一种基于网络信息平台的影像显示方法

针对大幅面遥感影像显示时兼顾大范围和高分辨率的要求,提出了一种基于计算机网络和地理信息平台的显示方法。通过调度局域网中多台计算机终端进行配合,使不同终端同时显示一幅超大影像的不同部分,相邻终端显示影像的位置无缝衔接,实现了低成本对一幅超大影像高分辨率、大范围显示的效果。该方法具有很好的扩展性,理论上可以实现对任意大的影像进行高分辨率显示。     

一种基于网络信息平台的影像显示方法

针对大幅面遥感影像显示时兼顾大范围和高分辨率的要求,提出了一种基于计算机网络和地理信息平台的显示方法。通过调度局域网中多台计算机终端进行配合,使不同终端同时显示一幅超大影像的不同部分,相邻终端显示影像的位置无缝衔接,实现了低成本对一幅超大影像高分辨率、大范围显示的效果。该方法具有很好的扩展性,理论上可以实现对任意大的影像进行高分辨率显示。     

结合稀疏识别的自适应Wallis滤波在高分辨率影像控制点匹配中的应用

目的：随着国内遥感卫星的迅速发展,卫星图像的图幅越来越大,分辨率越来越高。在轨遥感图像的几何精度评价,要求从待评遥感图像和多源参考图像之间精确地提取出分布均匀的控制点信息。使用Wallis滤波对高分辨率影像进行增强时,会产生过增强和饱和现象,影响了控制点提取效果。为了克服上述缺陷,提出了一种基于稀疏识别的自适应Wallis图像增强算法。方法：首先计算图像子区域的辐射质量参数并构建分类特征;然后通过稀疏识别算法确定子区域的地物类型;最后根据子区域所属地物类型,选择不同的Wallis滤波参数,实现整幅图像的自适应增强,并在增强的遥感图像上提取控制点信息,实现遥感图像的几何精度自动化评价。结果：针对资源三号影像的实验结果表明,针对不同的子区域地物类型进行自适应Wallis增强,有效防止了基于全局统一参数的Wallis滤波带来的过增强和饱和现象,有效增强了高分辨率图像的纹理。结论：本文提出来一种新的高分辨率遥感影像增强策略,增强了高分辨率图像的纹理,提高了控制点的获取数目和准确率。     

面向对象的高分辨率影像采煤塌陷地提取

煤炭开采引起了塌陷等一系列的地质环境问题,与常规监测方法相比,遥感技术可以实现大范围、高效率、周期性的动态监测。在遥感影像分类方法中,面向对象的遥感影像分类方法能更好地利用高分辨率遥感影像中丰富的纹理和几何结构信息。针对煤炭开采导致的地表塌陷地的特点,在归纳整理遥感影像中塌陷地判识准则的基础上,重点探讨了面向对象的遥感影像分类方法中塌陷地的自动提取规则。综合利用ERDAS IMAGINE9.2、ENVI4.7和ENVI4.4 ZOOM进行数据处理,以安徽省淮南矿务集团潘三矿区为实验区,用该方法利用SPOT５影像进行了塌陷地信息提取实验,结果证明,面向对象分类方法能有效地从高分辨率遥感影像中自动提取塌陷地相关信息。     

高分辨率无线分布式浅层地震仪的设计

针对浅层地震法中传统集中式仪器存在的问题,设计了高分辨率无线分布式浅层地震仪。仪器硬件由动圈式检波器阵列、分布式采集站、控制终端、PC组成。测试结果表明,仪器实现了对微弱地震波信号的高分辨率采集,且能通过Wi Fi局域网将多达72道的数据上传至PC,并利用Lab VIEW软件进行实时显示。该仪器具有体积小、动态范围大、采集道数多等特点,特别适合在高铁、高速公路、机场等热点基础建设领域中使用。     

