利用最小噪声分数变换的高光谱目标探测方法

针对高光谱遥感影像特征维数多、冗余度高,同时观测信号中广泛存在各种噪声成分的问题,该文提出了一种利用特征降维的高光谱遥感影像目标探测方法。方法首先采用最小噪声分数变换算法对高光谱遥感数据进行特征降维,提取观测信号中的少量高信噪比成分组成新的数据立方,进而使用高光谱目标探测算子实现目标探测。通过对真实目标位置已知的HyMap高光谱遥感数据目标探测的实验,证明了该文提出的方法能够降低目标探测的虚警率和探测时间。     

一种利用均值匹配改进的高光谱异常检测方法

传统高光谱异常检测算法由于背景信息估计不准确等原因普遍存在高虚警率的问题,针对这一现象,提出了一种利用图像均值进行匹配改进的高光谱异常目标检测后验处理方法。首先采用传统的高光谱异常检测算法将待检测高光谱图像划分为背景与异常目标潜在区域,之后通过对待测图像求解均值,将其与异常目标潜在区域像元进行相似性匹配计算,剔除大范围误检像元,得到最终检测结果。该方法在传统异常目标检测算法基础上进行相似度量剔除大范围虚警像元,在提高原算法探测能力的同时有效地降低虚警率。实验表明,该方法可以有效降低虚警率,提高原算法对于亚像元异常目标的检测能力,且对于不同算法、不同数据具有普适性。     

基于多结构卷积神经网络的高分遥感影像飞机目标检测

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。针对该问题,构建一种多结构卷积神经网络模型(MSCNN)自动学习目标特征。通过改变卷积滤波器尺寸、数量以及网络层数,分别设计4种不同结构的CNN以提取目标从低层、中层到高层不同尺度的特征信息,并将4种CNN输出采用串行方式连接并输入到BP神经网络分类器进行训练。在检测阶段采用滑动窗口方法进行目标搜索。对高分辨遥感影像中飞机的检测实验结果表明,MSCNN在虚警率和召回率上较4种单一结构的CNN具有明显的检测优势,召回率平均提升6%,虚警率平均降低3%。对油罐的检测结果进一步表明,MSCNN可以推广到对遥感影像其他目标的检测。     

基于视觉对比度机制的红外双极性小目标检测方法

红外小目标在实际场景中常呈现"双极性"的特点.局部对比度检测算法,如(Local Contrast Method,LCM)可以检测亮目标,但在检测灰暗目标方面适应性不足.在LCM算法基础上研究了一种利用双层滑动窗口结构计算局部对比度的检测算法.中值滤波器预处理图像后,采用双层滑动窗口遍历整幅图像;依据双重局部对比度计算获得图像的显著图,可以在一次图像遍历中检测出不同尺度的小目标;最后,采用自适应阈值分割方法获得目标位置.经实验验证,能克服LCM算法不能同时检测双极性目标的不足,在检测双极性目标时降低了40％的处理时长,且在相同虚警率条件下,正确检测概率提升了12.4％.     

高分辨率遥感图像投影分析的靠岸舰船检测

目的 高分辨率遥感图像中,靠岸舰船检测有着广泛的应用前景,其主要难点在于舰船与港口陆地在空间上紧邻,在颜色和纹理特征上相似,舰船与港口陆地难以分割。针对这种情况,利用港口岸线平直的几何特点和靠岸舰船多为舷靠的停泊特点,提出一种基于投影分析的靠岸舰船检测方法。方法 首先,对原始图像进行预处理,利用K-means聚类算法与区域生长算法相结合的方式得到海陆分割图像,利用Sobel算子与Otsu分割结合的方式获取边缘图像;然后,通过改进的Hough变换提取直线特征,结合港岸几何特性定位港口岸线;再将海陆分割后的二值图像向沿岸线和垂直岸线两个方向进行投影,根据沿岸线方向投影形态确定和分离并靠舰船,根据垂直岸线方向的投影形态定位舰船目标;最后,利用舰船尺寸、长宽比、最小外接矩形占空比特征去除虚警。结果 在15个港口场景不同分辨率的遥感图像测试集上,本文方法整体检测率达到85.4%,虚警率达17.2%;限定分辨率范围在24 m的情形下,检测率提高到93.5%,虚警率降低至5.3%。结论 本文方法简单有效,无需港口先验信息,适用于多尺度和多方向的靠岸舰船目标检测任务,对不同类型舰船形态差异具有鲁棒性,且能够分离并靠舰船。     

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.     

