基于区域增长的遥感影像视觉显著目标快速检测

针对传统视觉注意模型在遥感影像视觉显著区域检测中存在的计算复杂度高、检测精度低等缺点,提出了一种新的视觉显著区域快速检测算法。首先利用整数小波变换降低遥感影像的空间分辨率,从而降低视觉注意焦点检测的计算复杂度;然后在视觉特征融合中引入二维离散矩变换,生成边缘与纹理信息更为丰富的遥感影像显著图;最后在显著图分析中提出区域增长策略来获得视觉显著区域的精确轮廓。实验结果表明,新算法不仅有效降低了遥感影像视觉显著区域检测的计算复杂度,而且能够精确描述视觉显著区域的轮廓信息,同时避免了对整幅遥感影像的分割与特征提取,为今后的遥感影像目标检测提供了一定地参考价值。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

基于视觉显著搜索与AdaBoost算法的遥感目标检测

针对遥感影像智能判读领域中如何提高目标检测效率的问题,将视觉显著模型应用到基于特征统计学习的目标检测中,首先通过计算视觉显著图,提取飞机目标潜在区域,然后设计分类器完成目标检测任务.实验结果表明,该方法与传统的遍历搜索方法相比,大幅减少了搜索空间,降低了误检率,在检测率不变的情况下提高了50％的检测效率.     

基于视觉注意模型和进化规划的感兴趣区检测方法

根据生物注意机制,该文提出了一种基于视觉注意模型和进化规划的感兴趣区检测方法。采用进化规划方法分割图像候选区域;区域兴趣度由视觉注意模型产生的局部显著和进化规划计算的全局显著共同度量。在视觉注意模型中,图像经过小波多尺度变换和计算中央周边差得到局部显著度。注意焦点在显著度增强因子的作用下,选取候选区域得到感兴趣区。实验结果表明,所提方法检测的感兴趣区更接近人眼的视觉注意机制,并取得了较为满意的对象检测和兴趣度量结果。     

基于非均匀采样及选择注意机制的多分辨率边缘检测

本文提出了一种新的多分辨率边缘检测方法，它模拟了生物视网膜对视觉信息非均匀采样及生物视觉具有选择注意能力的特点，通过在视觉处理早期仅对感兴趣的区域注视而忽略或抛弃其他无关细节，将带宽和计算资源合理分配，与Ｍａｌｌａｔ等人提出的多分辨率分析框架相比，能进一步降低计算复杂度且更符合生物视觉机理。     

基于灰度概率统计的视觉注意改进算法

分析了基于自底向上的视觉注意计算模型的感兴趣区域检测方法;它分别提取颜色、灰度、纹理三个特征图像,然后进行线性融合得到综合显著图。而显著目标通常自身灰度相近,但与背景灰度不同,根据这个特性结合灰度概率统计方法对视觉注意计算模型进行改进。实验结果验证了,该模型能够更好的模拟视觉注意的过程,而且计算复杂度较低。     

受昆虫视觉启发的多光谱遥感影像小目标检测

现有多光谱遥感影像目标检测算法大多依赖于结构化背景模型和先验信息,背景复杂化和先验信息匮乏将导致高虚警率的检测结果。受昆虫视觉系统中小目标检测神经元的启发,跳出传统研究思路,提出多光谱遥感影像小目标仿生检测模型及相应的目标检测方法。该方法利用神经元非线性滤波特性对突变信号的敏感性,在局部区域内通过背景纹理抑制和目标边缘增强实现目标检测。实验结果表明该方法在高复杂度背景条件下获得较为稳定的低虚警率检测效果。同时该算法可以较好地平衡背景复杂度和空间分辨率之间的矛盾关系,相比现有检测算法还具有原理简单、易于实现等特点。     

基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法

分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。     

基于词包模型的高分辨率SAR 图像变化检测与分析

该文面向高分辨率SAR 图像解译中的变化检测问题,针对其研究现状与难点,重点解决高分辨率SAR图像变化检测中的语义信息缺失问题,提出一种基于词包模型的变化检测与分析的方法。该方法利用词包模型,对两个时相的图像做词包表征,将视觉直方图的差作为变化向量进行分析。由于变化向量包含有语义信息,因此可通过对其分析,结合像素级变化结果,实现对变化区域的语义分析及感兴趣变化类型检测。经实验验证,该框架对高分SAR 影像变化语义分析具有应用前景。      

基于改进Harris角点检测算法的遥感影像匹配研究

本文基于改进Harris角点检测算法,对遥感影像匹配采用优化的Harris算子方法进行了研究.根据高分辨率遥感影像特点,提出了一种新型的影像匹配方法,其中充分融合了SIFT描述符和Harris算法.结果显示,该影像匹配方法能够得到高分辨率遥感影像匹配效果,并且与传统方法相比其还具有旋转不变性特征.本文算法在提高匹配速度的同时,匹配精度只发生了较小的降低.相对于基于SIFT的匹配方法,本文匹配方法在特征点匹配上耗时较少,匹配精度比SIFT匹配方法提高了4.18个百分点.     

