面向对象特征融合的高分辨率遥感图像变化检测方法*

针对高分辨率遥感图像变化检测的难点和传统像元级变化检测方法的局限性,提出了基于面向对象的思想,利用分割后图像对象的光谱特征、纹理特征、形状特征分别进行变化检测,然后将不同对象特征检测结果进行融合得到最终结果。实验表明了本方法比传统的像素级方法对高分辨率遥感图像变化检测有较强的优势。     

基于DBN与对象融合的遥感图像变化检测方法

在高分辨率光学遥感图像变化检测中,多数面向对象的方法只能利用简单的特征组合得到对象特征,难以进行高层特征的设计和提取。针对该问题,提出一种基于深度置信网络和对象融合的图像变化检测方法。将变化检测转化为二分类问题,并把图像像素作为分类单元,在特征学习和分类阶段设计多尺度的图像特征学习和分类方法,以充分利用图像目标的上下文信息。在此基础上设计基于对象的分类融合方法,对利用深度置信网络分类得到的结果进行融合,从而减小局部噪声的影响。在QucikBird影像数据集上的实验结果表明,该方法可有效提高图像变化检测的准确率。     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

基于Relief-PCA特征选择的遥感图像变化检测

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥 感图像受光照、大气环境等成像条件的影响,图像特征的质量也参差不齐,筛选出高质量的特 征成为对象级遥感图像变化检测的关键。针对此问题,提出了一种基于 Relief-PCA 特征选择的 对象级遥感图像变化检测方法。首先,对原始图像进行多尺度分割获得目标对象,并提取对象 的光谱特征与纹理特征;然后,利用对数比值法获得变化矢量,再使用 Relief-PCA 特征选择的 方法对图像的对象特征进行筛选与降维;最后,计算并生成 CVA 变化强度图,利用 Otsu 方法 对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比,该方法的 变化检测精度更高,误检率和漏检率更低。     

多尺度变换像素级医学图像融合：研究进展、应用和挑战

基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点,广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述,阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面,以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。在融合规则方面,围绕Piella框架和Zhang框架,讨论通用的像素级图像融合框架;在低频子带融合规则方面,总结基于像素、区域、模糊理论、稀疏表示和聚焦测度的5种融合规则;在高频子带融合规则方面,综述基于像素、边缘、区域、稀疏表示和神经网络的5种融合规则。总结12种跨模态医学图像融合方式,讨论该领域面临的主要挑战,并对未来的发展方向进行展望。本文系统梳理了多尺度变换像素级图像融合过程中的多尺度分解方法和融合规则,以及多尺度变换在医学图像融合中的应用,对多尺度变换像素级医学图像融合方法的研究具有积极的指导意义。     

相似尺度图像融合算法

提出了一种新的融合思想，即图像应在相似尺度（similar scale，SS）上进行融合．当融合低分辨率多光谱图像与高分辨率全色图像时，一般的方法没有考虑到插值的多光谱图像和高分辨率的全色图像的尺度不一致性．基于相似尺度的思想，图像融合算法如下．首先，使用“atrous”离散小波变换分解高分辨率全色图像，使其低通分量与插值后的多光谱图像具有相似的尺度．然后，用加权多尺度基本形式（weighted mutlitscale fundamental form，WMFF）来融合它们得到合成的最低频带．最后，“atrous”逆小波变换用来重建高分辨率的多光谱图像．与其他的基于小波变换的图像融合算法相比，基于相似尺度的融合方法取得了更好的融合结果．     

自适应多尺度融合遥感图像分割方法

针对遥感图像数据量大、地物对象与空间尺度密切相关的特点,提出一种自适应多尺度融合遥感图像分割方法。使用颜色方差作为距离度量,利用区域邻接图和最近邻区域图对遥感图像进行快速分割,建立阈值和尺度之间的函数关系,通过不同阈值得到多尺度分割结果,并采用融合方法获得最终结果。实验结果表明,与eCognition单尺度分割方法相比,该方法可消除遥感图像过分割或欠分割的现象。     

应用主成分分解(PCA)法的图像融合技术

本文在非多尺度分解的框架下,针对像素级的图像融合,提出了一种基于PCA分解的图像融合算法。该算法利用主成分分解可以保留原数据中的主要信息这一特点,由源图像获取数据的协方差矩阵,协方差矩阵的特征值和特征向量,据此确定图像融合算法中的加权系数和最终融合图像。试验表明,应用该算法融合后的图像取得了满意的效果.     

