多源遥感图像融合方法研究

研究多源遥感图像的融合技术,针对不同传感器获取的遥感图像像素信息有很大差异.当所要融合的图像是多源遥感图像时,应提取多图像的有效信息,组合出高质量的图像.传统IHS图像融合方法无法避免多源图像像素不匹配带来的有效像素丢失,造成融合图像模糊,清晰度不高的问题.提出一种基于Contourlet变换的遥感图像融合方法,通过对图像进行Contourlet变换后提取各源图像的特征信息,并计算提取特征所包含的信息量,选取高信息景的特征进行融合,最后通过进行Contourlet逆变换即得到多源融合图像,利用信息量融合配准的方法就避免了直接对不匹配像素运算而造成的有效像素丢失.实验证明,改进的优化融合方法能够保留图像的有效信息,得到高清晰度的融合图像.     

基于改进SSD算法的遥感图像目标检测

在遥感图像目标检测领域,多数目标检测算法针对小目标检测时效果不佳,为此,提出一种多尺度特征融合的遥感图像目标检测算法。利用SSD算法的基础网络进行特征提取,形成特征图金字塔。设计特征图融合模块,融合浅层特征图的位置信息和深层特征图的语义信息,从而保留丰富的上下文信息。设计冗余信息去除模块,通过卷积操作进一步提取特征图中的特征,并对特征信息进行筛选,以减少特征图融合时带来的混叠效应。在遥感图像数据集NWPU VHR-10上的实验结果表明,该算法的平均检测精度高达93.9%,其针对遥感图像小目标的检测性能优于Faster R-CNN和SSD等算法。     

基于遥感图像融合的目标检测算法

在一些遥感图像中由于目标不清晰或背景复杂,使得目标的检测变得困难.图像融合可以把来自多传感器的图像信息综合起来,提高对图像信息分析和提取的能力.通过把同一目标的不同传感器获得的图像数据利用小波包变换进行融合,这种方法能够很好地将多源图像的细节融合在一起,得到目标较为清晰的融合图像.在此基础上利用数学形态学的方法进行目标检测,得到了满意的效果,证明了这种方法的有效性.     

面向光学遥感图像典型目标检测的SSD模型优化

本文面向光学遥感图像目标检测应用,针对光学遥感图像中的典型目标一飞机和汽车,提出一种改进的SSD模型:首先在SSD (Single Shot multibox Detector)网络模型基础上引入多尺度特征融合模块,实现深层特征与浅层特征的融合以获得更多的特征上下文信息,增强网络对目标特征的提取能力;其次根据数据集目标样本尺寸分布特征进行聚类分析获得更准确的默认目标框参数,从而有效提升网络对目标位置信息的提取能力.将本文模型与SSD及YOLOv3模型在常用遥感图像目标检测数据集上进行对比,目标检测精度均有较大提升,验证了该模型的有效性.     

基于影像特征融合的遥感图像重构模式研究

基于影像特征级数据融合的遥感图像重构是在突出目标地物的空间结构和纹理特征情况下的信息融合。在数字图像小波多分辨率分析理论基础上，采用小波变换方法对高分辨遥感图像的目标地物边缘进行信息增强，然后与多光谱遥感图像进行特征信息融合。在融合过程中，首先对多光谱图像中的R、G、B三个波段的图像进行小波分解，得到相应的低频图像，然后对特征增强后的高分辨率图像进行小波分解，再将分解后的高频图像分别与低频图像进行融合，最后经RGB合成为彩色图像。该方法既改善了图像的清晰度和分辨率，同时也保留了原图像的光谱信息。通过融合实验验证了上述结论。     

基于聚类和NSCT的遥感图像融合算法

研究遥感图像融合问题。针对遥感图像数据在时间、空间和光谱方面差异大,图像分辨率低等问题,为有效提高遥感图像的分辨率,提出了一种基于聚类和NSCT的遥感图像融合算法。首先对源图像进行小波变换提取源图像特征;然后利用改进的模糊C均值聚类算法在多特征形成的特征空间上对图像进行区域分割,并在此基础上对区域进行NSCT分解,通过设计的区域相似度度量方法,以信息度大的区域作为融合区域,对不同的区域采用不同的融合规则进行融合,最后进行重构得到融合图像。仿真结果表明,对比其它图像融合算法,改进的遥感图像融合算法可获得较理想的融合图像,具有一定的实用性。     

基于特征融合的可见光图像舰船检测新方法

该文以可见光图像舰船目标为研究对象,提出了用多谱图像和全色图像进行特征融合来检测舰船目标的方法。该方法首先利用多谱图像实现水域和陆地的分离,然后把分类结果映射到全色图像上从而实现在全色图像上区分水域和陆地;屏蔽陆地后用Otsu方法分别在多谱图像和全色图像上对目标进行分割,并提取目标特征,最后对目标特征进行融合来检测舰船目标。实验证明该方法有效可行。     

基于多尺度几何分析与核匹配追踪的图像识别

提出一种图像特征提取与识别方法.该方法利用图像多尺度几何分析中的Contourlet变换表示图像的丰富轮廓特征信息,利用Brushlet变换表示图像的纹理和平滑特征信息,将此两部分特征信息融合组成特征矩阵.选择模糊C-均值聚类算法对特征矩阵进行聚类分析,获得其数据分布信息,再采用核匹配追踪分类器进行目标识别.该方法对图像中不同种类信息采用不同的表示工具,达到有效保持原始图像中有用信息的目的.对纹理图像和遥感图像进行分类与识别,结果表明与单独Contourlet和Brushlet特征提取方法相比,本文方法识别率高、运行时间短.     