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

一种基于分布式渲染的分屏实现方法

分屏技术是高分辨率、超大屏幕的分布式渲染的实现基础。本文对分屏的技术原理进行了分析和研究,并提出一种基于Ogre渲染引擎的分屏实现方法。即根据不同的分屏要求,修改投影变换过程中的四阶透视投影矩阵,沿Camera射线方向切分原场景中的视屏截头体。     

一种频率域解混叠的CCD图像超分辨重建方法*

在不增大光学系统的焦距,也不缩小CCD 器件阵元的宽度的情况下,为了获得高分辨率的图像,对多幅具有互补信息的低分辨率图像进行研究。首先,把多幅具有互补信息的低分辨率图像通过傅里叶变换到频率域;接着,对频率域中高分辨与低分辨率图像之间关系进行建模,进而得到它们之间的关系;然后,通过对模型求解,得到高分辨率图像的频率值;最后,进行傅里叶反变换即可得到高分辨率图像。实验结果表明,该重建方法获得的高分辨率影像在视觉上比用任意一帧影像经过双线性插值获得的影像要清晰得多,与实际摄取高一倍的分辨率影像几乎达到一样。对b     

遥感应用分析中影像分割方法

影像分割是数字图像模式识别的基础, 是实现从影像上进行目标计算机自动提取的第一步工作, 在遥感应用分析中具有重要意义。近年来, 随着大量的高质量的高分辨率遥感影像出现, 其相关应用迫切需要有效的、考虑其高分辨率影像特点的影像分割方法。但由于高分辨率遥感影像本身的一些特点, 遥感应用分析中传统常用的分割方法难以达到满意的效果。对遥感应用分析中的影像分割方法进行了总结和分析, 并结合高分辨率遥感影像的特点, 分析了高分辨率遥感影像分割的技术难点, 说明了基于像素的传统影像分割方法的局限性, 着重阐述了数学形态学、面向对象分析等方法能更充分地利用影像中目标的色调、纹理、几何等属性, 因此在高分辨率遥感影像分割方面更具有优势。最后, 探讨了遥感应用分析中影像分割方法的发展趋势。     

高分辨率多光谱遥感影像中城区道路信息的自动提取

提出一种从高分辨率遥感影像提取城市区域道路网络的方法。该方法采用改进的数学形态学运算方法对影像进行分割,进而得到粗略道路信息网,然后利用道路网的几何特征实现道路与建筑物的有效区分,最后通过抽骨架的方法获得最终道路网中心线。试验数据为某一城区高分辨率卫星影像,并对最终提取的结果进行了评价,结果表明,所提出的方法能够从高分辨率多波段卫星遥感影像上精确、有效、自动提取城区道路网络。     

大屏幕拼接技术及其应用

大屏幕拼接技术是现代计算机图形处理技术和各种显示技术的有机结合,实现多路独立视频信号和计算机信号同时直通显示,单元无级缩放、画中画显示,网络计算机信号快速显示,高分辨率全屏显示,灵活缩放显示、大画面跨屏清晰显示,超高分辨率图像、视频、计算机、网络信号综合显示等。广泛用于部队、武警、公安指挥中心、政府视频会议系统、企业生产调度中心等场合。该文主要介绍DLP、MPDP、LED三种主流大屏幕拼接技术的原理、结构和实际运用。     

Image super-resolution based on two-level residual learning CNN

In recent years, CNN has been used for single image super-resolution (SR) with its success of in the field of computer vision. However, in the recovery process, there are always some high-frequency components that cant be recovered from low-resolution images to high-resolution ones by using existing CNN-based methods. In this paper, we propose an image super-resolution method based on CNN, which uses a two-level residual learning network to learn residual components, i.e., high-frequency components. We use the Super-Resolution Convolutional Neural Network (SRCNN) as the network structure in each level so that our proposed method can achieve the high-resolution images with high-frequency components that cant be obtained by the existing methods. In addition, we analyze the proposed method with considering three kinds of residual learning networks, which are different in the structure and superimposed layers of the residual learning network. In the experiments, we investigate the performance of the proposed method with various residual learning networks and the effect of image super-resolution to image captioning task.

