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.     

统计的Hough变换在机场遥感图像分割中的应用

提出一种基于统计方法的Hough变换来进行机场遥感图像的机场定位和相关区域分割的方法。该算法根据机场跑道在整修波段所具有的不同灰度特征以及机场跑道的直线特征来进行机场跑道定位，然后利用区域生长法在跑道的关键点处进行区域生长，并对结果进行定位。实验表明该算法获得了很好的效果，具有一定的推广应用价值。     

高分辨率遥感图像中机场目标的并行快速提取

针对高分辨遥感图像机场目标检测存在漏检和误检,鲁棒性低,且处理多幅图片速度慢的特点,提出一种基于批量化并行处理模式的遥感图像机场目标提取方法。利用模糊增强方法对图像进行预处理,利用基于像素梯度和方差信息的模糊边缘检测算法对图像进行边缘检测,从中筛选出长直线,利用Hough变换提取其中平行的直线作为机场跑道特征。在得到的特征点中选取种子点进行区域生长,从而提取出完整的机场目标。利用MPI多进程并行处理的编程方法来实现对多幅图片中机场目标的批量化并行快速提取。实验结果表明该算法具有很好的鲁棒性,能准确地检测并提取出完整的机场目标,能够大幅度提高程序处理多幅图片的速度。     

一种机场目标检测与定位方法

针对机场目标检测定位时目标特征提取过于单一,识别结果不理想的问题,文章提出一种基于多源遥感图像的机场目标检测与定位方法;分别提取多光谱机场图像的跑道特征、纹理特征,以及相同区域SAR图像的后向散射特征,并将这些特征输入SVM分类器进行识别来判断候选区域是否包含机场,解决了目前特征单一、识别率较低等问题;实验结果表明该方法能更好地识别机场区域、提高识别率。     

卫星遥感图像中机场的识别方法研究

机场识别作为模式识别领域的问题之一,本文结合一些已有的方法,提出了一种新的机场识别及跑道检测的解决方案.使用模糊学增强方法对遥感图像进行预处理,利用阈值分割方法进行图像分割,然后利用像素标记法提取出最大连通区域,最后通过ROI的算法,实现对机场区域的定位.     

一种有效的高分辨率遥感影像水体提取方法

针对高分辨率遥感图像，提出一种有效的水体自动提取算法。设计基于局部二值模式和[K]最近邻的算法，对遥感图像进行水陆粗分离，并采用形态学滤波抑制各分类区域内的噪声；设计基于局部二值模式和支持向量机的方法，对水陆边界区域进一步细分离，并对细分离结果采用形态学滤波去除水陆边界附近噪声点；针对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。实验结果表明，提出的算法能快速、有效地检测遥感图像中的水体目标。     

基于条件随机场和图像分割的显著性检测

针对当前常见的显著性方法检测得到的显著性区域边界稀疏不明确、内部不均匀致密等问题,提出了一种基于条件随机场(Condition random field, CRF)和图像分割的显著性检测方法.该方法综合利用边界信息、局部信息以及全局信息,从图像中提取出多种显著性特征;在条件随机场框架下融合这些特征,通过显著性区域与背景区域的区域标注实现显著性区域的粗糙检测;结合区域标注结果和交互式图像分割方法实现显著性区域的精确检测.实验结果表明本文提出的方法能够清晰而准确地提取出图像中的显著性区域,有效提高显著性检测精度.     

利用多光谱遥感图像融合的机场识别方法

提出了一种利用多光谱遥感图像融合的机场识别方法。首先,根据机场的光谱特性将多光谱图像进行融合,然后对融合图像进行简单的区域分割,提取出包含机场的可能区域,最后结合机场的结构特征把机场目标从图像中提取出来。实验和实际应用证明,此方法可快速准确地将机场目标从遥感图像中提取出来。     

基于合成孔径雷达图像的机场主跑道检测方法

针对现有机场主跑道检测方法提取目标不明确的问题,提出一种从合成孔径雷达(SAR)图像中自动检测机场主跑道的方法.使用模糊C均值算法分割原始SAR图像,采用形态学方法进行去噪处理,通过去除较小连通区域的方法以消除虚警目标,运用Hough变换检测主跑道,并基于直线平行线的特性对主跑道进行后处理,得到的检测结果具有较高的正确...     