基于分割区域及特征相似度的玉米田遥感图像分类方法

针对遥感图像中玉米田目标光谱复杂,同物异谱现象严重导致分类结果差的问题, 提出一种基于分割区域及特征相似度的玉米田遥感图像分类方法。首先利用主成分分析法(PCA) 对多光谱和高分辨全色融合图像进行第一主成分提取,以获得包含丰富图像信息的单色图像I; 对I 进行分水岭分割,得到一幅过分割目标区域图;构建由纹理、亮度及轮廓特征相似度组成 的特征组;最后基于随机森林原理,利用构建的特征组对玉米目标进行提取。用高分一号卫星 数据进行实验,并与支持向量机方法(SVM)、神经网络算法和最大似然算法进行了比较分析, 实验表明,该方法的分类精度优于其他算法。     

基于多特征融合的声纳图像人造目标检测算法

声纳图像中人造目标的自动检测是当前水下探测领域需要重点解决的问题之一.传统的基于目标回波信号强度的检测方法在海底存在岩石等类似于水雷等人造目标的情况下,常会导致较高的虚警率.由于人造目标和自然背景之间的纹理特性的不同,自然背景一般具有较复杂的纹理,而人造目标形状规则、表面光滑、纹理简单.为此,对基于扩展分形特征的声纳图像人造目标检测算法进行研究,同时利用灰度统计信息进行信息融合,给出了多特征融合的检测算法.仿真实验表明该方法在声呐图像人造目标检测中具有较好的检测性能.     

联合显著性特征与卷积神经网络的遥感影像舰船检测

目的 针对高分辨率遥感影像舰船检测受云雾、海浪以及海岛等复杂因素干扰,存在虚警率高、漏检率高、目标检测和识别困难等问题,提出一种联合视觉显著性特征与卷积神经网络的海面舰船目标检测方法。方法 基于频率域相位谱显著性检测能够有效抑制高分辨率遥感影像上云层、海面杂波干扰的特点,计算影像多尺度显著图并进行加权融合。采用对数变换对融合后的图像进行空间域灰度增强以提高目标与背景的区分度,利用灰度形态学闭运算填充舰船目标孔洞,采用大津分割法来提取疑似舰船目标作为兴趣区域。最后构建舰船样本库,利用迁移学习的思想训练卷积神经网络模型,对所有兴趣区域切片进行分类判断和识别,得到最终检测结果。结果 利用多幅不同背景下的高分辨率遥感影像,分别从视觉显著性检测、舰船粗检测与船只类型识别3个方面进行实验验证,选取检测率、虚警率、识别率3个指标进行定量评价。结果表明,本文方法相比于其他方法能有效排除云雾、海岛等多种因素的干扰,检测率、虚警率、识别率分别为93.63%、3.01%、90.09%,明显优于其他算法,能够实现大范围影像上多种类型舰船的快速准确检测和识别。结论 本文将图像视觉显著性检测快速获取图像显著目标的特点与卷积神经网络在图像分类的优势相结合,应用于遥感影像的海域舰船目标检测,能够实现对复杂背景下舰船目标的检测和船只类型的精细化识别。     

基于最小噪声分离的约束能量最小化亚像元目标探测方法

提出了一种基于最小噪声分离的约束能量最小化亚像元目标探测方法。利用最小噪声分离变换,降低高光谱遥感影像的维数,同时分离高光谱遥感影像中的噪声。利用约束能量最小化方法对低维数据进行亚像元目标探测,避免了求解影像虚拟维数和病态矩阵求逆的问题。实验结果表明,该方法可以很好地抑制噪声的影响,亚像元目标探测率较高,是一种快速有效的高光谱遥感影像亚像元目标探测方法。     

高分辨率光学遥感影像舰船检测算法研究

针对传统舰船检测方法在高分辨率光学遥感影像中虚警率较高的问题,提出了一种适用于高分辨率光学遥感影像的舰船检测算法。利用能够表征地物纹理特征的二维图像熵结合区域生长原理实现海陆分离,在舰船目标分割阶段,引入视觉显著性模型,解决了不能分割暗极性舰船目标的问题,大部分场景下分割精度较高。最后在分割出的候选目标中,采用多特征量综合的方法剔除虚警。结果表明,该算法在舰船目标检测中有较高的检测率和较低的虚警率。     

