基于无字典模型的红外与可见光图像融合分类
针对传统图像分类识别方法采用单一传感器获得图像存在的局限和不足,提出了一种基于红外和可见光融合的分类算法.首先分别对红外图像和可见光图像提取密集型尺度不变特征变换(D-SIFT),然后采用无字典模型(CLM)变换,并利用空间金字塔匹配(SPM)进行精细划分,最后用混合核支持向量机(SVM-CK)方式将红外和可见光在特征级融合并分类.在VAIS和RGB-NIR两个数据库上对该方法进行验证,融合后分类精度分别比单一图像源均有较大提高;与BoVW方法比较,精度分别提高了4.7%和12.1%.证明多数据源融合的方法综合了红外和可见光各自成像的优势,使获得的特征信息更完善,分类效果显著高于单一数据源的分类结果.
模式识别、图像分类、码书较少模型、多核融合、红外图像、可见光图像
45
TP751.1(遥感技术)
装备预研项目41416060103
2018-05-18(万方平台首次上网日期,不代表论文的发表时间)
共6页
71-76