基于对齐卷积和椭圆损失函数的遥感图像目标检测算法

针对遥感图像旋转框定位过程通常会出现分类分数和定位精度不匹配、交并比计算不精确的问题,文章提出了一个鲁棒性高的单阶段对齐检测网络(Single-stage Alignment Network, SAN),首先在网络中采用了对齐卷积,解决了分类分数和定位精度不匹配的问题;其次在网络训练过程中引入椭圆损失函数,将传统采用的定位交并比的计算方式转换为椭圆区域的参数表示计算。该方法在DOTA和HRSC2016数据集上进行的实验取得了74.3%和89.0%的平均精度,分别比基线方法高出13.2%和15.5%,优于大部分的主流网络模型。     

SAR图像中目标的自动检测与辨别

SAR图像自动目标识别(automatic target recognition,ATR)是当前的一大研究热点。典型的ATR系统分为检测、辨别和识别3个阶段。在检测和辨别过程中对图像进行预筛选,找出感兴趣区域,是进行目标识别前的一个重要步骤。高效的预筛选过程可以大大减少目标识别过程的计算量。目前,目标检测的方法有CFAR方法、多分辨率方法以及基于相位信息的检测方法3类。目标辨别的方法也有多种。本文就目标检测和辨别阶段的主要算法及其效果作了系统的介绍,并对该领域未来的发展方向进行了展望。     

遥感图像中基于直线特征提取的机场类目标的识别

在机场类目标的特征中,跑道的直线状特征最明显,最有规则,也最能反映目标的性质。通过对机场跑道的线状目标的特征提取与分析以及对机场特征的分析,达到在对机场类目标的分析。具体来说,就是通过检测遥感影像中的跑道来识别出遥感影像中是否含有机场目标。通过实验可以看到这种方法是可行的。     

轻量级神经网络与遥感图像目标检测

为解决深度神经网络在对遥感图像进行目标检测时网络参数庞大、计算效率低下的问题,本文提出了一种轻量级神经网络模型G-YOLOv3.G-YOLOv3算法网络的主要构件为嵌套残差块,每个残差块中都包含了本征特征图与相似特征图,且残差块中添加注意力机制,增强了网络的学习能力,降低了网络所需参数和计算复杂度,提高了目标检测速度....     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

彩色遥感图像目标提取方法研究

目标提取是对遥感图像进行分析处理的一个重要内容。针对彩色遥感图像的特征,首先采用了传统的边缘检测方法,验证其存在的不足。进而运用模糊聚类分析的模糊C-均值算法,选择适当的正交彩色特征,实现了对图像中目标区域的有效分割与快速提取,为遥感图像识别与计算提供了可靠的基础。研究实例表明了算法的有效性。     

一种三维CT图像中的线状目标检测方法

当前三维CT图像广泛应用在工业和医学中, 对于工业无损检测和医学上的病灶分析具有重要的研究意义。线状目标广泛存在于医学和工业的CT图像中, 为了实现三维空间中线状目标检测, 传统的直线检测方法有Hough和Radon变换, 但是计算量很大, 而且不适合曲线检测, 对于三维图像来说, 计算更为复杂。因此提出一种基于距离变换, 并通过端点和拐点检测提取线状目标检测算法, 不仅对于直线目标有较好的检测效果, 对特定曲线也有较好的检测结果, 而且通过检测距离变换的距离, 自动地检测线状目标的粗细尺度属性。实验证明, 该方法具有较好的检测结果。     

基于微分几何的遥感影像上线状地物提取方法

自动识别遥感影像上的目标、快速淮确地获取所需信息是遥感数据处理的主要发展方向。通过研究微分几何理论中曲面的一些基本性质，本文介绍了一种基于微分几何的线状 地物提取方法，首先在局部区域内拟合一个二次曲面函数，然后通过该函数来估算灰度曲面的梯度和曲率，设定合适的梯度和曲率阈值来检测线状地物，最后进行后处理，消除许多噪声颗粒及小块区域。实验表明，该方法对于具有一定宽度的线状地物的检测具有较好的效果。     

基于单类SVM的遥感图像目标检测

传统支持向量机方法在正负样本不对称的情况下对遥感图像的目标检测存在一定的误检率,文章将单类SVM方法引入此类目标检测过程中。实验表明单类SVM在牺牲少量泛化性的同时能有效地降低误检率,并提高检测速度。     