遥感舰船目标检测识别方法

针对基于经典图像处理方法的目标检测识别方法虚警率高、分类效果差等问题,提出了一种基于深度学习的光学遥感舰船目标检测识别方法。该方法采用形态学运算+深度学习的方法,基于视觉增强技术快速筛选疑似目标,大幅降低需处理的数据量;采用深度学习网络,大幅降低目标检测虚警率。在2片Xilinx FPGA上完成了设计验证,利用FPGA全并行流水处理的特点,大幅提升处理效率和实时性,相对采用i7-CPU和GPU-GTX1050实现该算法,能效比分别提升260倍和28倍。经16景高分2号卫星遥感图像验证,目标检测识别率高于98%,虚警率低于5%。与现有的目标检测识别方法比,该方法在工程化能力、鲁棒性、实时性、准确率、能效比等方面达到较好平衡,性能优越,优于当前业内方法。     

FRDet:一种基于候选框特征修正的多方向遥感目标快速检测方法

在遥感图像的目标检测任务中,为了能更加准确地定位目标,现有的基于候选框特征提取的one-stage检测方法是在每个空间位置上,充分预设多个候选框从而覆盖住待检测目标,然而这会造成one-stage检测方法计算复杂度的大幅提升。本文提出一种基于候选框特征修正的多方向遥感目标检测方法。在该方法中,特征图的每个位置仅预设一个候选框,通过回归学习进行特征修正后得到的候选框替换掉原始的框,再由one-stage检测方法的分类层和回归层分别进行识别和定位。所提方法采用Mobilenetv2作为检测网络的基本结构,在DOTA数据集上飞机的检测率可达96.8%,虚警率为6.7%,mAP值达0.87,并且具有完全的实时结果,超过了SSD、YOLOv3等所有基于候选框特征提取的的遥感图像检测方法。由于本文方法巧妙地避开了候选框的宽高比和尺度的先验设计,因此本文方法很容易应用于其他类似的检测任务中,即插即用,具有很强的任务适应性。     

Comparison of directly measured to derived polarization imagery using an adaptive signature detection algorithm

Directly measured linear polarization images are shown to be more effective in target detection compared with derived imagery using a constant false alarm rate (CFAR) detection algorithm. The CFAR algorithm is derived from a maximum likelihood ratio test and is used to compare two pairs of inputs. One pair is directly measured imagery: an image with reflectivity/emissivity and a linear polarization and another with reflectivity/emissivity and a linear polarization perpendicular to the first image. The other pair is the first two Stokes images (S₀, S₁): a linear polarization image and a reflectivity/emissivity image. Detection using the directly measured pair is shown to be consistent with detection using the derived pair. Furthermore, using the directly measured pair is computationally simpler, and for target detection on natural backgrounds, does not increase the false alarm rate.     

The impact of false alarm mitigation on surface landmine detection in MWIR imagery

Surface landmine and minefield detection from airborne imagery is a difficult problem. As part of the minefield detection process, anomaly detection is performed to identify potential landmines in individual airborne images. Post-processing is performed on the initial landmines identified to reduce the number of false alarms, referred to as false alarm mitigation. In this research, a circular harmonics transform image processing approach (the CHT method) and a constant false alarm rate technique (the RX approach) are investigated for surface landmine detection and false alarm mitigation in medium wave infrared (MWIR) image data. The false alarm mitigation approach integrates the CHT and RX methods to identify candidate landmine locations with one technique at a given false alarm rate and applies the other technique to confirm landmine locations and eliminate potential false alarms. Individual detector and false alarm mitigation experimental results are presented for 31 daytime and 43 nighttime MWIR images containing 76 and 142 landmines, respectively. At a 0.9 desired probability of landmine detection, experimental results show that false alarm mitigation reduces the false alarm rate by as much as 84.3% and 13.7% for daytime and nighttime images, respectively, maintaining the probability of detection at 0.85 and 0.90, respectively.     

沉积岩石信息的热红外多光谱遥感探测及有效性评价

在对热红外多光谱（ＴＩＭＳ）遥感的探测机理及其图像专题信息提取方法的综合分析基础上，以不同沉积岩石的化学成分，矿物组成，结构，反射和发射光谱特征的实验室分析温度测试结果为依据，对不同沉积岩石的热红外多光谱遥感成像机制进行了探讨，并对比分析了不同沉积岩石ＴＩＭＳ图像和ＴＭ图像的识别效果。     