LBP特征分类的极化SAR图像机场跑道检测

目的 在极化合成孔径雷达（synthetic aperture radar，SAR）图像中常用直线检测进行机场跑道的识别，但是河流、道路等与机场跑道具有相似直线的地物容易对检测结果造成干扰，出现检测目标难定位、目标模糊、多虚警等问题。为此，本文设计了一种利用目标散射特性结合局部二值模式（local binary patterns，LBP）特征分类的极化SAR图像机场跑道区域检测方法，采用LBP特征对极化SAR图像进行有监督的分类来提取真实的机场区域。方法 首先利用异化散射功率对极化SAR图像进行阈值分割，然后通过形态学处理得到疑似机场跑道区域，同时构建机场跑道和非机场跑道两类训练样本，并提取、统计样本的LBP特征，形成直方图，得到特征向量训练支持向量机（support vector machine，SVM）二分类器，其中SVM二分类器采用了径向基函数（radial basis function，RBF）核函数；接着对疑似机场跑道区域构建LBP特征，送入SVM二分类器中分类，对机场跑道进行检测识别，最终得到真实的机场跑道区域。结果 利用UAVSAR（uninhabited aerial vehicle synthetic aperture radar）系统采集的7幅极化SAR图像数据进行实验检测，并选取基于几何特征辨识跑道的两种算法进行对比，3种方法均有效检测出了7幅场景中的真实跑道，但是本文方法在7幅数据中总的虚警和漏警个数均为1，而两种对比算法中的虚警个数分别为2和11、漏警个数分别为8和1。结论 本文方法不仅能有效检测出机场跑道区域，且检测效果更好，计算量较小，虚警和漏警率低，效率更高。     

基于图割精细化和可微分聚类的无监督显著性目标检测

针对传统显著性检测算法分割精度低以及基于深度学习的显著性检测算法对像素级人工注释数据依赖性过强等不足,提出一种基于图割精细化和可微分聚类的无监督显著性目标检测算法。该算法采用由“粗”到“精”的思想,仅利用单张图像的特征便可以实现精确的显著性目标检测。首先利用Frequency-tuned算法根据图像自身的颜色和亮度得到显著粗图,然后根据图像的统计特性进行二值化并结合中心优先假设得到显著目标的候选区域,进而利用基于单图像进行图割的GrabCut算法对显著目标进行精细化分割,最后为克服背景与目标极为相似时检测不精确的困难,引入具有良好边界分割效果的无监督可微分聚类算法对单张显著图做进一步的优化。所提出的算法在ECSSD和SOD数据集上进行测试并与现有的7种算法进行对比,结果表明得到的优化显著图更接近于真值图,在ECSSD和SOD数据集上分别实现了14.3%和23.4%的平均绝对误差（MAE）。     

一种结合显著性检测和超像素分割的遥感信息提取算法研究*

针对目前显著性检测算法在复杂多目标遥感图像中检测能力不足问题,提出一种结合显著性检测和超像素分割的遥感信息提取算法。该算法首先通过Graph-based Visual Saliency(GBVS)方法检测出原始影像中部分显著性较高的区域,然后利用Simple Linear Iterative Clustering(SLIC)方法分割显著区域,并修正显著区域边缘得到训练样本数据,进一步对训练样本进行统计学习,构造显著目标提取的阈值区间,最后实现对整幅超像素图像的显著目标提取。实验结果表明,该算法具有较高的准确率和召回率,能更加有效地检测出遥感图像中的显著目标,比目前主流的显著区域检测算法提取效果更好,可以很好地应用于具有明显显著区域的复杂多目标遥感图像信息提取中。     

结合立体视觉舒适度的立体图像显著性检测

针对先前的立体图像显著性检测模型未充分考虑立体视觉舒适度和视差图分布特征对显著区域检测的影响,提出了一种结合立体视觉舒适度因子的显著性计算模型.该模型在彩色图像显著性提取中,首先利用SLIC算法对输入图像进行超像素分割,随后进行颜色相似区域合并后再进行二维图像显著性计算;在深度显著性计算中,首先对视差图进行预处理;然后基于区域对比度进行显著性计算;最后,结合立体视觉舒适度因子对二维显著图和深度显著图进行融合,得到立体图像显著图.在不同类型立体图像上的实验结果表明,该模型获得了85%的准确率和78%的召回率,优于现有常用的显著性检测模型,并与人眼立体视觉注意力机制保持良好的一致性.     

