四川省芦山“4·20” 7.0级地震公路灾情遥感监测评估

四川省芦山“4·20” 7.0级强烈地震发生后,次生地质灾害造成多处公路损毁,快速、准确地监测公路灾情,是应急救灾一项基础而重要的工作。遥感影像信息提取是获取公路灾情的一种有效途径。利用震后机载航空影像与国产卫星影像,结合交通运输部相关基础数据,对公路灾情开展了监测与评估。在公路周边共发现433处地质灾害点,灾害类型以崩塌为主。其中对公路已造成影响的灾害点197处,损毁公路总长度约10 km。另有潜在危险性较大的灾害点63处,对公路构成严重威胁,需注意加强防范。经实地验证,公路灾情信息提取结果真实可靠。信息提取与分析结果已分别在震后第二天和第三天上报到交通运输部,为高效地组织开展公路抢修保通提供了科学的依据。     

基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

改进Mask R-CNN在航拍灾害检测的应用研究

目标检测在众多领域具有极高的理论意义与应用价值，更稳定、更精确的目标检测方法是目前灾害检测领域研究的热点与难点。将基于深度学习的目标检测方法应用于灾害检测中，提出基于改进Mask R-CNN的航拍灾害检测方法。针对检测中出现的准确率较低，采用改进特征金字塔的结构，充分利用特征映射图的信息，提高各尺寸灾害目标的检测精度；并引入在线困难样本挖掘机制，解决正负样本不均衡的问题，减少误检率和漏检率。同时采用多部件结合的方法剔除误检目标。为验证该方法的有效性，在Tensorflow深度学习框架上，选取不同高度的森林火灾、滑坡、泥石流、地震航拍图像进行验证实验。结果表明，该方法能实现对不同类型的灾害进行快速而又准确的检测，同时对基于其他应用背景的目标识别研究也具有一定的参考意义。     

基于Canny边缘SURF特征的红外与可见光图像配准算法

利用多源传感器之间获取信息的互补性,克服单传感器的缺陷,从而提高系统整体性能指标的思想已经在军事、医疗、卫星等领域获得了广泛的应用。可见光和红外图像相融合也能提高视觉应用场景中对目标的探测能力,降低目标警报的虚警率和漏警率,提升准确率和工作效益。对于红外与可见光图像配准过程中受不同传感器图像成像原理不同,成像结果图像灰度差异大、特征难以匹配的问题,可以利用红外和可见光图像的共有特征即边缘轮廓特征,采用Canny边缘提取算法提取出图像最基本、稳定的特征,然后在边缘图中使用SURF特征检测算法进行特征点提取与匹配,最后采用RANSAC进行精准匹配。由于边缘在红外和可见光图像中都是比较稳定的特征,而且在边缘轮廓图中进行特征提取将极大减少计算量和提高匹配率,因而最终能够获得较为准确的红外、可见光图像的变换关系。     

Government ecological governance management based on heterogeneous multi-processors and dynamic image sampling

With the advent of the governance economy era, traditional government governance models face enormous challenges. Governance management is the source of power to enter the era of the knowledge economy. This is a profound change that governments have needed to implement innovative government governance models, methods of social organization, and management. Governments in many countries are now adopting the construction of e-government as a strategy and response to demonstrate their priority development competitive advantage over the international competition and the challenges of the knowledge economy that spreads around the world. Therefore, the establishment of a new model of government governance has great theoretical and practical significance for impulse and government management innovation. The Dynamic Image Classification Algorithm (DICA) system is introduced in the implementation of the image processing technology and global disaster detection proposed here, and of this dynamic image classification algorithm (DICA) of the government, sector to extract more effectively. DICA is the most important task, or it is a strong shadow, proper access to the characteristics of the disaster area, and a false impact on the impact of the disaster, overcoming false alarms. It creates patches of post-disaster aerial image data from pre-tailoring and pre-adjustment training and satellite imagery. DICA training, all patches to government-managed data modified without delay or image data extraction. Two types of proposed systems are high-speed operation and accuracy (96.6%) and detection of earth disasters.     