基于对象级的高分辨率遥感影像分类研究

依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。     

基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

针对同—区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法.该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑.在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果.     

多尺度深度特征融合的变化检测

目的 图像的变化检测是视觉领域的一个重要问题，传统的变化检测对光照变化、相机位姿差异过于敏感，使得在真实场景中检测结果较差。鉴于卷积神经网络（convolutional neural networks，CNN）可以提取图像中的深度语义特征，提出一种基于多尺度深度特征融合的变化检测模型，通过提取并融合图像的高级语义特征来克服检测噪音。方法 使用VGG（visual geometry group）16作为网络的基本模型，采用孪生网络结构，分别从参考图像和查询图像中提取不同网络层的深度特征。将两幅图像对应网络层的深度特征拼接后送入一个编码层，通过编码层逐步将高层与低层网络特征进行多尺度融合，充分结合高层的语义和低层的纹理特征，检测出准确的变化区域。使用卷积层对每一个编码层的特征进行运算产生对应尺度的预测结果。将不同尺度的预测结果融合得到进一步细化的检测结果。结果 与SC_SOBS（SC-self-organizing background subtraction）、SuBSENSE（self-balanced sensitivity segmenter）、FGCD（fine-grained change detection）和全卷积网络（fully convolutional network，FCN）4种检测方法进行对比。与性能第2的模型FCN相比，本文方法在VL_CMU_CD（visual localization of Carnegie Mellon University for change detection）数据集中，综合评价指标F1值和精度值分别提高了12.2%和24.4%；在PCD（panoramic change detection）数据集中，F1值和精度值分别提高了2.1%和17.7%；在CDnet（change detection net）数据集中，F1值和精度值分别提高了8.5%和5.8%。结论 本文提出的基于多尺度深度特征融合的变化检测方法，利用卷积神经网络的不同网络层特征，有效克服了光照和相机位姿差异，在不同数据集上均能得到较为鲁棒的变化检测结果。     

多尺度信息交互与融合的乳腺病理图像分类

目的 基于深度学习方法进行乳腺癌识别是一项具有挑战的任务,目前较多研究使用单一倍率下的乳腺组织病理图像作为模型的输入,忽略了乳腺组织病理图像固有的多倍率特点,而少数将不同倍率下的图像作为模型输入的研究,存在特征利用率较低以及不同倍率的图像之间缺乏信息交互等问题。方法 针对上述问题,提出一种基于多尺度和分组注意力机制的卷积神经网络改进策略。该策略主要包括信息交互模块和特征融合模块。前者通过空间注意力加强不同倍率的图像之间的相关性,然后将加权累加的结果反馈给原始分支进行动态选择实现特征流通;后者则利用一种分组注意力来提升特征的利用率,同时基于特征金字塔来消除图像之间的感受野差异。结果 本文将上述策略应用到多种卷积网络中,并与最新的方法进行比较。在Camelyon16公开数据集上进行五折交叉验证实验,并对每一项评价指标计算均值和标准差。相比于单一尺度图像作为输入的卷积网络,本文改进的方法在准确率上提升0.9%～1.1%,F1分数提升1.1%～1.2%;相较于对比方法中性能最好的TransPath网络,本文改进的DenseNet201（dense convolutional network）在准确率上提升0.6%,精确率提升0.8%,F1分数提升0.6%,并且各项指标的标准差低于Transpath,表明加入策略的网络具有更好的稳定性。结论 本文所提出的策略能弥补一般多尺度网络的缺陷,并具备一定的通用性,可获得更好的乳腺癌分类性能。     