面向遥感图像实时目标检测任务的轻量级神经网络设计与实现

神经网络的表征能力给遥感图像目标检测任务提供了一个的便捷工具。然而,目前主流神经网络模型计算代价高限制了其在遥感图像实时目标检测任务的应用。提出一种轻量级神经网络模型用于遥感图像实时目标检测。实验结果表明,文中提出的方法在保持与Yolov3检测精度相当的情况下,模型大小约为Yolov3的十五分之一,网络模型在目标检测精度以及计算开销上可达到更好的均衡。     

遥感图像自动道路提取方法综述

自动道路提取是遥感图像识别的重要研究领域. 实现自动化、智能化、可靠准确的图像道路提取对地理信息技术发展具有重要的应用价值和意义. 道路的物理属性和功能形成了道路的辐射特征、几何特征、拓扑特征和背景特征. 以该四类特征为线索, 介绍了自动道路提取的典型方法, 侧重于分析四类特征在道路提取中作用和应用方式. 简要介绍了自动道路提取的评估方法和准则, 列举了主流的道路提取软件和遥感图像片源, 展望了该领域的发展方向.     

基于高分辨率遥感图像的道路提取研究

道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要.目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大.文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究.首先对高分辨遥感图进...     

基于小波表征的遥感影像的目标检测

指出了基于像素灰度值的影像表征方法在表达检测目标信息上的不足,提出了运用小波变换的方法对遥感影像进行信息提取和表达。为了增强表达检测目标信息的能力,采用H aar母小波作为影像小波变换的小波基。实验表明:基于小波变换的表征方法在遥感影像目标检测的诸多性能指标上都优于基于影像像素灰度值的表征方法。     

高分辨率遥感影像上道路中心线的半自动提取

提出一种半自动的基于活动窗口线段特征匹配来提取高分辨率遥感影像上道路中心线的方法.通过用户在道路中心线上输入起始点,采用定义活动模板窗、阈值分割、线段特征匹配和改进的SSDA,实现了道路中心线的自动跟踪.另外,该方法还允许在跟踪过程中加入少量人工干预来处理某些匹配失败的情况,提高了实用性.对0.61m分辨率QuickBird影像和1m分辨率IKONOS影像进行道路提取的实验表明:该方法能够快速、准确地提取出主要道路的中心线,对噪声的干扰具有良好的鲁棒性.     

从航空遥感图像中自动提取主要道路

如果能自动地从航空遥感图像中提取出道路网,将会简化城市地物目标的分类和测量过程.该文根据城市主要道路在图像中的特性进行了模型化处理,进而提出了基于直线的、自动提取的方法.算法重点考虑到成像过程中必然引入的各种噪声,用高斯分布函数模糊化直线参数,使提取具有良好的稳健性.算法中的参数选择都是通过理论分析所得,因此,提取过程实现了自动化.实验结果表明,该方法能够从实际航空遥感图像中提取出主要道路网.     

高分辨率遥感影像道路提取技术研究与展望

对道路特征提取的基本思想和方法进行了探讨,对国内外最新研究状况进行了较全面的综述,介绍了具有代表性的特征提取算法,并对道路特征提取的进一步发展提出了分析和展望.     

基于模糊连接度的卫星图像道路提取新方法

论文提出一种将相对模糊连接度和道路特征相结合进行卫星图像主干道路半自动提取的新方法。首先将原始图像划分为多个目标,对每一类目标分别人工选取种子点,然后计算出图像中各像素点与每一类种子点之间的模糊连接度,将其归属于模糊连接度值最大的一类,从而分离出道路目标。接着结合道路局部特征运用模糊连接度连接断裂路段,最后根据道路走向进一步完善整个道路轮廓。SPOT图像道路提取实验表明,新方法可以取得很好的效果。     

基于EDRNet模型的高分辨率遥感影像道路提取

针对高分辨率遥感影像道路提取结果不完整、边界质量差的问题,提出基于EDRNet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取结果优化模型EDR2。在此基础上,利用混合损失函数,提高道路提取的完整度。实验结果表明,EDRNet道路提取方法在马萨诸塞州道路数据集上的召回率、精确率和F1-score指标分别达到了84.4%、81.7%及83.0%,其结果完整且准确。