基于GLRT的光学卫星遥感图像舰船目标检测

传统的CFAR检测应用到光学卫星遥感图像舰船目标检测中时不能对黑极性目标进行判断,针对此提出改进的基于广义似然比检验(Generalized Likelihood Ratio Test,GLRT)的舰船目标检测算法。该算法采用滑动窗口检测形式,在假设背景和目标灰度均服从高斯分布的前提下,通过GLRT判断背景窗口与目标窗口是否同分布来检测目标,兼顾了目标黑白两种极性的情况。算法实现中对图像进行了分块检测,并通过形态学处理对检测结果进行了目标聚类。采用SPOT5与CBERS实测数据进行实验,验证了海背景服从高斯分布的假设。典型数据检测结果表明,该算法可以检测黑极性目标,且相比CFAR虚警率更低,大量数据计算ROC曲线的结果以及比CFAR检测少约40%的耗时进一步表明该算法性能更优。     

注意力机制改进卷积神经网络的遥感图像目标检测

目的 遥感图像目标检测是遥感图像处理的核心问题之一,旨在定位并识别遥感图像中的感兴趣目标。为解决遥感图像目标检测精度较低的问题,在公开的NWPU_VHR-10数据集上进行实验,对数据集中的低质量图像用增强深度超分辨率（EDSR）网络进行超分辨率重构,为训练卷积神经网络提供高质量数据集。方法 对原Faster-RCNN （region convolutional neural network）网络进行改进,在特征提取网络中加入注意力机制模块获取更多需要关注目标的信息,抑制其他无用信息,以适应遥感图像视野范围大导致的背景复杂和小目标问题;并使用弱化的非极大值抑制来适应遥感图像目标旋转;提出利用目标分布之间的互相关对冗余候选框进一步筛选,降低虚警率,以进一步提高检测器性能。结果 为证明本文方法的有效性,进行了两组对比实验,第1组为本文所提各模块间的消融实验,结果表明改进后算法比原始Faster-RCNN的检测结果高了12.2%,证明了本文所提各模块的有效性。第2组为本文方法与其他现有方法在NWPU_VHR-10数据集上的对比分析,本文算法平均检测精度达到79.1%,高于其他对比算法。结论 本文使用EDSR对图像进行超分辨处理,并改进Faster-RCNN,提高了算法对遥感图像目标检测中背景复杂、小目标、物体旋转等情况的适应能力,实验结果表明本文算法的平均检测精度得到了提高。     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

航拍绝缘子图像的提取和识别

随着直升机巡线技术的发展,通过航拍图像对电力线路及杆塔附件进行状态检测成为一种新方法,本文利用形态学去除航拍图像中的小块和噪音,基于Hough变换的思想提取出航拍图像中的绝缘子边缘,根据绝缘子串是垂直一排的特性来除去误检测的绝缘子图像并识别定位,实验结果表明该方法可以准确的提取出绝缘子,并为后期绝缘子的故障诊断提供依据。     

深度卷积网络卫星图像水泥厂目标检测

目的 水泥厂作为重要的污染源企业需要对其进行统计和监管,近几年随着卫星遥感技术的发展和遥感影像分辨率的提高,使得基于卫星影像进行水泥厂目标检测成为可能。但是由于遥感图像中建筑目标的环境复杂多变,同时各个水泥厂在生产规模、设备构成、厂区结构、坐落方位上存在较大差异,图像表观上的形态各异和复杂环境干扰使得传统图像识别方法难以设计和提取有效特征。鉴于深度学习在视觉目标检测领域的成功应用,本文将研究应用深度卷积神经网络方法,实现在卫星图像上识别与定位水泥厂目标,为环保部门提供一种高效便捷的水泥厂目标检测和统计方法。方法 基于面向目标检测与定位的Faster R-CNN深度学习框架,以准确检测与定位水泥厂区域为目的,以京津冀地区的水泥厂位置作为训练和测试数据集,选用3种结构不同的提取特征卷积神经网络模型进行了对比实验。并针对小样本训练容易出现的过拟合和误检问题,采用图像去雾预处理、数据扩充、引入负样本等技术进一步提升模型能力。结果 测试集实验结果表明ResNet特征提取网络效果最好,准确率达到74%。为了进一步提高检出率并降低误检率,引入3种模型能力提升方法,在扩充检测数据集中的检出率达到94%,误检率降低到14%;在全球水泥厂数据集中的图像检出率达到96%,万幅随机图像的误检数量为30幅（0.3%）。对上海地区的卫星图像进行扫描检测,结果检测出11个已登记的水泥厂（共登记16个）,另外还检测出17个未登记的水泥厂。结论 对于卫星地图上水泥厂这种具有特殊建筑构造但也存在厂区几何形状各异、所处地理环境复杂、随季节性变化等特点,本文提出的基于深度卷积网络的卫星图像水泥厂检测方法,能够自动学习提取有效的图像特征并对目标进行准确检测。针对小样本训练问题,引入3种方法显著提高了模型的检测精度。在模型泛化能力测试中,经过优化后的模型在水泥厂建筑目标检测任务中表现良好,具有重要的应用价值。     