     

基于CNN的高分遥感影像深度语义特征提取研究综述

近年来,深度学习作为计算机视觉的研究热点,在诸多方面得以发展与应用。特征提取是理解和分析高分遥感影像的关键基础。为促进高分遥感影像特征提取技术的发展,总结了深度学习模型在高分遥感影像特征提取技术的研究与发展,如:AlexNet,VGG-网和GoogleNet等卷积网络模型在深度语义特征提取中的应用。此外,重点分析和讨论了以卷积神经网络模型为基础的各类深度学习模型在高分遥感影像特征提取方面的应用与创新,如:迁移学习的应用;卷积神经网络(Convolutional Neural Network,CNN)模型结构的改变;CNN模型与其他模型结构的结合等方式,均提升了深度语义特征提取能力。最后,对卷积神经网络模型在高分遥感影像深度语义特征提取方面存在的问题以及后续可能的研究趋势进行了分析。     

基于AT-PGGAN的增强数据车辆型号精细识别

目的 车型识别在智能交通、智慧安防、自动驾驶等领域具有十分重要的应用前景。而车型识别中，带标签车型数据的数量是影响车型识别的重要因素。本文以"增强数据"为核心，结合PGGAN（progressive growing of GANs）和Attention机制，提出一种基于对抗网络生成数据再分类的网络模型AT-PGGAN（attention-progressive growing of GANs），采用模型生成带标签车型图像的数量，从而提高车型识别准确率。方法 该模型由生成网络和分类网络组成，利用生成网络对训练数据进行增强扩充，利用注意力机制和标签重嵌入方法对生成网络进行优化使其生成图像细节更加完善，提出标签重标定的方法重新确定生成图像的标签数据，并对生成图像进行相应的筛选。使用扩充的图像加上原有数据集的图像作为输入训练分类网络。结果 本文模型能够很好地扩充已有的车辆图像，在公开数据集StanfordCars上，其识别准确率相比未使用AT-PGGAN模型进行数据扩充的分类网络均有1%以上的提升，在CompCars上与其他网络进行对比，本文方法在同等条件下最高准确率达到96.6%，高于对比方法。实验结果表明该方法能有效提高车辆精细识别的准确率。结论 将生成对抗网络用于对数据的扩充增强，生成图像能够很好地模拟原图像数据，对原图像数据具有正则的作用，图像数据可以使图像的细粒度识别准确率获得一定的提升，具有较大的应用前景。     

基于多分辨率自蒸馏网络的小样本图像分类

因图像数据具有大量的空间冗余信息,传统的多分辨率网络在处理图像数据时会产生较高的计算成本。而自蒸馏学习方法能够在精度与计算成本之间实现动态平衡,使模型在不增加网络深度和宽度的基础上,有效地提高模型精度。提出一种多分辨率自蒸馏网络（MRSDN）,用于解决小样本学习中输入样本的空间冗余问题。从原始网络中分出一个浅层子网络以识别图像的低分辨率表示,并且保持该原始网络识别高分辨率图像特征的能力。同时,在多分辨率网络中引入改进的全局注意力机制,以减少信息损失且放大全局交互表示。利用自蒸馏学习方法将网络中更深层的知识压缩到浅层子网络中,以提升浅层子网络的泛化能力。在此基础上,将低分辨率网络中的粗粒度特征融合到高分辨率网络中,从而提高模型提取图像特征的能力。实验结果表明,在Mini-ImageNet数据集上MRSDN网络对5-way 1-shot与5-way 5-shot任务的准确率分别为56.34%和74.35%,在Tiered-ImageNet数据集上对5-way 1-shot与5-way 5-shot任务的准确率分别为59.56%和78.96%,能有效缓解高分辨率图像输入时的空间冗余问题,提高小样本图像分类的准确率。     

