利用多特征融合匹配实现遥感图像多目标关联

利用遥感图像进行目标监视需要将来自多时/多源图像的目标信息关联上.但遥感成像特点决定实现目标关联存在以下三个问题:一是观测时间间隔大使得目标状态特征估计偏差大;二是复杂的图像畸变使得目标图像特征提取不确定性加大;三是大的观测范围使得同时出现多个感兴趣目标,引发多目标对应关系的模糊性.在全局关联代价最优化框架下提出一种目标状态特征匹配和目标图像特征匹配融合的关联算法,有效解决遥感图像中多个动目标关联这一复杂问题.     

遥感图像目标的定位算法

为了快速准确地完成遥感图像目标的定位,提出了一种可靠的目标定位算法:在基准图像确定和遥感图像预处理之后,对图像进行小波分解,在低分辨率图像中利用SIFT算法检测斑点特征和小波高频系数检测角点特征,并采用SIFT描述子描述特征;特征匹配时加入方向约束,分别匹配两种类型的点特征;对于特征匹配后得到的两个图像变换模型进行相似性判断,以此保证配准结果的可靠性,若是结果可靠则解算出遥感图像目标在基准图像中的位置。实验结果表明,本文的目标定位算法拥有良好的实时性、可靠性和可行性。     

基于循环生成对抗策略的遥感图像匹配算法北大核心CSCD

针对异源遥感影像成像模式、时相、分辨率等不同导致的图像匹配困难问题,提出了一种基于循环生成对抗策略的遥感图像匹配算法。构建了跨数据域图像特征迁移的循环生成对抗网络(generative adversarial network,GAN),设计SmoothL损失函数对网络进行优化,提高遥感图像特征提取精度,并基于图像特征迁移结果,建立三元组距离排序损失函数(trioplet margin ranking loss,TMRL)降低遥感图像的误匹配点数,实现异源遥感图像的准确匹配。实验结果表明,本文方法将异源遥感图像匹配平均准确率提升了33.51%,与CMM-Net(cross modlity matching net)方法相比,具有更好的遥感图像匹配效果。此外,本文方法不需要目标域图像的标注信息,匹配时间缩短了0.073s,能快速准确实现异源遥感图像匹配。     

基于几何不变性和局部相似特征的异源遥感图像配准算法

针对异源遥感图像在图像配准中的几何形变问题,本文提出了一种基于几何不变性局部相似特征的异源遥感图像配准算法。GISS算法利用加速鲁棒特征算子先对存在几何差异的异源遥感图像进行预匹配,然后根据特征点的方向特征对图像进行旋转仿射校正,最后引用局部相似性描述符并集成相似性度量来考察预匹配点对的相关性,选取其中相似相关性最优的点对实行图像配准。实验结果表明,对于存在几何形变的异源遥感图像,具有较好的配准实现效果,可以有效的解决异源遥感图像之间的几何形变差异问题,具有较好的鲁棒性和配准精度。     

基于SIFT算法的异源遥感影像自动匹配研究

由于不同传感器、多时相、多分辨率、多波段的遥感图像的光谱特征、空间特征、纹理特征等存在较大差异,为遥感图像的匹配带来了困难。主要利用图像特征点提取方法,使用具有尺度不变特性的SIFT(Scale Invariance Feature Transform)方法,对异源遥感图像进行配准和图像进行拼接操作,并进一步对SIFT算法进行优化,采用双向匹配策略。实验证明该算法具有稳定、可靠、快速等特点,适用于存在光谱特征、空间特征、纹理特征差异的异源遥感图像的精确配准,同时实验验证了双向匹配算法用于SIFT特征点匹配中的优越性,证明其为一种好的匹配测度。     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

基于Agent技术的遥感图像检索

在数据源未知的互联网上和存储海量数据的数据库中,如何实现高效、可靠的图像检索十分重要.文章面向遥感图像处理应用,结合Agent技术,设计了基于目标特征的遥感图像检索模型.首先对待检索图像进行目标特征提取,再与特征库进行匹配,在用户Agent、检索信息Agent和反馈信息Agent作用下,依据相似度,自动,自主地完成检索功能.实验表明,所设计的模型提高了遥感图像处理系统的检索能力和效能.     

基于弱语义注意力的遥感图像可解释目标检测

近些年来随着遥感技术的快速发展,遥感图像目标检测成为了当前的研究热点.针对遥感图像背景复杂以及现有目标检测模型缺乏可解释性等问题,本文提出了一种基于弱语义注意力的遥感图像可解释目标检测方法.具体地,首先通过多层级特征金字塔来解决遥感图像中目标尺度变化范围大的问题.其次,利用检测框的角度回归来解决遥感图像目标定向的问题....     