先验终端像元库支持下的GF-4多光谱影像自动云检测

高分四号卫星是我国第一颗地球同步轨道遥感卫星,以其高频、宽幅的特点,可为我国农业、林业、减灾、气象、环保和水利等应用提供快速、稳定的光学遥感影像,高效的影像自动云检测有助于进一步提高高分四号影像的利用效率。CDAG（Cloud Detection Algorithm-Generating）是一种基于像元组分光谱分析的自动云检测算法,能有效降低混合像元、复杂表面结构和大气等因素的影响。为了探索CDAG算法对于高分4号多光谱影像（GF4-PMS）的云检测应用能力,首先,从高光谱影像（AVIRIS）上选取不同的云类型和各种地表覆盖类型,建立云像元库和地物像元库;其次,基于高光谱像元库和GF4-PMS传感器光谱响应函数模拟出多光谱影像像元库;然后,根据碎云、薄云、厚云及非云像元的光谱差异性分析,将GF4-PMS影像的待检测像元与终端像元进行相似概率分析,实现基于最佳阈值自动迭代的GF4-PMS影像云检测;最后,从云像元正确率、晴空像元正确率、误判率、漏判率等多个指标进行云检测精度验证。结果表明：AVIRIS影像可以有效提取适用于GF4-PMS影像云检测的终端像元库,基于CDAG算法能较好地识别GF4-PMS影像上各种类型的云,对于不同时相、不同下垫面的碎云、薄云、厚云的检测精度可达90%以上。因此,基于先验终端像元库的云检测法对于提升GF4-PMS影像的利用效率具有较好的应用价值。     

注意力机制改进卷积神经网络的遥感图像目标检测

目的 遥感图像目标检测是遥感图像处理的核心问题之一,旨在定位并识别遥感图像中的感兴趣目标。为解决遥感图像目标检测精度较低的问题,在公开的NWPU_VHR-10数据集上进行实验,对数据集中的低质量图像用增强深度超分辨率（EDSR）网络进行超分辨率重构,为训练卷积神经网络提供高质量数据集。方法 对原Faster-RCNN （region convolutional neural network）网络进行改进,在特征提取网络中加入注意力机制模块获取更多需要关注目标的信息,抑制其他无用信息,以适应遥感图像视野范围大导致的背景复杂和小目标问题;并使用弱化的非极大值抑制来适应遥感图像目标旋转;提出利用目标分布之间的互相关对冗余候选框进一步筛选,降低虚警率,以进一步提高检测器性能。结果 为证明本文方法的有效性,进行了两组对比实验,第1组为本文所提各模块间的消融实验,结果表明改进后算法比原始Faster-RCNN的检测结果高了12.2%,证明了本文所提各模块的有效性。第2组为本文方法与其他现有方法在NWPU_VHR-10数据集上的对比分析,本文算法平均检测精度达到79.1%,高于其他对比算法。结论 本文使用EDSR对图像进行超分辨处理,并改进Faster-RCNN,提高了算法对遥感图像目标检测中背景复杂、小目标、物体旋转等情况的适应能力,实验结果表明本文算法的平均检测精度得到了提高。     

Automatic Cloud Detection of GF4 Multispectral Imagery Supported by the Priori Terminal Pixel Library

The GaoFen4 (GF4) satellite is China’s first geo-synchronous orbit remote sensing satellite. With the advantages of high frequency and wide width, it can provide fast and stable optical remote sensing images for agricultural, forestry, disaster reduction, meteorology, environmental protection, water conservancy and other applications in China. Efficient image automatic cloud detection helps to further improve the utilization efficiency of GaoFen4 images. CDAG（Cloud Detection Algorihtm-Generating）Cloud detection is an automatic cloud detection algorithm based on spectral analysis of pixel components, which can effectively reduce the influence of mixed pixels, complex surface structure and atmosphere. This paper aims to explore the application of CDAG algorithm in cloud detection of GaoFen4 multispectral imagery (GF4-PMS). Firstly, different cloud types and surface cover types were selected from hyperspectral images (AVIRIS) to establish cloud pixel library and clear sky pixel library. Next, the pixel library of multispectral images was simulated based on Hyperspectral pixel library and spectral response function of GF4-PMS sensor. Then, according to the spectral difference analysis of broken cloud, thin cloud, thick cloud and non-cloud pixel, the similarity probability analysis was performed on the to-be-detected pixel of the GF4-PMS image and the terminal pixel, and the GF4-PMS image cloud detection based on the optimal threshold automatic iteration was realized. Finally, cloud detection accuracy verification was carried out from multiple indicators such as cloud pixel correct rate, clear sky pixel correct rate, false positive rate and missed rate. The results show that AVIRIS images can effectively extract terminal pixel libraries for GF4-PMS image cloud detection. Clouds of Various types on GF4-PMS images can be better identified based on the CDAG algorithm. The accuracy of detection results for broken clouds, thin clouds and thick clouds with different time phases and different underlying surfaces can reach more than 90%. Therefore, the cloud detection method based on the priori terminal pixel library has a good application value for improving the utilization efficiency of GF4-PMS images.