引入视觉注意机制可变分辨率的遥感图像压缩

图像压缩是遥感图像处理的重要研究领域,现有的压缩方法要么丢失重要的细节信息,无法满足实际的应用需要,要么压缩率过低,难以达到实时处理的要求。将视觉注意机制引入到遥感图像压缩中,对不同的显著性区域采用不同的压缩率,这样不仅可以对整个遥感图像达到一个高的压缩率,而且还可以保持重要区域的高分辨率,实现了可变分辨率的图像压缩。实验结果表明在前几个显著性区域中,该方法得到的图像压缩性能指标优于传统压缩方法得到的性能指标。     

气象遥感图像及格点场重采样插值方法

重采样插值方法是气象信息处理领域研究的问题之一。针对气象遥感图像,介绍了基于地图投影坐标转换的直接重采样插值方法和间接重采样插值方法;针对气象格点场,介绍了双线性插值方法和贝塞尔插值方法。以气象业务中不同分辨率的气象卫星（FY2E和FY2D）遥感图像以及欧洲中期天气预报中心（ECMWF）降水预报场为例,分别对不同重采样插值方法进行了分析比较。结果表明：基于间接重采样的气象遥感图像最近邻点插值法的计算量小于邻点权重插值方法,而邻点权重插值方法的效果优于最近邻点插值方法;随着图像的分辨率提高,最近邻点插值法与邻点权重插值方法相比,计算量小的优势更加明显;对于高分辨率的气象遥感图像建议采用基于间接重采样的最近邻点法;对于气象格点场,贝塞尔插值方法的插值效果优于双线性插值方法。     

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。     

光学遥感图像低可观测区域舰船检测

海洋区域受云雾和气流影响导致其光学遥感图像局部对比度低、能见度差,给舰船监视带来困难。针对这一问题,首先利用多尺度相位谱对低可观测图像进行重构生成舰船目标的显著图,然后采用全局阈值快速提取具有较高显著度的感兴趣区域(ROI)。对各个ROI,首先利用其外部环状窗口各区间平均亮度的有序统计量来估计阈值对其进行二值分割,然后分别提取平均显著度、形状复杂度和空间扩展度特征,训练最小距离分类器对ROI进行鉴别,得到最终的检测结果。用大量受云雾影响的SPOT4全色影像进行实验,结果表明该算法能够满足应用要求。     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。     

融合双目多维感知特征的立体视频显著性检测

目的 立体视频能提供身临其境的逼真感而越来越受到人们的喜爱,而视觉显著性检测可以自动预测、定位和挖掘重要视觉信息,可以帮助机器对海量多媒体信息进行有效筛选。为了提高立体视频中的显著区域检测性能,提出了一种融合双目多维感知特性的立体视频显著性检测模型。方法 从立体视频的空域、深度以及时域3个不同维度出发进行显著性计算。首先,基于图像的空间特征利用贝叶斯模型计算2D图像显著图;接着,根据双目感知特征获取立体视频图像的深度显著图;然后,利用Lucas-Kanade光流法计算帧间局部区域的运动特征,获取时域显著图;最后,将3种不同维度的显著图采用一种基于全局-区域差异度大小的融合方法进行相互融合,获得最终的立体视频显著区域分布模型。结果 在不同类型的立体视频序列中的实验结果表明,本文模型获得了80%的准确率和72%的召回率,且保持了相对较低的计算复杂度,优于现有的显著性检测模型。结论 本文的显著性检测模型能有效地获取立体视频中的显著区域,可应用于立体视频/图像编码、立体视频/图像质量评价等领域。