高分辨率多光谱遥感图像的自动配准

当前高分辨率多光谱遥感图像自动配准的主要困难,在于图像特征提取的自动化程度不足,计算速度较慢。针对不同传感器和不同时空分辨率的高分辨率多光谱遥感图像,改进点特征的提取方法,获得较高精度和较快速度。首先构建三维高斯差分尺度空间,由低层获得粗匹配点,在空间上向高层索引特征点。然后,通过逐层搜索获得精匹配点。在各层中,通过特征点方向描述子的空间增强,提高特征点的质量和数量。最后,综合多光谱遥感图像的可见光和近红外等波段的同名点集,获得亚像素级的匹配点。试验了环境星、TM、GEOEYE、无人机遥感图像等高分辨率遥感图像,对改进算法结果进行了较全面的对比分析。     

基于边缘引导和动态可变形Transformer的遥感图像变化检测

卷积神经网络（Convolutional Neural Network,CNN）和Transformer的混合架构能够有效建模图像的局部与全局特征,已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战. CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息,降低目标边界的精度;此外,Transformer分支对图像像素进行等同长程依赖关系建模,忽略了变化目标的形状及语义关联信息,导致网络对变化目标特征的表达不足.为解决上述问题,提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块,利用高频信息增强目标区域的边缘信息,从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer,能够自适应地匹配形状不同的变化目标,选择与变化相关的特征建模长程依赖关系,以提高网络的特征表达能力.实验结果表明,提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度,在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.     

多源遥感影像的集值特征选择与融合分类

提出了一种多源遥感影像集值特征选择(SVFS)与评价新方法.该方法根据训练样本在原始特征空间中的多维统计特性建立了关于其集值特征的目标信息系统,对于给定的集值特征间的二元关系,利用属性约简进行了特征选择并给出了相应的重要度评价算法.对多源遥感影像的融合分类实验表明,该方法是基于广义粗糙集的多源遥感影像特征选择与融合分类有效手段.     

基于多特征组合的彩色遥感图像分类研究

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题,提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量,据此对遥感影像进行分类,并进行了实验验证。结果表明,颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度,其分类效果优于传统的单一颜色或纹理特征分类,是一种有效的彩色遥感图像分类方法。     

基于小波和改进型Hausdorff距离的遥感图像配准方法

近年来,不断发展的遥感技术使传统的遥感图像配准方法显得难以胜任.本文介绍了一种准确、高效的遥感图像配准方法.该方法运用图像信息分层技术、小波多尺度图像分解和Harris角点检测算子进行特征点提取,构建一个特征点金字塔,利用改进型Hausdorff距离作为配准的相似性测度,从而实现遥感图像的配准.     

遥感影像的半自动配准

图像的半自动配准是当前比较先进的图像配准技术。该方法基于初步定位基础,利用模板相关的匹配方法,根据遥感图像之间灰度分布的相关性,选取数量丰富的配准控制点,利用相关系数准则进行图像间的相似性度量,可达到较高的配准精度。实验结果表明,该匹配方法用于遥感图像的配准能够有效提高图像处理的速度以及校正图像的定位精度。     

基于SIFT算法在遥感图像匹配中的应用研究

针对遥感图像在光照和几何差异等复杂因素上引起的匹配误差,深入研究了SIFT特征描述符的改进方法.利用特征点圆形区域来构造特征描述符,采用自适应量化策略用来局部区域的划分和梯度直方图的计算,并对每个描述子采用一种插值法重新确立主方向,改进SWT算法的描述符.降低特征点维数的同时,又保证特征点描述符的独特性和鲁棒性.研究结果表明,改进的SIFT描述符在遥感图像几种复杂环境下都取得了预期的结果,证实了改进算法的可行性.     

动态规划在遥感影像边缘检测中的应用

利用遥感影像中不同地类的纹理特征及灰度特征,提取出类识别因子,用动态规划方法将各种因子考虑在内,找出不同地类之边缘,这种综合运用的方法可有效地检测遥感影像中地类的边缘。     

一种气体的微弱红外光谱特征提取方法

被动傅里叶变换红外遥测技术可以测量大部分污染气体,亮温光谱法能够在无需背景信息的前提下实现目标特征提取与识别。在野外进行实测时, 存在背景物体辐射、大气中成分辐射、仪器噪声等信号。当目标信号弱于这些信号时,亮温光谱法难以直接从实测光谱中提取目标特征。针对这一问题,提出了一种基于非负矩阵分解的光谱特征提取方法,在被动红外遥测模型基础上,通过对整个亮温光谱进行分析,得到目标光谱特征。实际测量以SO$_2$为目标气体进行野外实验,对该方法进行了验证,结果表明,在目标信号较弱的亮温光谱中仍然能够提取到SO$_2$的光谱特征,证明了方法的有效性。     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。