编组;知识表达;知识推理;特征提取;几何结构信息中图分类号:P237 文献标识码:B 文章编号:1671-3044(2003)03-0011-05 1 引 言 近年来,遥感技术迅猛发展,而人们对遥感信息的认识和利用程度要远远落后于通过空间和航空系 统获取信息源的速度。从影像获取信息是人类获得知识的主要来源之一,如何自动处理、解译海量的图像数据是在整个社会信息化过程中面临的重要问题。从遥感图像中识别各种目标,是图像处理和目标识别的一个重要研究课题。道路自动识别是其中一个基本的、常见的问题。道路网是非常重要的基础地理信息,它的识别和精确定位对GIS 数据获取、影像理解、制图以及作为其他目标的参照体都有深远的意义。在过去的二十多年里,道路的提取在摄影测量界和计算机视觉界受到了广泛的重视,针对不同的影像类型,不同的影像分辨率,不同区域的影像和不同的道路类型,人们提出了许多从航空和遥感图像中自动提取道路的方法。但由于道路在遥感图像中的表现形式十分复杂,对不同比例尺的影像难以用固定的参数或特征描述,而只能用一些抽象的语句来描述。对于同一算法,不同的环境、不同的传感器、不同的图像、不同的成像条件等等会造成提取结果的极大差异,因而造成了自动识别的困难,使得自动提取道路信息成为一个难度很大的课题。目前仍然没有足够可靠和实用的自动识别软件。 本文以低分辨率影像乡村道路网的自动提取为对象,研究了以道路模型为基础,基于感知编组从遥感图像中自动提取道路网的方法。详细分析了道路的影像特征,建立了道路网描述模型。在道路识别过程中,对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组,然后基于道路模型对道路段进行识别,再利用道路的全局性约束知识,如功能特征、拓扑特征、上下文特征等对道路段进行重组,弥补了局部编组下的缺点,最后进行道路的分支和交叉的检测形成道路网。2 道路描述模型 如何在实际图像中检测道路,关键问题是对现实世界中的道路进行正确的描述和理解,建立合适的道路模型。描述现实世界中的道路已经有很多学者做了研究,Garnesson 与Vosselman 等指出,道路的特征可以分为功能特征(functional)、几何特征(geometric)、辐射特征(photometric )、拓扑特征(topologic)、光谱特征和关联或上下文特征(contextual)等六个方面。本文重点研究低分辨率乡村主要道路的自动提取,我们抽象出道路的描述模 第23卷第3期2003年5月 海 洋 测 绘 H YDROGRAPHIC SURVEYING AND CHARTING V ol 123,No 13M ay ,2003

遥感卫星影像数据信息提取.

北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。

图像特征提取matlab程序

%直接帧间差分，计算阈值并进行二值化处理（效果不好） clc; clear; Im1 = double(imread('lena.TIF')); %读取背景图片 Im2 = double(imread('lena.TIF'); %读取当前图片 [X Y Z] = size(Im2); %当前图片的各维度值 DIma = zeros(X,Y); for i = 1:X for j = 1:Y DIma(i,j) =Im1(i,j) - Im2(i,j); %计算过帧间差分值 end end figure,imshow(uint8(DIma)) %显示差分图像 title('DIma') med = median(DIma); %计算二值化阈值：差值图像中值 mad = abs(mean(DIma) - med); %中值绝对差 T = mean(med + 3*1.4826*mad) %初始阈值 Th =5*T; %调整阈值 BW = DIma <= Th; %根据阈值对图像进行二值化处理 figure,imshow(BW) %se = strel('disk',2); %膨胀处理 %BW = imopen(BW,se); %figure,imshow(BW) %title('BW') [XX YY] = find(BW==0); %寻找有效像素点的最大边框 handle = rectangle('Position',[min(YY),min(XX) ,max(YY)-min(YY),max(XX)-min(XX)]); set(handle,'EdgeColor',[0 0 0]); hei = max(XX)-min(XX); %边框高度 mark = min(YY)+1; while mark < max(YY)-1 %从边框左边开始到右边物质循环，寻找各个人体边缘 left = 0;right = 0; for j = mark:max(YY)-1 ynum = 0; for i = min(XX)+1 : max(XX)-1 if BW(i,j) == 0; ynum = ynum + 1;

