图像不变矩的推广

该文提出了一种快速有效的推导不变矩的方法——三角函数生成法，建立了一种不变矩空间，总结出不变矩的一般构造规律，导出了5个新的不变矩表达式C8～C12其它高阶不变矩表达形式也可采用类似的构造方案．在此基础上还得出多种高阶不变矩的表达通式，讨论了不变矩的反射变换特性．并在实验中给出了离散情况下一些图像不变矩的稳定性比较．利用扩充后的不变矩特征集能更准确地对图像进行分类和识别．     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

基于不变矩和SVM分类的三维目标识别方法

在计算机视觉问题的研究中,针对三维目标识别,可综合应用图像的不变矩特征和支持向量机分类方法,为快速目标识别,减少计算量,提出了一种红外图像中多视点目标的识别方法.首先获取各类三维目标的若干二维视图,将视图放在一起进行标准化处理并提取它们的不变特征矩.然后对每组视图的Zernike矩进行聚类;将聚类中心对应的Zernik...     

一种改进的不变矩特征与物体识别

引入了一种改进的不变矩特征表示方法。不变矩特征通过7个不变矩量很好地表征了图像的局部结构信息;通过压缩不变矩的值,得到了更优秀和实用的特征表示。改进的不变矩表示方法进一步包含图像的全局结构信息。实验结果表明,改进的不变矩比不变矩有着更好的识别效果,比现有的物体识别方法有着更大的优势,其易于执行,省去了参数调节,且效率高。     

基于改进的阶次规正不变矩小目标识别新方法

提出了一种基于改进的阶次规正不变矩卫星图像小目标识别方法。首先将卫星图像分割成子块，以图像灰度方差描述子块图像特征，应用所提出的子块合并理论进行分类，减少了卫星图像识别的计算量，大大降低了误判率。提出了改进的阶次规正不变矩理论，并将其应用于小目标物体识别中。以改进的阶次规正不变矩特征作为检测模板和待识别小目标图像相似度的测度，有效区分了小目标物体间的较小差别并解决了由噪声所造成的不封闭性问题；同时将GA理论引入图像匹配识别中。实验结果表明：所提方法识别率可达96．67％，该方法的提出对于图像自动识别具有非常重要的现实意义。     

多时相遥感影像相对辐射校正方法对比

针对目前大区域多时相遥感影像在进行相对辐射时,如何选择合适的校正方法的问题,该文对比分析了目前比较流行的相对辐射校正方法,分析影响因素和适用条件。选择直方图匹配法、基于统计量的校正方法、图像回归法、伪不变特征法和暗集-亮集法5种相对辐射校正方法,以大兴安岭地区两期TM遥感数据为实验数据,运用均方根误差、归一化植被指数与像元灰度值变动范围3种统计特征参数和差值法对采用5种方法校正后的遥感图像进行分析与评价。研究结果表明:5种相对辐射校正方法都减小了遥感图像之间的变化程度,提高了动态监测精度。综合研究区域特征、校正方法对图像变化程度的影响以及易操作性等因素分析,暗集-亮集法和伪不变特征法校正效果最好。     

基于先验知识的小目标快速随机识别方法

文章提出了一种基于先验知识的快速随机识别方法,能够从有背景噪声的遥感图像中快速识别出小目标。此方法基于不变矩进行识别,在识别中采用最大类间方差法自动选取阈值,使用中值滤波进行噪声的抑制,并且采用一种基于先验知识的随机匹配算法以加快匹配速度。实验结果表明,这种方法有很快的速度和比较高的精度。     

基于圆投影及直方图不变特征的图像匹配方法

本文在不变矩进行深入探讨的基础上提出了一种基于圆投影及直方图不变特征的图像匹配方法.通过圆投影方法进行预处理,采用圆形模板对待匹配图像进行快速搜索,然后选择三种直方图不变矩作为图像特征量进行匹配.实验表明,该方法有效解决了目标图像和匹配图像之间存在的较大旋转问题,大大减少了匹配时间.     

采用独立分量分析Zernike矩的遥感图像飞机目标识别

为了提高遥感图像目标自动识别系统的准确性,提出了一种新的采用独立分量分析(ICA)Zern ike矩的飞机目标识别方法.首先对分割后的目标区域进行独立分量分析处理,将待识别目标形状转换到标准形式,然后对标准化后的图像目标提取Zern ike矩作为特征向量进行识别.通过实验表明此方法具有鲁棒性,能有效地消除遥感图像目标尺度、旋转、平移、反转和扭曲影响,能够有效地识别遥感图像飞机目标.     

旋转对称矩量法高阶算法研究

直接应用三维矩量法求解旋转对称目标的电磁散射特性计算效率较低,计算机内存耗费大,利用其结构特点可降维获得一种更为有效的计算方式。然而对于电大目标,这种改进依然是不够的。文中根据旋转对称目标矩量法（ BOR-MOM）中电流的分解特征,构建了一种基于切比雪夫近似的高阶基函数,将电流的切向分量和方位角分量分别以该高阶基函数展开后应用矩量法求解。实验结果表明：高阶BOR-MOM算法在低剖分下,具有很高的计算精度,计算效率和存储耗费得到了较大改善。     

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.     

