电子设计工程
Electronic Design Engineering
第 27卷
Vol.27
第 10期
No.10
2019年 5月
May. 2019
收稿日期:2018-09-15 稿件编号:201809058
基金项目:陕西省高等教育教学改革研究项目(陕教〔2017〕372号);陕西邮电职业技术学院院级课题项目(陕邮
职院〔2017〕100 号)
作者简介:郭 艳(1980—),女,重庆人,硕士研究生,讲师。研究方向:软件开发。
目标提取是一种有效的图像分割技术,可在单
幅图像或完整的序列图像中,将既定目标与背景区
域进行完美的分割处理,该项技术手段能够对图像
中的物体实体进行解释识别,并根据识别结果对实
体目标进行特征提取。目标提取能够直接决定后续
识别跟踪性能的优劣,是图像提取领域一个至关重
要的组成环节。现阶段,目标提取技术主要应用于
计算机视觉处理、摄影遥感测量等多个领域,利用特
征点、线、面的提取结果,完成影像的匹配处理及三
维组织建模操作
[1- 2]
。传统 SIFT 图像特征提取方法
利用光谱信号的可变性模型研究低分辨率图像的目
标特征属性,并通过分析特征数据中异常点对图像
背景参数影响估计的方式,计算准确的稳健协方差
低分辨率图像弱小点目标特征准确提取方法
郭 艳
(陕西邮电职业技术学院 陕西 咸阳 712000)
摘要:传 统 SIFT 图 像 特 征提取 方 法存在 特 征点数 据 维度过 高 等弊端 。 为解决 上 述 问题 ,提出
MFANet 低分辨率图像弱小点目标特征准确提取方法。利用图像数据描述结果估计弱小点的稳健
参数,对图像目标进行分割及初始化处理,完成低分辨率图像的弱小点目标识别。在此基础上,利
用相似度量确定、图像目标特征的时域复合属性分析结果,计算 MFANet 提取描述子,完成新型低
分辨率图像弱小点目标特征准确提取方法的搭建。对比实验结果显示,与传统 SIFT 图像特征提取
方法相比,应用 MFANet 低分辨率图像弱小点目标特征准确提取方法后,特征点数据维度得到有效
控制,可将特征点数据维度降低 41.66%。
关键词:低分辨率;图像目标;特征提取;稳健参数;相似度量;时域复合
中图分类号:TN957 文献标识码:A 文章编号:1674-6236(2019)10-0065-04
An accurate method for extracting small target features from low resolution images
GUO Yan
(Shaanxi Post and Telecommunication College,Xianyang 712000,China)
Abstract: Traditional SIFT image feature extraction methods have disadvantages such as high dimension
of feature points and so on. In order to solve the above problems,a method of accurate feature extraction
from MFANet low resolution images is presented. The robust parameters of the weak points are estimated
by the image data description results,and the image targets are segmented and initialized to complete the
weak point target recognition of the low resolution image. On this basis,MFANet is calculated to extract
descriptors by using similarity measure determination and time domain composite attribute analysis
results of image target features,and a new method of extracting weak point target features accurately from
low- resolution images is established. Compared with the traditional SIFT image feature extraction
method,the MFANet method can effectively control the dimension of feature point data and reduce the
dimension of feature point data by 41.66%.
Key words: low resolution;image target;feature extraction;robust parameter;similarity measure;time
domain composition
-- 65