改进Mask R-CNN在航空影像目标检测的研究应用

针对通用目标检测算法在检测航空影像目标所表现的性能缺陷,提出一种改进Mask R-CNN算法用于航空影像的目标检测。该算法增加图像融合网络,将可见光图像与红外图像进行融合,消除目标被阴影遮蔽对检测造成的影响;同时改进了特征金字塔结构,使特征提取过程中的高层语义特征和低层定位信息得到充分融合,各尺度目标的检测精度得到提升;为解决小目标检测精度低和定位难度高的问题,该算法采用新型区域建议网络SD-RPN,在不同深度的卷积层设置合理大小的滑动窗口,用以检测不同尺度类型目标,使建议区域更加精准。实验结果表明,相比较主流检测算法,该算法在VEDAI数据集上表现出色,检测精度提升较大,尤其是小目标检测的精度提升显著。     

数字图像中基于多尺度几何分析的圆检测算法

特征检测是图像处理和模式识别中非常重要的问题,其检测效果直接影响模式识别和分类。基于多尺度几何分析（MGA）的思想,提出了一种圆检测方法―圆特征域上奇异点算法。该算法首先将圆特征曲线变换到圆特征域上,然后在圆特征域上进行小波分析以找出奇异点,奇异点坐标即为待检圆的坐标。该方法克服了Hough变换对灰度图像圆检测需要考虑灰度阈值或梯度的限制,可直接对二值图像或灰度图像进行检测。最后分析、比较了该算法与Hough算法的不同。     

结合频域信息与对抗网络的虚假图像检测

随着深度学习方法的发展, 深度造假(Deepfake)技术越发成熟。大量近似真实自然的图像涌入人们的生活, 在满足个人娱乐兴趣的同时, Deepfake技术的滥用对个人隐私、经济市场乃至国家安全构成了潜在威胁。因此,针对虚假图像的检测方法亟待研究。现有的虚假图像检测技术大多存在准确率低、泛化性差、鲁棒性不足的问题, 因此, 本文从Deepfake技术的图像生成机制出发, 对生成的虚假图像存在缺陷进行分析, 并提出了一种基于生成对抗网络的虚假图像检测模型。该模型利用离散傅里叶变换方法将图像从图像域转换到频域, 并将U-Net结构和谱归一化引入鉴别器; 利用生成对抗网络优异的特征学习和提取能力, 实现了虚假图像的模式分类。此外, 一种新颖的复合损失函数被提出, 以增强模型检测性能。提出的方法分别在7个单独数据集和1个混合数据集上进行实验验证, 并采用3种实验指标进行模型性能分析。本文方法在单独数据集上最高可达到100%准确率, 最低准确率也可达88.53%; 模型检测召回率, 精确率和F1分数平均分别可达98.17%, 98.25%, 98.19%。此外, 无论是在混合数据集, 还是在模型未知的跨数据集上, 提出方法都能获得良好的模型检测性能。即使在图像压缩的情况下, 本文方法仍然具有较强的鲁棒性。实验与理论结果表明, 与现有先进的虚假图像检测方法相比, 本文方法是一种有效且具有良好泛化性和鲁棒性的虚假图像检测方法。     

FY-2自旋稳定气象卫星动态月球观测与图像配准

为满足基于月球辐射校正的内黑体绝对辐射定标对月球观测数据的需求,设计了FY-2卫星的动态月球观测模式,在新的工作模式下观测到了高质量的月球图像.为获取高质量的月球图像,根据FY-2卫星自旋稳定平台的特点,以及灵活的观域调整和区域扫描功能,重新设计了卫星工作时序,并更改了卫星地面控制系统软件,在卫星常规20° ×20°视场外,拓展出了10°×20°的月球观测区域,实现了月球的动态追踪观测,实践证明,观测模型精度优于30 s;根据月球图像特点,设计了伪目标剔除算法,通过对目标位置、形态特性等条件自动判断实现了从卫星云图中自动、准确提取出月球图像的功能;根据月球在卫星视场里的动目标特性,以FY-2卫星自旋扫描成像的工作原理和具体的性能参数,计算得到了动目标的相对角速度,据此发展了动目标配准算法、消除了月球运动造成的变形和位移,实现了月球图像配准.工作获得了常规观测3倍数量的月球图像,有力地保障了FY-2卫星辐射定标性能,促进了遥感数据定量化应用.     

Error Analysis of Change Detection based on Land Cover in High Resolution Remote Sensing Images in Urban Areas

Land use/land cover change detection using high spatial resolution remote sensing image is an important content in land monitoring.However,the problems of shadow,image registration,threshold selection,detection method selection and image post-processing are more prominent in high-resolution images compared with that in medium and low resolution images,which result in more difficulties and uncertainties.Change detection of land cover was carried out base on aerial color images between 2009 and 2012 in Xianlin District of Nanjing,and the errors were analyzed in terms of intra-class and inter-class.The results show that the inter-class error accounted for 97.6% in the omission error,and the intra-class error accounted for 87.1% in the commission error.According to the error sources,72.6% of the false negative pixels are derived from the detection method,43.6% of the false positive pixels are come from detection method while 39.7% from radiation inconsistent.The analysis results in the paper provided reference for the development of new change detection algorithm.     