基于卷积神经网络的图像超分辨率重建

单幅图像超分辨率（Super Resolution，SR）重建，是计算机视觉领域的一个经典问题，其目的在于从一个低分辨率图像得到一个高分辨率图像。目前的卷积神经网络重建算法只有三层结构，浅层结构在处理内部结构复杂的数据时，会出现表征能力不足的问题，因此提出了一个基于特征转移的八层卷积神经网络结构来实现图像超分辨率重建。针对不同的测试集，提出的卷积神经网络模型取得了更佳的超分辨率结果，不管是在主观视觉上还是在客观评价指标上均有明显改善，把数据集图像放大3倍时，对于不同算法的对比图像，该算法的峰值信噪比最高，而且在清晰度方面尤其是图像纹理边缘得到了增强。实验结果证明了基于迁移转移的八层卷积神经网络对图像超分辨率重建的有效性，且网络的收敛速度更快，在精细度方面具有更高的优势。     

嵌入式高分辨率图像采集系统的设计与实现

随着信息技术的发展,人们对图像采集系统图像分辨率的要求也越来越高,针对图像采集系统对图像精度的要求,提出了在3．5英寸嵌入式单板机平台上使用高分辨率数码相机采集现场图像数据并通过Internet传输到远程终端的设计方案,实现了高分辨率图像数据的自动获取和实时传输及显示,并具体给出了图像采集单元的软件实现和远程监控端的软件实现方法。     

基于稀疏编码的图像超分辨率复原

图像超分辨率技术一直是计算机视觉领域研究的热点,为提高图像重建速度与精度,提出了一种稀疏编码与神经网络相结合的图像超分辨率算法。首先利用前馈神经网络严格对应稀疏编码过程中的每个步骤,然后通过反向传播算法对稀疏编码的所有组成部分进行联合训练,得到最为精确的高分辨率图像。级联多个稀疏编码网络增加了算法的灵活性,并减少了伪影。     

基于小样本学习的LCD产品缺陷自动检测方法

针对高分辨率液晶显示器产品(liquid crystal display, LCD)质量在线检测需求,基于深度学习提出一种LCD缺陷自动检测方法。通过设计自适应浅层特征提取层,并引入稀疏卷积结构,多维度、多尺度的提取深层特征,采用迁移学习和深度卷积生成对抗生网络扩充数据强化训练,构建基于小样本学习的LCD表面缺陷检测模型。其特征在于,采用设计的自动分割与定位预处理软件将高分辨率图像划分成适于卷积神经网络学习的图像子块,并根据模型对图像子块的判定类别和定位坐标,同时获取多类型缺陷检测结果。实验结果表明,本文模型可以有效提高检出率,并减少漏检率。     

基于加速残差网络的图像超分辨率重建方法

针对深层网络架构的图像超分辨率重建任务中存在网络参数多、计算复杂度高等问题,提出了一种基于加速残差网络的图像超分辨率重建方法。首先,构建一个残差网络对低分辨率图像与高分辨率图像之间的高频残差信息进行重建,以减少冗余信息的深层网络传输过程,提高重建效率;然后,通过特征收缩层对提取的低分辨率特征图进行降维,从而以较少的网络参数实现快速映射;之后,对高分辨率特征图通过特征扩展层进行升维,从而以较丰富的信息重建高频残差信息;最后,将残差与低分辨率图像求和得到重建的高分辨率图像。实验结果表明,该方法取得的峰值信噪比（PSNR）及结构相似性（SSIM）均值结果较基于卷积神经网络的图像超分辨率（SRCNN）取得的结果分别提升了0.57 dB和0.013 3,较基于中间层监督卷积神经网络的图像超分辨率重建（ISCNN）取得的结果分别提升了0.45 dB和0.006 7;在重建速度方面,以数据集Urban100为例,较现有方法提高了1.5~42倍。此外,将该方法应用于运动模糊图像的超分辨率重建时,获得了优于超深卷积神经网络的图像超分辨率（VDSR）的性能。所提方法以较少的网络参数快速获得较好的重建质量,并且为图像超分辨率重建提供了新的思路。