小目标检测研究综述

随着计算机视觉和人工智能技术的快速发展,目标检测受到了更加广泛的关注。由于小目标像素占比小、语义信息少、易受复杂场景干扰以及易聚集遮挡等问题,导致小目标检测一直是目标检测领域中的一大难点。目前,视觉的小目标检测在生活的各个领域中日益重要。为了进一步促进小目标检测的发展,提高小目标检测的精度与速度,优化其算法模型,本文针对小目标检测中存在的问题,梳理了国内外研究现状及成果。首先,分别从小目标可视化特征、目标分布情况和检测环境等角度对小目标检测的难点进行了分析,同时从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面系统总结了小目标检测方法,并整理了在框架结构、损失函数、预测和匹配机制等方面发展的较为成熟的单阶段小目标检测方法。其次,本文对小目标检测的评价指标以及可用于小目标检测的各类数据集进行了详细介绍,并针对部分经典的小目标检测方法在MSCOCO(Microsoft common objects in context)、VisDrone2021(vision meets drones2021)和Tsinghua-Tencent100K等数据...     

多传感器单模型动态系统多尺度分布式融合估计

近几年来,小波理论和信号的多尺度表示方法都得到了迅速发展,并在包括信号处理和图像处理在内的众多领域中得到了成功的应用,而在这些领域中,目前一个较为活跃的分支是基于小波变换的多尺度表示的统计信号处理。运用多尺度分析的思想,将基于模型的动态系统分析方法与基于统计特性的多尺度信号变换方法相结合,建立起状态基于多源观测信息的多尺度分布式融合估计和单源观测信息的多尺度分布式估计两种新算法,用计算机仿真研究验证了算法效能。     

基于小波域的自适应多尺度图像融合

在小波变换的基础上提出了自适应图像融合算法,该方法通过自适应多尺寸窗的应用得到融合图像.最后分别对仿真图像和多聚焦图像进行了图像融合的实验并与其它几种算法进行了比较.结果表明,该算法对提高图像融合的质量有显著的优势,证明了算法的有效性和可行性.     

基于多尺度随机模型的SAR图像无监督分割

合成孔径雷达（synthetic aperture radar，SAR）是一种基于相干原理的成像系统，在SAR图像中存在严重影响图像质量的斑点噪声，使得SAR图像的可靠分割非常困难。〖BP）〗根据SAR图像的成像机理，利用两种多尺度随机模型，即多尺度自回归（Multiscale Autoregressive，MAR）模型和多尺度自回归滑动平均（Multiscale Aautoregressive Moving Average， MARMA）模型，分别来描述同一场景不同分辨率SAR图像像素间的统计相关性，并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明，提出的两种无监督分割方法是可行的，且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息，使分割质量具有明显的改进。     

一类动态多尺度系统融合估计算法的分析

为了进一步认识基于状态空间投影的一类动态多尺度系统的融合估计算法本质,本文对该算法进行了分析．首先,将该融合估计算法和在最细尺度上直接进行卡尔曼滤波的算法性能进行了比较,并用仿真进行了验证．结果表明,在最细尺度上,融合估计效果比直接进行卡尔曼滤波的效果好．其次,从计算过程和计算量方面,与一般的时间配准方法进行了对比分析．结果表明,该融合估计算法用比较严谨的数学模型代替了时间配准,可以在每个尺度上获得基于全部观测信息的最优估计,但计算量比时间配准方法大．本文的研究为基于状态空间投影的一类动态多尺度系统的融合估计算法的实际应用奠定了基础．     

基于图像融合的红外弱小目标增强方法研究*

提出了一种使用图像融合进行红外弱小目标增强的算法,该算法采用两次融合结构。在一次融合中,使用简单图像融合方法将连续多帧图像进行融合以减少数据量并抑制噪声;在二次融合中,将一次融合的结果进行多尺度分解并对分解所得低频和各高频部分分别进行融合。对比了二次融合中使用小波变换、轮廓波变换、非下采样轮廓波变换等多尺度分解方法的融合效果。仿真实验结果表明了该方法的正确性,实现了对红外弱小目标的有效增强。     

基于区域的图像融合方法

针对传统像素级图像融合方法割裂像素间联系的问题,提出了一种基于区域的图像融合方法.首先对源图像进行离散小波框架分解,对其中一幅的低频子图利用模糊c均值聚类方法进行区域分割,并将区域表示线性映射到其他源图像.然后利用区域小波系数的结构相似度和区域能量构造融合规则,依据融合后的系数重构可得到融合图像.实验结果表明该方法能够有效地融合源图像信息并保持源图像特征.