基于再模糊理论的航拍图像质量检测方法

无人机在进行航拍任务时,会因为机身抖动、地物环境等原因导致采集的图像模糊,对后续提取图像信息造成影响。针对这一问题,提出了一种基于再模糊理论的无参考图像质量检测方法,用来区分清晰和模糊图像。对原始图像进行缩放、灰度化等预处理后附加一定程度的高斯模糊,得到再模糊图像,再分别对两张图像使用拉普拉斯算子提取边缘,得到两张图像的边缘差异图像。通过计算所得的边缘差异图像的标准差与经验得出的划分清晰和模糊图像的阈值相比,判断该图像是否为模糊图像。对人工合成的模糊图像和无人机实拍图像进行实验。实验结果表明,该算法具有较高的模糊图像检测率,表现优于其他图像质量检测方法,且单张图片的检测计算速度很快。     

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据,结合深度学习理论,建立树种识别模型,以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例,采用无人机获取20 m及40 m高度的航拍影像。其次,以树种为对象,对航拍影像进行分割,获得12种树种影像。最后,结合深度学习理论,采用DenseNet卷积神经网络建立树种识别模型,探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型,其分类精度均达80%以上,最高精度为87.54%。从航拍影像解析度分析,随着航拍影像解析度的下降,模型识别精度呈现下降趋势,以20 m航拍影像数据建构的树种识别模型,其分类精度高于40 m模型;从模型网络深度分析,随着模型网络层数的增加,模型分类精度出现下降现象,DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述,基于无人机航拍影像,结合深度卷积神经网络,提出了新的树种识别方式,并以安溪县森林树种识别为例证明了该分类框架的有效性。     

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据，结合深度学习理论，建立树种识别模型，以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例，采用无人机获取20 m及40 m高度的航拍影像。其次，以树种为对象，对航拍影像进行分割，获得12种树种影像。最后，结合深度学习理论，采用DenseNet卷积神经网络建立树种识别模型，探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型，其分类精度均达80%以上，最高精度为87.54%。从航拍影像解析度分析，随着航拍影像解析度的下降，模型识别精度呈现下降趋势，以20 m航拍影像数据建构的树种识别模型，其分类精度高于40 m模型；从模型网络深度分析，随着模型网络层数的增加，模型分类精度出现下降现象，DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述，基于无人机航拍影像，结合深度卷积神经网络，提出了新的树种识别方式，并以安溪县森林树种识别为例证明了该分类框架的有效性。     

改进YOLOv3在航拍目标检测中的应用

近年来,基于深度学习的航拍目标检测在无人驾驶、军事侦察、灾害检测等领域有着广泛的应用,更精确、高效的算法是目前航拍目标检测研究的热点与难点。提出一种基于改进YOLOv3算法的航拍目标检测方法,对航拍数据集进行目标先验框维度聚类、优化锚点参数,提高了网络对航拍目标的检测有效性。同时对原网络进行改进,减少部分卷积操作并引入跳跃连接机制降低特征冗余,提高了检测准确率,并降低了小目标的误检率与漏检率。实验结果表明,改进YOLOv3算法相较于原始YOLOv3算法的效果有明显提升,对于较高分辨率的航拍图像,加快了网络的收敛速度,并在保证实时性的前提下,将检测平均准确率（mean Average Precision,mAP）提高了12.7%。     

Detection of collapsed buildings with the aerial images captured from UAV基于低空无人机航拍图像的坍塌建筑物自动探测方法

In this paper, we present a method of detecting the collapsed buildings with the aerial images which are captured by an unmanned aerial vehicle (UAV) for the postseismic evaluation. Different from the conventional methods that apply the satellite images or the high-altitude UAV for the coarse disaster evaluation over large area, the purpose of this work is to achieve the accurate detection of collapsed buildings in small area from low altitude. By combining the motion and appearance features of collapsed buildings extracted from successive aerial images, each pixel in the input image will be measured by a statistical method where the background pixels will be penalized and the ones of collapsed buildings will be assigned with high value. The candidates of collapsed buildings will be established by integrating the extracted feature points into local groups with the online clustering algorithm. To reduce the false alarm caused by the complex background noise, each predicted candidate will be further verified by the temporal tracking framework where both the trajectory and the appearance of a candidate will be measured. The candidate of collapsed buildings that can survive through long time will be considered as true positive, otherwise rejected as a false alarm. Through extensive experiments, the efficiency and the effectiveness of proposed algorithm have been proved.