SAR图像自动目标提取方法研究

SAR图像自动目标提取方法研究 合成孔径雷达(Synthetic Aperture Radar,SAR),由于具有全天时、全天候的工作特点,成为目前一种不可或缺的遥感观测手段,在军事和民用领域得到了广泛的发展。SAR图像自动目标提取是其应用的重要方向之一,该技术的研究近年来受到国内外学者的广泛关注。 本论文以发展实用化的SAR图像自动目标提取技术为目的,结合自动目标提取相关理论和应用背景,针对其中的复杂场景SAR图像目标检测、复杂场景SAR 图像目标鉴别和面向鉴别特征提取的目标切片图像分割问题,展开系统的分析和研究,具体内容如下:第一部分,研究了多目标和杂波边界等复杂场景SAR图像中的目标检测问题。对于复杂场景中的目标检测问题,背景参考窗内均匀同质杂波像素的筛选是问题解决的关键,通常采用像素筛选或半窗筛选的策略实现。 通过比较传统像素筛选类和半窗筛选类检测算法的各自优势,在背景杂波服从G~0分布模型假设下,提出了一种基于自动区域筛选的恒虚警率(Constant False Alarm Rate,CFAR)目标检测算法。该算法首先将局部参考窗均匀划分成若干个区域块;然后利用变化指数统计量对局部参考窗内的参考区域进行筛选,以剔除其中具有异质像素干扰的非均匀区域;接着利用均值比统计量对参考窗内的同质均匀区域进行合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选获得的均匀同质区域内的杂波像素对背景杂波的统计模型进行参数估计,进而实现待检测区域内像素的目标检测。 第二部分,从图像超像素分割角度出发,进一步研究了复杂场景SAR图像中的目标检测问题。随着SAR图像分辨率的逐渐提高,目标在图像上的形状结构越来越清晰。

数字图像处理matlab目标提取

河北农业大学 数字图像处理课程设计 图像颜色校正 院系：信息科学与技术学院 专业班级：电子0901班 姓名：李文娟 学号：2009234020119 2011年12月9日

1.设计目标 颜色是图像的一种重要特征，对于图像分割、目标检测与识别、图像检索等领域的研究具有重要意义。物体在不同光源下呈现的颜色是不同的。不同的光照环境，将会导致采集的图像的颜色之间存在一定程度的偏差，这种偏差将会影响后续图像分析的准确度。故寻求颜色校正算法来消除或减弱光照环境等对颜色显现的影响。灰度世界算法是以灰度世界假设为基础，假设认为对于一幅有着大量色彩变化的图像R 、G 、B 三个分量的平均值趋于同一个灰度值。改良算法基于图象熵约束的灰度世界算法，利用图像的熵来约束增益系数，从而防止过校正现象。在改良的基础上可以利用灰度阶分层的方法对图像中像素值偏小的进行处理，从而增强图像的亮度。 2.设计原理 2.1灰度世界法 灰度世界算法是以灰度世界假设为基础，假设认为对于一幅有着大量色彩变化的图像R 、G 、B 三个分量的平均值趋于同一个灰度值。 （1）首先利用公式 ，， 计算出R 、G 、B 三个通道的平均值B G R 、、，（N 为图像的像素总数，Bi Gi Ri 、、分别为校正前第i 个像素的红绿蓝三个分量） 令图像的平均灰度值 )(3 1 B G R Grey ++= （2）求R 、G 、B 三个通道的增益系数，用如下公式： ，， 则对于图像中的每一个像素点C ，其校正后的三个通道为' ' ' ,,B G R ： kr Ri R *'= ，kg Gi G *'=，kb Bi B *'= （3）将图像各个像素的' ' ' ,,B G R 三个分量调整到可以显示的范围[0,255]之内，首先要求出图像中所有' ' ' ,,B G R 的最大值MAXval,令factor= MAXval/255，如果factor>1则对于图像中每个像素重新调整。其' ' ' ,,B G R 得到新的' '' '' ',,B G R ，用如下公式计算： factor R R '' '=，factor G G '''=，factor B B '' '= 2.2基于图像熵的灰度世界法 原理：利用图像熵来约束增益系数，从而防止过校正现象。 步骤：在完成灰度世界步骤2中kr 、kg 、kb 之后进行。 （1）首先对图像三个颜色通道分别计算一维离散相对熵Hr ：

图像目标提取及特征计算

武汉理工大学《专业综合》课程设计说明书 摘要 对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象 目标或对象特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 本课设需要解决的问题是，利用阈值分割方法，对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法，而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。 关键词：阈值分割，边缘检测，像素点

目录 摘要 ..................................................................................................... I 1 绪论 (1) 2 设计原理 (2) 2.1 常用的特征提取的方法 (2) 2.2阈值分割原理 (2) 2.2.1 阈值分割思想和原理 (2) 2.2.2 全局阈值分割 (3) 2.2.3 自适应阈值 (4) 2.3 边缘检测原理 (4) 2.4 图像物体中心位置的确定 (6) 3 设计程序与仿真结果 (7) 3.1 提取目标的二值图像 (7) 3.2 计算目标的面积 (8) 3.3 计算目标的周长 (9) 3.4 计算目标的中心坐标 (9) 4 心得体会 (11) 参考文献 (12)

