基于感知编组的遥感图像港口提取方法

遥感图像中港口识别是遥感海洋应用研究的重要方面,准确、高效地自动提取港口目标对于提高遥感图像自动解译能力具有重大意义。由于人造目标按照某种结构方式有组织地构成,而人类视觉的感知编组可以获取图像中相关组织及结构,因而感知编组的特性有助于识别人造目标,该文将感知编组方法用于提取港口目标。通过建立突堤区域编组、疑似港口突堤端点连线编组以及基于产生式规则的港口编组机制,提出了基于多级感知编组的港口提取方法。实验结果表明,相对于已有的港口检测方法提取的港口目标不准确、效率不高等问题,新方法提取的港口具有目标标识正确、轮廓完整以及运算速度快等特点。      

基于特征谱的高分辨率遥感图像港口识别方法

 本文提出一种基于内港岸线特征谱的港口识别方法.进行海域分割,提取海岸线及其特征点.通过分析海岸线封闭性测度矩阵得到内港岸线及其特征谱.根据特征谱的匹配相似度实现港口识别.从理论上证明了该方法的合理性,并在实际遥感图像上进行了港口识别实验,结果表明:内港岸线的特征谱具有平移、旋转、缩放不变性;文中方法能够准确分割内港岸线,对现有港口目标样本的识别准确率达到100%.     

基于几何不变性和局部相似特征的异源遥感图像配准算法

针对异源遥感图像在图像配准中的几何形变问题,本文提出了一种基于几何不变性局部相似特征的异源遥感图像配准算法。GISS算法利用加速鲁棒特征算子先对存在几何差异的异源遥感图像进行预匹配,然后根据特征点的方向特征对图像进行旋转仿射校正,最后引用局部相似性描述符并集成相似性度量来考察预匹配点对的相关性,选取其中相似相关性最优的点对实行图像配准。实验结果表明,对于存在几何形变的异源遥感图像,具有较好的配准实现效果,可以有效的解决异源遥感图像之间的几何形变差异问题,具有较好的鲁棒性和配准精度。     

基于内港区域的港口目标识别

遥感图像中不同港口的内港区域呈现出不同的形状,该文提出一种基于内港区域的港口目标识别方法。首先利用直方图和形态学算子分割海域;再利用多边形近似法提取海岸线上的特征点,根据特征点的闭合度确定内港区域,通过检测直线和角点结构减少虚警;然后计算内港区域的形状主方向;最后提取特征并进行相似性度量。实验证明,该方法检测的港口目标准确,提取的特征具有良好的不变性,满足识别的要求。     

基于模型的遥感图像港口检测

遥感图像中港口检测是遥感海洋应用研究的重要方面。快速、准确地检测港口将大大提高遥感图像中码头建筑和港口内舰船目标的自动解译能力。通过深入研究港口目标配置,建立了港口模型和港口先验知识库,在此基础上提出了一种基于模型的遥感图像港口检测的方法。并且针对提出的方法对确定港口目标的范围相对较大的不足,通过定义港口目标主轴,计算得到了对港口目标更准确定位的港口外接矩形。实验结果表明,相对于已有的港口检测方法,新方法检测的港口具有目标完整、定位准确以及更好的通用性等特点。      

基于海陆分割的舰船目标变化检测研究

针对高分辨力港口遥感影像及其舰船目标的特点,提出了一种基于海陆分割的港口舰船目标变化检测方法.先采用一种新的海陆分割方法对变化前后图像实施海陆分割提取轮廓,用于去除陆地上不感兴趣的变化对变化检测的影响,再对两轮廓图像进行异或运算,并做形态学处理,得到发生变化的区域,最后根据舰船目标的形状特征,去除伪变化,得到最终的检测结果.实验表明,对高分辨力港口遥感图像中舰船的变化检测有很好的检测效果.     

一种应用于图像配准中的点特征匹配算法

点特征匹配在机器视觉、图像配准等领域中有着重要的应用.针对空间存在较大仿射几何差异的图像中的点特征匹配问题,提出了一种利用马氏距离仿射不变性进行约束的松弛匹配算法,并将该算法应用于遥感图像配准中.实验结果表明,算法可以很好的完成点特征匹配,匹配点对数量充足且具备很高的正确率,从而可以保证图像配准的精度.     

