基于空-谱先验条件随机场的高分辨率遥感影像变化检测方法

高空间分辨率遥感影像能够提供丰富的空间细节信息,使利用遥感影像进行精细变化检测成为可能.为充分挖掘高分辨率影像中的光谱、空间信息,本文提出一种基于影像空-谱先验信息的条件随机场(Conditional Random Field based on Spectral-Spatial Prior,SSPCRF)模型,该方法使用显著性检测方式自动提供先验光谱-空间样本信息,提高一元势能构建精度,有效缓解一元势能构建不准确导致的推理过程中的误差传递问题,并在二元势能中综合考虑标记场与观察影像的空间上下文信息以保持变化地物轮廓信息.最后,使用基于消息传递机制的推理方法将模型进行全局优化.在2组高分辨率影像数据集上的实验结果表明该方法能够提供较精确的初始变化检测信息,使得在减少变化检测结果中虚警点的同时保持变化地物细节信息.     

基于支持向量机的矿区土地覆盖变化检测

利用支持向量机(SVM)对两类问题良好的分离性能,将其应用于矿区土地覆盖变化检测,实现了基于SVM的变化检测算法.该算法计算了多时相遥感数据的差值影像,利用SVM将全部像素分类标记为变化和不变化两个类别,在不变区域中选择训练样本,对变化区域进行分类,获得前后时相地物类别信息,构建变化转移矩阵,描述详细变化信息.应用多时相先进对地观测卫星(ALOS)遥感数据对矿区土地覆盖变化进行试验,并与变化矢量分析、差值阈值法进行对比,结果表明:基于SVM的变化检测方法具有更好的检测效果,能够提供全面的变化类别和方向信息,可以有效应用于矿区土地覆盖动态监测.     

MBI多特征结合GIS缓冲区的高分影像建筑物变化信息检测

为准确地从高分辨率遥感影像中提取建筑物及其变化信息,基于对建筑物先进行提取再变化检测的思想,在采用改进的分水岭算法进行影像分割基础上,结合形态学建筑物指数(MBI)的多特征支持向量机建筑物提取方法,将GIS缓冲区引入建筑物变化检测.针对配准误差、提取误差和建筑物位移现象引起的误差,构建引入缓冲区的建筑物变化检测流程.以0.2m分辨率航空遥感影像为例,对建筑物变化进行了检测试验,结果表明本文的建筑物变化检测流程能够有效提高建筑物变化检测的准确性.     

基于多特征融合的SAR图像输电走廊变化检测

传统SAR变化检测使用单一描述来提取多时相SAR图像间的变化信息,没有充分挖掘图像中的多特征信息,导致复杂变化场景下算法检测精度不高.针对这一问题,提出一种基于多种特征融合的SAR图像变化检测方法.该方法首先对多时相SAR图像输电走廊区域进行多种特征提取,并选取合适SAR变化检测的特征,然后在多时相SAR图像中计算每种特征对应的差异图,最后从图像融合的角度分别使用主成分分析法(PCA)和证据推理理论(DST)对这些多特征对应的差异图进行融合并提取最终的变化检测结果.实验结果表明该方法具有较为满意的变化检测效果.     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

信噪比估计算法研究

提出了利用核函数挖掘物理散射信息,提取极化特征的Fisher分类方法。该方法在Freeman分解的基础上,采用核函数将极化协方差等信息映射到某特征空间,然后在特征空间中进行线性分类,这样能够从PolSAR数据特有的极化散射信息出发,较好利用核方法的优势,改善不同地物类别的可分性。实验表明,该算法能获取有效的分类结果,实现同类相聚,异类分离,具有良好的紧致性。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法.采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪.利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）.将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图.对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于超像素的协同分割变化检测方法

协同分割变化检测方法能够有效地克服椒盐现象,生成边界一致的多时相变化对象.但是对于大范围的实验区来说这种方法运算量大,耗时长.针对这一缺点,基于超像素的协同分割变化检测方法引入了超像素分割的思想,利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征.该方法将每个超像素块视为一个节点,减少最小割/最大流构建的网络流图中节点的数量,可以直接获得大范围变化检测的结果.以中国江西省南昌县高分一号影像以及Landsat TM影像为例进行试验,分割结果的总体精度在0.80～0.82之间,Kappa系数在0.65～0.61之间,计算时间从超过1 d提升至最长不超过4 h.试验表明,基于超像素的协同分割变化检测方法既能准确提取出变化图斑,又能极大地提升协同分割变化检测的运行速度.     

基于RFA-LinkNet模型的高分遥感影像水体提取

针对现阶段卷积神经网络模型在复杂地物背景下水体提取精度低、多尺度特征捕获能力差、模型复杂的问题,基于LinkNet模型提出一种结合RFB模块和通道注意力机制的RFA-LinkNet高分辨率光学遥感影像水体提取模型.首先,将RFB模块用于获取高阶水体语义信息与多尺度特征;其次,利用通道注意力机制,对特征编码和解码的特征进行加权融合,抑制背景特征,增强水体语义.与现有卷积神经网络模型相比,提出方法不仅具有高效的性能和鲁棒性,而且能实现高精度的水体提取.     