基于融合边缘变化信息全卷积神经网络的遥感图像变化检测

高分辨率遥感图像变化检测是了解地表变化的关键,是遥感图像处理领域的一个重要分支。现有很多基于深度学习的变化检测方法,取得了良好的效果,但是不易获得高分辨率遥感图像中的结构细节且检测精度有待提高。因此,该文提出融合了边缘变化信息和通道注意力模块的网络框架(EANet),分为边缘结构变化信息检测、深度特征提取和变化区域判别3个模块。首先,为了得到双时相图像的边缘变化信息,对其进行边缘检测得到边缘图,并将边缘图相减得到边缘差异图;其次,考虑到高分辨率遥感图像精细的图像细节和复杂的纹理特征,为了充分提取单个图像的深度特征,构建基于VGG-16网络的3支路模型,分别提取双时相图像和边缘差异图的深度特征;最后,为了提高检测精度,提出将通道注意力机制嵌入到模型中,以关注信息量大的通道特征来更好地进行变化区域的判别。实验结果表明,无论从视觉解释或精度衡量上看,提出算法与目前已有的一些方法相比,具有一定的优越性。     

一种基于局部分形维的CFAR检测算法

目标检测是图像处理领域和计算机视觉中一项非常重要的研究课题.针对光学遥感图像自然背景下人造目标检测中检测时间长,虚警率偏高的问题,本文提出一种基于局部分形维的CFAR检测算法.该算法首先引入重标极差分析法,把图像的局部窗转化为一维序列的形式,且通过对一维序列极差和偏差的运算得到反映图像局部纹理特征的局部分形维,并以此构造出图像的分维像.然后在分维像基础上进行快速CFAR检测,确定滑窗中心点像素是否为目标像素.最后对目标像素进行聚类以提取感兴趣目标区域.利用本文提出的算法对不同地区的光学图像进行了大量的实验,得到了较好的检测结果.实验结果证明了该算法在高分辨光学图像中能有效、快速地地检测自然背景中的人造目标.与传统的人造目标检测算法相比,本文提出的算法能有效地减少检测时间,降低虚警率.     

基于内嵌小波变换的遥感图像编码

本文针对遥感图像的数据特点,提出了结合双正交小波变换和改进SPIHT算法的内嵌小波编码方案.实验结果表明,本文的方法能够在几乎不降低恢复图像质量的前提下降低了计算复杂度,提高了编码速度,有利于实时编码.     

基于NSST变换与自适应PCNN的多特征遥感图像融合

针对基于NSCT变换的遥感图像融合算法存在计算复杂度高,细节表现能力不足的问题,本文提出了一种基于NSST变换与自适应PCNN的多特征遥感图像融合算法。首先,利用HSV变换提取MS图像的亮度分量V,并将得到的亮度分量V与PAN图像分别进行NSST变换;其次,对于低频子带,提出了一种基于自适应的PCNN融合规则,将空间频率和区域平均梯度分别作为PCNN的外部激励和链接强度;对于高频子带,采用基于多特征的融合规则;最后,进行逆NSST变换和逆HSV变换得到融合图像。仿真实验表明,该算法与一些经典的融合算法相比不仅可以提高图像融合质量,在视觉效果和客观指标上也都有良好的表现。     

基于多级特征补偿的遥感图像时空融合方法

在许多地球科学应用中要用到大量的高时空分辨力的地球观测数据。时空图像融合方法为产生高时空分辨力的数据提供了一种可行且经济的解决方案。然而,现有的一些基于学习的方法对于图像深层特征提取能力较弱,对于高分辨力图像细节特征利用度不够。针对这些问题,提出一种基于多级特征补偿的遥感图像时空融合方法。该方法使用2个分支进行多层级的特征补偿,并提出了融合通道注意力机制的残差模块作为网络的基本组成单元,可以将高分辨力输入图像的深层特征更为详尽地提取利用。提出一种基于拉普拉斯算子的边缘损失,在节省预训练计算开销的同时取得了很好的融合效果。使用从山东和广东2个地区采集的Landsat和中分辨力成像光谱仪(MODIS)卫星图像对所提出的方法进行实验评估。实验结果表明,提出的方法在视觉外观和客观指标方面都具有更高质量。     

视觉注意驱动的基于混沌分析的运动检测方法

提出了视觉注意驱动的基于混沌分析的运动检测方法(MDSA)。MDSA首先基于视觉注意机制提取图像的显著区域,而后对显著区域进行混沌分析以检测运动目标。算法技术路线为:首先根据场景图像提取多种视觉敏感的底层图像特征;然后根据特征综合理论将这些特征融合起来得到一幅反映场景图像中各个位置视觉显著性的显著图;而后对显著性水平最高的图像位置所在的显著区域运用混沌分析的方法进行运动检测;根据邻近优先和返回抑制原则提取下一最显著区域并进行运动检测,直至遍历所有的显著区域。本文对传统的显著区域提取方法进行了改进以减少计算量:以邻域标准差代替center-surround算子评估图像各位置的局部显著度,采用显著点聚类的方法代替尺度显著性准则提取显著区域;混沌分析首先判断各显著区域的联合直方图（JH）是否呈现混沌特征,而后依据分维数以一固定阈值对存在混沌的JH中各散点进行分类,最后将分类结果对应到显著区域从而实现运动分割。MDSA具有较好的运动分割效果和抗噪性能,对比实验和算法开销分析证明MDSA优于基于马塞克的运动检测方法（MDM）。      

Radar remote sensing image retrieval algorithm based on improved Sobel operator

Aiming at the time-consuming problem caused by large computational load of radar image retrieval, based on blocking histogram, Sobel edge detection operator and gray level co-occurrence matrix (GLCCM), new radar remote sensing image retrieval algorithm based on improved Sobel operator is proposed. Firstly, the Sobel edge detection algorithm is used to process the image, the edge image is acquired, the radar remote sensing image is analyzed from different angles, and then the different radar remote sensing images are transformed. Then, based on the above processing, Radar Remote Sensing Image Retrieval Algorithm is acquired; finally, the plurality of statistic of the matrix is recorded as a feature vector describing the radar image, and the image is retrieved according to the feature vector of the radar image. Through a large number of experiments, Radar Remote Sensing Image Retrieval algorithm can greatly reduce the retrieval time, and it also has a good retrieval effect for images with rich texture.