基于图像显著性区域的遥感图像机场检测

针对已有方法对图像逐像素进行分析的不足,将人眼的注意力选择计算模型引入到遥感图像的机场目标检测中,提出一种基于图像显著性区域的遥感图像中机场目标检测与识别的方法,以提高自动目标检测的效率.首先利用霍夫变换对遥感图像中是否存在机场目标进行初步筛选,然后利用改进后的基于图像的视觉显著性模型提取显著性区域,根据区域上的尺度不变特征变换特征并结合多层分类回归树完成机场目标的识别.实验结果表明,该方法比现有的其他机场检测方法具有速度快、识别率高、虚警率低的特点,同时对噪声有较强的鲁棒性.     

基于多特征空间及其优化的城市遥感图像目标识别

城市遥感图像目标识别能够监测城市地物类型, 是近年来的热点研究话题, 然而, 基于像元的传统方法不能充分利用高分辨率遥感图像的特征信息, 基于对象的传统方法无法精确提取到对象. 针对传统方法的不足, 本文提出一种基于多特征空间及其优化的城市遥感图像目标识别方法, 该方法以两种传统方法为前提, 在联合像元特征与对象特征的基础上, 补充VGG19网络提供的深度特征来构建多特征空间, 利用XGBoost算法对多特征空间进行特征选择, 建立了一个最优特征空间, 最后送入随机森林识别器, 从而实现对城市遥感图像目标的识别. 实验结果显示, 本文方法的识别精度达到87.89%, Kappa系数达到0.83, 对研究区域具有较高的识别能力, 是一种城市遥感图像目标识别的有效方法.     

SAR图像中海上舰船目标自动检测新方法

针对中分辨率近岸海域SAR图像,结合已有的舰船检测算法,提出了一种新的海上舰船目标自动检测方法。该方法先根据相应的抽取算法和图像数据映射准则,分离图像中的海洋和陆地区域,并结合最大熵分割法提取海洋背景中包含候选目标的感兴趣区域,最后利用特征匹配方法检测出真正的舰船目标。对50多幅SAR图像进行了试验,其结果表明该方法能自动、快速、准确地检测出图像中舰船目标。     

基于特征融合卷积神经网络的SAR图像目标检测方法

针对合成孔径雷达图像目标在背景复杂、场景较大、干扰杂波较多情况下检测困难的问题,设计一种层数较少的卷积神经网络,在完备数据集验证其特征提取效果后,作为基础特征提取网络使用。在训练数据集中补充复杂的大场景下目标训练样本。同时设计一种多层次卷积特征融合网络,增强对大场景下小目标的检测能力。通过对候选区域网络和目标检测网络近似联合训练后,得到一个完整的可用于不同的复杂大场景下SAR图像目标检测的模型。实验结果表明,该方法在SAR图像目标检测方面具有较好的效果,在测试数据集中具有0.86的AP值。     

引入通道注意力和残差学习的目标检测器

现有目标检测器特征金字塔无法充分利用不同尺度特征图的特征信息,不适用于低分辨率图像的目标和小目标的检测.针对此问题,文中提出引入通道注意力机制和残差学习块的目标检测器.首先引入通道全局注意力机制,通过网络学习特征图中不同通道特征的权重,增强有效的全局特征信息.然后采用轻量级的残差块,突出特征的微小变化,提高低分辨率图像中小目标的检测性能.最后在用于预测的浅层特征图中融合深层特征,提高小目标的检测精度.在标准测试数据集上的实验表明,文中目标检测器适用于低分辨率图像,对小目标的检测效果较优.     