基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测

提出了基于水平集演化和支持向量机(SVM)分类的高分辨率遥感图像变化检测方法,该方法将像素级的和对象级的变化检测方法相结合,运用了像素特征和对象特征以提高变化类和非变化类的准确率。在像素级上,变化检测问题转化为水平集演化的图像分割问题。在对象级上,本文可以从分割结果中为SVM分类器自动地选择潜在的训练样本。最终将基于像素级的变化和基于对象级的变化相结合得到最终的变化结果。所提出的方法的主要优势在于可以自动选择合适的样本进行SVM分类器训练。此外,提出的方法可以有效的提高精确度和自动化水平。通过SPOT5图像和航空图像进行实验,结果表明该方法是有效的。     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

三分支多层次Transformer特征交互的RGB-D显著性目标检测

RGB-D显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下以及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种三分支多层次Transformer特征交互的RGB-D显著性目标检测模型。首先,本文采用坐标注意力模块抑制RGB和深度图的噪声信息,提取出更为显著的特征用于后续解码。其次,通过特征融合模块将高层的三层特征图调整到相同的分辨率送入Transformer层,有效获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,本文提出一个多层次特征交互模块,该模块通过有效地利用高层特征和低层特征对显著性目标的位置和边界进行细化。最后,本文设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。通过在5个公开的基准数据集与19种主流模型相比,实验结果表明:本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度,从P-R曲线、F-measure曲线和显著图也可以直观看出本文方法实现了较好的检测结果,生成的显著图更完整、更清晰,相比其他模型更加接近真值图。     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务. 结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合. 在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道. 实验结果表明,在自建车辆数据集上的均值平均精度（mAP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%. 此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25 帧/s,能够满足实时性的需求.     

基于Kinect传感器的机器人室内环境检测方法

针对移动机器人室内环境检测问题,提出了一种基于Kinect传感器的目标物体检测方法.利用Kinect传感器采集的视频图像和深度数据来实现对机器人工作环境中已知特征目标物体和完全未知目标物体的检测及定位.对于已知特征目标通过颜色特征分析来完成检测,而对于完全未知的物体则通过深度地面消除算法和提取深度图像的轮廓来进行检测.利用传感器成像模型对检测出的目标区域进行三维空间定位,从而获取目标物相对于机器人的空间位置信息.基于移动机器人平台进行实验,结果表明,该方法能够有效地实现室内环境信息的检测及定位.     

基于散点图的Landsat 8影像可调阈值的云识别方法

提出针对Landsat 8影像的云识别方法SARM.在对云及其他地物进行光谱分析的基础上,使用Landsat 8可见光到近红外波段（波段1~5）和热红外波段（波段10、11）,构建基于像元的波谱面积比值.利用归一化植被指数（NDVI）和波谱面积比值构建影像的散点图,采用高、中、低3种云识别置信区间,完成对云的识别.以3景不同地区的Landsat 8影像为例进行实验,每景选取具有代表性的3个区域,每个区域10 000个像元进行精度分析.结果表明：波谱面积比值增强了云和下垫面的差异,更利于区分;基于波谱面积比值和NDVI的散点图,能够清晰地展现不同地类条件下云的分布特征;利用可调阈值的提取方法能够满足不同研究目的对云识别的需求;与已提出的3种云识别方法相比,总体精度提高10%左右.     

基于WWSVDD多分类的遥感图像病害松树识别

针对支持向量数据描述多分类中模糊数据域的误判问题,提出了一种改进的加权小波支持向量数据描述（WWSVDD）多分类方法,并应用于遥感图像病害松树识别.利用无人机搭载双光谱相机获取高分辨率遥感图像,提取地物特征,构建特征向量.用WWSVDD模型描述每类样本,根据待测样本在特征空间中的不同分布,分别采用最小相对距离法和隶属度函数法进行决策分类,从而实现病害松树的识别.实验结果表明,与传统的K近邻和支持向量数据描述多分类方法相比,所提方法在识别病害松树方面准确性更高.     

特征图聚集多尺度行人检测高效算法

针对使用人工设计特征训练的行人检测算法准确率和效率较低的问题,提出一种采用卷积神经网络特征图聚集多尺度行人检测高效算法. 设计一种特征图聚集网络,将高层次特征图与低层次特征图进行聚集,构造出有较好空间分辨和语义能力的特征图;构造特征延伸网络,提供用于多尺度行人检测的特征图;重新设计目标候选区域,构造多尺度行人检测网络,提升定位准确性,并将特征图聚集网络、特征延伸网络和多尺度行人检测网络组合进行端到端训练. 实验测试结果表明,该算法可以有效提高行人检测与定位准确性,并可在普通硬件设备条件下提供实时检测.     

全特征信息均衡建模的内部威胁人物检测

针对目前内部威胁人物检测准确率低及高维数据特征信息利用不全的问题,提出全特征信息均衡建模的内部威胁人物检测方法. 该方法对组织内部产生的多源数据进行特征提取和构建,通过对所有特征进行交叉分组,利用交叉分组后的特征进行孤立森林模型构建,提高模型构建过程中对数据特征信息利用的均衡性,利用生成的孤立森林模型进行内部威胁人物检测. 实验结果表明,该方法在CERT-IT（v4.2）内部威胁人物数据集上具有较高F₁,且算法效率高,能够有效地用于内部威胁人物检测.     

视觉显著性指导的红外与可见光图像融合算法

为了获取适合人眼观测的高质量红外与可见光融合图像,提出了一种基于视觉显著性指导的红外与可见光图像融合算法。首先,利用改进的流形排序法分别检测红外与可见光图像的视觉显著性区域;然后,采用非下采样轮廓波变换对红外和可见光图像进行多尺度、多方向分解,从而获取各自低频子带和高频子带,并将视觉显著性的检测结果用于指导分配低频子带的融合权重,即依据显著度大小赋予不同的权值,而高频子带的融合则依据局部标准差准则赋值;最后,通过非下采样轮廓波逆变换获得融合图像。实验结果表明:这种算法不仅可以保全可见光图像中的细节信息,而且能够精确地突显出红外目标信息,具有较好的视觉效果, 增强了红外与可见光复合前视系统的识别性能。