光学遥感图像多目标检测及识别算法设计与实现

针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性,多目标检测及识别成为了一个非常值得关注的研究课题,提出了一种光学遥感图像多目标检测及识别算法.首先,采用自适应阈值算法对目标快速检测分割;然后,结合图像金字塔思想和基于尺度不变特征变换的特征包(BoF-SIFT)特征提出了一种分层的BoF-SIFT特征表示目标的全局特征和局部特征,详细地描述了目标的分布特性;最后,采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法,经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别,识别率达到了93.52%.实验结果表明,所提算法对多类遥感图像目标的分割效果显著,特征选取恰当,识别方法快速有效.     

航空遥感图像深度学习目标检测技术研究进展

航空遥感图像目标检测旨在定位和识别遥感图像中感兴趣的目标,是航空遥感图像智能解译的关键技术,在情报侦察、灾害救援和资源勘探等领域具有重要应用价值。然而由于航空遥感图像具有尺寸大、目标小且密集、目标呈任意角度分布、目标易被遮挡、目标类别不均衡以及背景复杂等诸多特点,航空遥感图像目标检测目前仍然是极具挑战的任务。基于深度卷积神经网络的航空遥感图像目标检测方法因具有精度高、处理速度快等优点,受到了越来越多的关注。为推进基于深度学习的航空遥感图像目标检测技术的发展,本文对当前主流遥感图像目标检测方法,特别是2020—2022年提出的检测方法,进行了系统梳理和总结。首先梳理了基于深度学习目标检测方法的研究发展演化过程,然后对基于卷积神经网络和基于Transformer目标检测方法中的代表性算法进行分析总结,再后针对不同遥感图象应用场景的改进方法思路进行归纳,分析了典型算法的思路和特点,介绍了现有的公开航空遥感图像目标检测数据集,给出了典型算法的实验比较结果,最后给出现阶段航空遥感图像目标检测研究中所存在的问题,并对未来研究及发展趋势进行了展望。     

结合多通道注意力的遥感图像飞机目标检测

针对尺度多样化、目标密集、成像质量较差的遥感影像上飞机目标识别精度低的问题,提出结合平行层特征共享结构和注意力机制的遥感飞机目标自动检测模型AFF-CenterNet。该方法采用“编码-解码”的主干网络结构,以ResNet50进行基础特征提取;引入空洞卷积与注意力约束的平行层特征共享结构进行特征融合,有效提高了算法的特征提取能力;在UCAS-AOD和RSOD公共遥感数据集上分别进行实验,检测精度达到96.78%,相较于Faster R-CNN、SSD、YOLOv5s和原CenterNet算法分别提高了6.2、7.2、1.48和16个百分点。实验结果表明,该AFF-CenterNet算法在保持一定计算效率的条件下最大化CenterNet的小目标表征能力,有效提升了遥感影像中飞机的检测精度,对实现遥感影像飞机快速检测具有一定的参考意义。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于优化Faster-RCNN的遥感影像飞机检测

针对传统飞机检测算法特征学习能力较弱,在背景复杂、目标密集、成像质量较差的遥感影像上检测精度较低的问题,提出了一种基于Faster-RCNN（Faster-Regions with Convolutional Neural Network）框架的遥感影像飞机检测优化算法。以ResNet50为基础特征提取网络,引入空洞残差块进行多层特征融合,构建新的特征提取网络,提高算法的特征提取能力。首先在UCAS-AOD数据集上采用交叉验证训练方法验证模型在不同训练集与测试集上的稳定性,同时比较不同算法的检测性能;然后在NWPU VHR-10数据集上进行飞机检测对比实验,验证模型泛化性。实验结果表明：在UCAS-AOD数据集上优化算法平均精度为97.1%,在NWPU VHR-10数据集上优化算法平均精度为96.2%。该优化算法能够提升遥感影像中飞机的检测精度,且泛化性更强,对实现遥感影像飞机快速检测具有一定的参考意义。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

遥感图像语义分割中的弱监督域自适应算法

近年来,遥感图像的语义分割得到广泛应用。虽然基于深度学习的方法极大程度地提高了遥感图像的语义分割精度,但由于遥感图像的多样性（不同的地理位置、地形和天气条件）以及像素级标签的缺乏,该算法难以适用于跨多个域的任务。而若重新训练新的域则需要消耗大量人力资源来收集相应的像素级标签。为了解决这一跨域问题,基于对抗学习提出了一种目标域图像级标签已知的弱监督域自适应方法：利用图像级标签,提出多类域判别器,使目标域各个类别自适应地对齐到源域;为保持训练过程的平稳,一种基于熵值产生目标域像素级伪标签的方法被提出以监督特征提取器,提升模型表现。在ISPRS Vaihingen与ISPRS Potsdam数据集上的大量实验表明,改进后的算法优于其他遥感图像语义分割中的基于对抗学习域自适应算法。     

深度学习的典型目标检测算法研究综述

目标检测是计算机视觉的一个重要研究方向,其目的是精确识别给定图像中特定目标物体的类别和位置。近年来,深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）所具有的特征学习和迁移学习能力,在目标检测算法特征提取、图像表达、分类与识别等方面取得了显著进展。介绍了基于深度学习目标检测算法的研究进展、常用数据集特点以及性能指标评价的关键参数,对比分析了双阶段、单阶段以及其他改进算法的网络结构和实现方式。阐述了算法在人脸、显著目标、行人、遥感图像、医学图像、粮虫等检测领域的应用进展,结合当前存在的问题和挑战,展望分析了其未来的研究方向。