SAR图像舰船目标检测的信息几何方法

目的 舰船目标检测是合成孔径雷达（SAR）图像在海事监测领域中的一项重要应用。由于海面微波散射的复杂性,SAR图像中海杂波分布具有非均匀性、非平稳性等特点,传统的基于恒虚警率（CFAR）的SAR图像舰船检测算法难以适应复杂多变的海杂波环境,无法实现实时有效的智能检测任务。鉴于此,本文提出了基于信息几何的SAR图像船舰目标检测方法,旨在分析统计流形及其在参数空间中的几何结构,探讨信息几何在SAR图像目标检测应用中的切入点,从新的角度提升该应用领域的理论与技术水平。方法 首先,运用威布尔分布族对SAR图像中的海杂波进行统计建模,利用最大似然方法估计SAR图像局部邻域像素的分布参数,并将不同参数下的统计分布作为威布尔流形上的不同点;其次,融合高斯分布的费歇耳度量来构造威布尔流形空间中概率分布之间的测度,实现目标与背景区域的差异性表征;最后,利用最大类间方差法,实现SAR图像舰船目标检测。结果 实验和分析表明,相比于传统的基于恒虚警率的检测算法,信息几何方法可以有效地区分舰船目标和海杂波背景,降低虚警率,实现舰船目标显著性表示与检测。结论 由于舰船目标的复杂后向散射特性,如何有效地表征这一差异,是统计类检测算法的关键所在。本文依据信息几何理论,将概率分布族的参数空间视为微分流形,在参数流形上构造合适的黎曼度量,对SAR图像中各像素局部邻域进行测度表征,可以显著性表示目标与背景杂波之间的统计差异,实现舰船目标检测。     

结合结构相似度的自适应多尺度SAR图像变化检测

目的 结合高斯核函数特有的性质,提出一种基于结构相似度的自适应多尺度SAR图像变化检测算法。方法 本文提出的算法包括差异图像获取、高斯多尺度分解、基于结构相似性的最优尺度选择、特征矢量构造以及模糊C均值分类。首先,通过对多时相SAR图像进行对数比运算获取差异图像,然后,利用基于图像的结构相似度估计高斯多尺度变换的最优尺度,继而在该最优尺度参数下逐像素构建变化检测特征矢量,最后通过模糊C均值聚类方法实现变化像素与未变化像素的分离,生成最终的变化检测结果图。结果 在两组真实的SAR图像数据上测试本文算法,正确检测率分别达到0.9952和0.9623,Kappa系数分别为0.8200和0.8540,相比传统算法有了较大的提高。结论 本文算法充分利用了尺度信息,对噪声的鲁棒性有所提高。实测SAR数据的实验结果表明,本文算法可以智能获取最优分解尺度,显著提高了SAR图像变化检测性能。     

基于改进正则化方法的SAR图像区域特征提取

合成孔径雷达(SAR)图像上的各种噪声削弱了目标、阴影等感兴趣区域(region of interest,ROI)的细节特征,影响了后续的目标检测、分类和识别等应用。传统的正则化方法能够增强SAR图像的目标特征,但是运算量过大,实时性不好。提出一种改进的正则化方法,有效地提高了SAR图像区域特征提取的速度和精度。理论上证明,降质算子的优化可以使运算量由O(M3N3)降到O(MN),同时保留了区域特征增强的能力。利用MSTAR数据库中实测的SAR图像进行算法验证,实验结果表明该方法能够大幅度提高目标杂波比,有效抑制感兴趣区域内的噪声,从而更精确地把目标和阴影等区域从背景杂波中提取出来。     

改进YOLOv5的SAR图像舰船目标检测

近年来针对合成孔径雷达（synthetic aperture radar,SAR）图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究,利用深度学习技术可以有效避免传统的复杂特征设计,并且检测精度得到极大改善。针对舰船目标检测框具有高长宽比和密集排列问题,提出一种基于改进YOLOv5的目标检测方法。该方法针对舰船目标检测框特点将检测框长宽作为参数进行综合考虑并对损失函数进行曲线优化,并结合坐标注意力机制（coordinate attention,CA）,在模型轻量化的同时实现对舰船目标检测的高速与高精度并存。实验结果表明：相比原YOLOv5方法,该方法的检测精度由原来的92.3%提升到96.7%,mAP（mean average precision）指标由原来的92.5%提升到97.2%,明显优于对比方法。通过改进检测框损失函数和特征提取方式,提高对SAR图像中舰船目标的检测效果。     

复杂背景下SAR近岸舰船检测

目的 船舶在合成孔径雷达（synthetic aperture radar, SAR）图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法 本文在FCOS （fully convolutional one-stage）网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块（convolutional block attention module,CBAM）与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet （path aggregation network）的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果 本文在公开的SAR图像舰船数据集SSDD （SAR ship detection dataset）上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN （region convolutional neural network）提高1.67 s,明显优于对比方法。结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。     

SAR图像目标检测的互信息非负矩阵分解算法

提出了满足指数分布的概率模型框架下实现非负矩阵分解的目标函数和相应的算法。同时针对非负矩阵分解方法中的基向量无序性这一特点,将基于互信息的特征选择算法 与其结合起来解决了基向量的排序问题。利用目标的先验知识获得有利目标表示的特征向量组,然后用该特征向量组进行滤波,分别获得待测图像的特征图,通过加权的方式将所 有的特征图合并为一个总的特征图,最后在特征图上通过选取合适的阈值将目标提取出来。使用MIT林肯实验室ADTS（advanced detection technology sensor）高分辨率机载SAR 目标数据进行仿真,结果表明该方法是一种精度较高的目标检测算法。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。