1 绪论 目标的特征提取是图像处理和自动目标识别(ATR)中的一个重要的研究课题，是解决图像识别问题的难点和关键。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。

图像特征提取方法

图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。

设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的

遥感特征提取物具体步骤

1遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。目前影像都是基于数字，影像信息的提取方法的发展历程可分为如图1所示，目前这四类方法共存。 图1 影像信息提取发展阶段 非监督分类步骤监督分类步骤 2三大分类方法的对比 利用传统的遥感影像分类方法, 如监督分类或非监督分类, 易造成分类精度降低, 空间数据大量冗余以及资源的浪费,面向对象的分类方法正是为了处理这些问题而出现, 面向对象的分类方法是一种智能化的自 动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象。面向对象的方法利用遥感影像结构信息和光谱信息, 并建立这些特征之间的层次关系的基础上, 对影像进行分类。面向对象分类方法的关键在于图像分割, 而图像分割方法多种多样, 如何选择科学合理的图像分割方法十分重要，实验证明多尺度图像分割方法综合了图像的光谱!形状!结构!纹理!相关布局等信息, 是目前较为理想的图像分割方法。（采用面向对象分类的方法，可使用专业遥感图像分类软件eCognition4.0） 3面向对象的分类方法

面向对象的技术流程图 3Envi_ENVI FX简介 全名叫“面向对象空间特征提取模块—Feature Extraction”，基于影像空间以及影像光谱特征，即面向对象，从高分辨率全色或者多光谱数据中提取信息，该模块可以提取各种特征地物如车辆、建筑、道路、桥、河流、湖泊以及田地等。该模块可以在操作过程中随时预览影像分割效果。该项技术对于高光谱数据有很好的处理效果，对全色数据一样适用。对于高分辨率全色数据，这种基于目标的提取方法能更好的提取各种具有特征类型的地物。一个目标物体是一个关于大小、光谱以及纹理（亮度、颜色等）的感兴趣区域。 应用于：1】从影像中尤其是大幅影像中查找和提取特征 2】添加新的矢量层到地理数据库 3】输出用于分析的分类影像 4】替代手工数字化过程 ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如图所示

遥感影像信息提取与分析_沈占锋

计算机世界/2006年/7月/31日/第B15版 技术专题 Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,是具有自主知识产权的软件产品。 遥感影像信息提取与分析 沈占锋 近年来，一系列高分辨率卫星的相继上天，高分辨率卫星遥感的应用也因此成为可能，也凸现出遥感影像数据处理的重要性日益显现。遥感影像数据处理的主要内容就是对遥感数据（主要是高分辨率遥感影像数据）进行自动（半自动）图像处理分析，从而获取人们需要的信息。 Taries软件是具有自主知识产权的软件产品，由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析，其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。它是集矢量和栅格于一体化的软件系统。 Taries主要功能 1. 影像处理 （1）采用几何精纠正方法：建立基于空间投影理论与有限控制点的全局自适应方法，并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。 （2）实现多源遥感影像信息的特征级融合: 在像元级、高精度的多源遥感信息分析技术基础上，发展了各种特征估计器和融合评判规则，建立特征级的多源遥感信息融合的方法以及相应的算法。 2. 影像信息提取 （1）在复杂环境中的目标信息增强: 采用具有空间自适应能力的目标特征的信息增强模型与方法，特别是弱目标信息的增强方法，并对无关背景信息进行抑制。 （2）高分辨率影像分割: 基于空间特征（包括纹理特征、形状特征和动态特征）以及高维统计特征，采用面向特征的高分辨率影像分割技术（如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等）。 （3）基于智能计算模型的目标特征提取: 基于神经网络、支撑向量机等智能计算模型，研究和发展针对目标的纹理特征、结构特征的提取方法，并实现相应算法。 （4）目标识别与提取系统原型: 采用组件技术，研制开发目标识别与提取软件系统原型，包括影像精处理、目标单元分割与特征提取、目标识别等模块。 3. 矢量数据显示、处理与分析 （1）兼容ArcGIS SHP等矢量数据存储格式，能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。 （2）基于底层数据模型，能够实现基于Taries软件的矢量数据的修改功能，包括基本对象（点、线、面）的增、删、改等操作。 （3）基于相应的矢量数据建立拓扑关系，并在此基础上进行相应的空间分析功能（如最优路径查询分析等）。 （4）具有常规的矢量数据显示软件的基本功能，并可在此基础开发进一步的应用（如移动目标定位与车辆跟踪系统等）。 关键技术