基于深度学习的遥感图像移动小目标轻量化检测方法

由于遥感图像背景复杂,移动小目标的检测难度较大,为此提出了基于深度学习的遥感图像移动小目标轻量化检测方法。为了保障目标检测效果,建立了轻量化主干网络划分遥感图像目标区域。采用深度学习方法预训练划分的遥感图像目标区域。依据训练结果确定遥感图像目标区域。根据确定的遥感图像目标区域提取目标特征。利用SSD(Single Shot MultiBox Detector)目标检测算法对提取的目标特征实行回归分类,完成遥感图像移动小目标轻量化检测。实验结果表明,该方法的检测率高于90%,虚警率低于10%,且不存在漏检问题,负荷实际结果,说明该方法的遥感图像移动小目标的检测效果较好。     

基于图像尺度空间的几何不变特征点提取算法

图像特征点的提取是实现抗几何攻击数字水印算法的重要步骤，所提取的特征点是否鲁棒，将直接影响抗几何攻击水印的鲁棒性．Harris—Laplace角点检测方法是一种多尺度抗几何攻击角点提取方法，但计算比较复杂．将Harris．Laplace角点检测方法进行改进，把直接分析图像局部灰度值的角点提取方法与图象尺度空间的思想相结合，并兼顾多尺度的不同权值，则既可以保证角点抵抗一般几何攻击的鲁棒性，又减少计算复杂度的，根据此思路提出了加权平均Harris-Laplace角点检测方法来提取特征点．实验结果表明，该算法提取的图像特征点不仅具有很好的抵抗图像裁剪、几何缩放能力，而且计算复杂度明显低于相同重复检测率的Harris—Laplace角点检测算法．     

基于多图像特征的遥感图像配准新方法

针对不同视角遥感图像配准中的非刚性几何畸变造成的配准误差,文章提出了一种基于尺度不变特征变换(SIFT)特征距离和几何结构描述符的精确方法,用于解决中等地形起伏和成像视点变化条件下遥感图像的配准问题。该方法采用尺度不变特征变换和部分强度不变特征描述符提取可靠的特征点集,利用变换过程中约束几何结构的多图像特征,提出一种新的算法来估计点集之间的精确对应关系。包括特征描述符提取、基于几何结构约束的改进SIFT特征点集配准和非刚性图像变换等步骤。对不同视点的无人机图像和卫星图像的实验结果表明,该方法相对于目前几种先进方法具有更佳的配准性能。     

SIFT特征区域Contourlet域遥感图像水印算法

针对现有遥感图像数字水印算法多为基于图像全局的水印算法,抵抗旋转、缩放、行列剪切以及联合几何攻击能力较差的问题,提出一种基于SIFT特征区域的Contourlet域遥感图像数字水印新方法。算法选取二值数字图像作为水印图像,将二值水印图像置乱预处理后,对其进行行扫描形成一维向量作为待嵌入的水印信息;然后,在宿主遥感图像中提取SIFT特征点,筛选特征点,并依据特征点确定水印嵌入的特征区域;最后,规范所选特征区域,对其进行归一化后实施Contourlet变换,利用奇偶量化方法将水印信息嵌入所选的变换系数内。实验结果表明算法对JEPG压缩、噪声以及滤波等常规信号处理具有较好的鲁棒性,同时能够更好地抵抗旋转、缩放、平移及其联合等几何攻击。      

基于多尺度Gabor滤波器组的不变特征点提取新方法

 针对复杂背景的光学遥感图像数据,提出一种基于尺度空间理论和多尺度Gabor滤波器组的目标局部不变特征提取方法.该方法优点有二:一是利用Gabor滤波器的带通特性和多通道特性可从目标图像中提取更符合视觉特性、更具物理直观性的特征点,增强了不变特征提取方法在照度变化、噪声和背景干扰下的稳健性;二是基于尺度空间理论设计的多尺度Gabor滤波器组,可使提取的特征点具有尺度不变性,增强了对遥感图像复杂几何畸变的适应性.     

基于轻量化网络的光学遥感图像飞机目标检测

光学遥感图像飞机检测是遥感分析的重要研究方向。现有检测方法难以达到满意的效果,传统检测方法由于手工特征建模困难,易受背景干扰,导致其鲁棒性普遍偏低;而以复杂度提升为代价来提高检测性能的深度学习目标检测方法无法在资源受限下的星载平台得到广泛应用。针对上述问题,本论文提出一种具有轻量化多尺度特点的深度学习飞机目标检测方法。在多尺度目标检测框架（SSD）基础上,利用密集连接结构和双卷积通道构成具有特征重复利用、计算效率高等特点的基础骨干网络,之后连接一个由残差模块和反卷积构成的多尺度特征融合检测模块,以提高飞机小目标的检测性能。实验结果表明,在多种复杂机场场景中,本文的方法与当前经典的深度学习目标方法相比,在保持较高目标检测精度的同时,又能具有较低的计算复杂度。      

高分辨率SAR图像舰船目标几何结构特征提取

随着SAR图像分辨率的提高,利用SAR图像进行舰船识别成为遥感卫星获取海洋情报的新途径。几何结构特征是对目标的直观描述,提取方法简单,成为对舰船目标进行初分类的重要依据。本文首先介绍了几种典型的几何结构特征及其计算方法,并分析了它们在舰船识别中的作用,然后介绍了一种基于方位角估计的几何结构特征提取方法:对图像进行预处理抑制旁瓣,利用矩技术估计方位角,旋转目标至水平状态,采用逐步逼近的方法获得最小外接矩形,进而提取其他几何结构特征。实验结果证明本文方法提取的几何结构特征准确度高,算法稳定性好。      

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。