基于超像素融合的遥感影像变化检测方法

以基于像素变化检测方法为基础,提出一种基于超像素融合的遥感影像变化检测方法.该方法主要包括以下步骤:首先对原始遥感影像进行两次超像素分割,生成像素级、超像素级和超像素级三个不同尺度的分割图,然后分别对每个分割图进行变化矢量分析,得到三个尺度的差分影像.分别对多个差分影像进行模糊C均值聚类,得到三个尺度变化与不变的隶属度...     

改进的马尔科夫随机场的遥感图像超分辨率复原算法

针对原有使用马尔科夫随机场理论进行超分辨率图像复原,并结合遥感的图像特点,提出了将基于马尔科夫随机场的超分辨率算法应用在遥感的图像复原处理之中。在原有算法的基础上进行改进,为了减少字典存储的训练图像块之间的冗余,采用随机选取训练图像块的方法,同时,通过迭代反投影算法改善图像块之间的拼接痕迹。通过MATLAB仿真,证明改进后的算法与原始算法比较,有更好的复原结果,图像细节能够更好地复原。     

基于多条件随机场模型的图像3D空间布局理解

图像3D空间布局理解在自动驾驶系统以及目标识别中扮演着重要的角色.本文提出一种基于多条件随机场模型集成的图像3D空间布局理解算法.首先,基于多次图像分割生成多个不同尺度的超像素图像;然后,结合LBP表面纹理特征、LM滤波器组获得的方向纹理特征、颜色特征以及图像中超像素的位置和形状特征,建立各尺度的超像素图像中超像素的特征表达;最后,为各尺度的超像素图像分别构建相应的条件随机场模型,并应用D-S证据合成理论对多个条件随机场模型的推断结果进行集成,实现对图像3D空间布局的理解.在公共数据集GC和KITTI Layout上的实验结果表明,同已有算法相比,本文提出的算法提高了图像3D空间布局理解的准确率.     

基于条件随机场的复杂背景图像文字分割

图像中的文字提取是处理文字信息的关键步骤。提出一种基于条件随机场（CRFs）的分割方法。针对背案复杂的情况,精心选择特征,设计分类器,计算在给定观测数据情况下,像素标签的条件概率分布。这样,有效地避免了计算联合分布所带来的问题（如马尔可夫随机场）。与传统的分类器相比,该方法更加注重像素以及标签之间互相影响程度以及合理性。试验结果表明,与其他方法相比,CRFs的文字分割结果有明显的提高。     

基于遥感数据的变化检测问题综述

本文首先归纳了已有的可用于变化检测的遥感数据及常用数据集,其次总结了目前已有的针对变化检测问题的基于人工智能的最前沿算法,并对他们进行了详细的分析。     

基于条件随机场的显著性检测算法

近年来,显著性检测与图像处理有着密不可分的关系,图像处理依赖于高质量的显著图才能得到较好的处理结果。因此为提高图像显著性检测的准确性,提出了一种新的基于条件随机场(CRF)的显著性融合算法。将显著性检测看做一个图像标注问题,运用多尺度对比,中央—周围直方图和颜色空间分布这三种不同的显著度计算得到显著图。通过CRF学习计算各个显著度的权重,采用最大似然估计方法获取模型参数估计,得到最优解。最后利用CRF检测测试图像。通过大量的实验结果表明,此算法可以对显著目标得到更加精确地检测。     

基于分割窗的无监督多通道遥感图像变化检测

在遥感图像中,当变化区域的面积比例相对较大或较小时,一般的变化检测方法并不能准确地检测出变化信息。针对这一问题,本文提出一种基于分割窗的无监督多通道遥感图像变化检测方法。该方法将差异图像分割成子图像,通过求子图像的局部阈值来确定差异图像的整体阈值。实验结果表明,该方法能较好地解决变化区域相对较大或较小时一般变化检测方法无法进行准确的变化检测的问题,相对于一般变化检测的方法,检测精确度明显提高。     

基于条件随机场的中文分词技术研究

基于统计的分词方法在中文分词领域能取得较好的分词效果,利用条件随机场进行中文分词时能够充分考虑每个词状态前、后的各种不同状态,更加符合实际应用。但是通过已有的标注语料训练得到的模型,应用于具有专有名词的分词场合时,专有名词会被不合理的分为不同的单词,进而影响分词的准确度。基于专有名词被错误分开,考虑在条件随机场的基础上,通过人工添加一个或多个专有名词的形式,使专有名词以单字成词的形式存在,确保专有名词在分词过程中被视为完整的词,不会被错误分开,提高带有专有名词的文本进行分词时的准确率。     

基于支持向量机的遥感图像变化检测

提出了一种基于小波融合和渐进直推式支持向量机(PTSVM)的遥感图像变化检测方法。根据合成孔径雷达(SAR)图像特点,通过将对数比值图和均值比值图进行小波融合得到差异图像,可有效抑制图像背景杂波。通过渐进直推式支持向量机对差异图像进行二分类,得到变化检测结果。提出的方法提高了变化检测结果的抗噪性和检测精度。     

基于极限学习机的遥感影像阴影检测

为提高阴影检测精度,采用基于极限学习机的遥感影像阴影检测方法,将纹理特征的能量、熵、对比度和逆差距4个指数作为输入特征向量训练学习机模型,实现阴影区域的检测。实验结果表明,当纹理窗口大小为4×4,步长为1时,能够将阴影区域较好地检测出来。该方法能够克服阈值法的地物错检问题以及反复选取阈值的缺点,并解决了神经网络及支持向量机多参数选取困难的问题,有效地提高了阴影区域检测速度和精度,具有较好的鲁棒性和泛化性能,综合性能优于阈值法、神经网络和支持向量机。     

Initialization of Markov random field clustering of large remote sensing images

Markov random field (MRF) clustering, utilizing both spectral and spatial interpixel dependency information, often improves classification accuracy for remote sensing images, such as multichannel polarimetric synthetic aperture radar (SAR) images. However, it is heavily sensitive to initial conditions such as the choice of the number of clusters and their parameters. In this paper, an initialization scheme for MRF clustering approaches is suggested for remote sensing images. The proposed method derives suitable initial cluster parameters from a set of homogeneous regions, and estimates the number of clusters using the pseudolikelihood information criterion (PLIC). The method works best for an image consisting of many large homogeneous regions, such as agricultural crops areas. It is illustrated using a well-known polarimetric SAR image of Flevoland in the Netherlands. The experiment shows a superior performance compared to several other methods, such as fuzzy C-means and iterated conditional modes (ICM) clustering.     

基于模式识别技术的高光谱遥感图像检测

针对高光谱遥感图像以模式识别的方式进行人工智能检测,一直存在时效性与便利性差的问题,提出一种基于模式识别技术的高光谱遥感图像检测新方法。通过高光谱遥感图像邻域中像素灰度的加权均值对模板中中心像素进行替代,通过邻域平均法令邻域像素更加均衡化,减弱噪声点,完成对高光谱遥感图像的预处理。通过平均值法实现相邻帧图像的拼接,对重叠部分帧间差分进行计算,实现高光谱遥感图像的进一步处理。结合相对温差法和拓扑矩阵修正方法对高光谱遥感图像中的异常情况进行检测,确定高光谱遥感图像中的过热区域。实验结果表明,所提方法对高光谱遥感图像的处理性能好,对一次特征检测准确性高。     

面向多源遥感图像的自适应目标检测

近年来,目标检测已经在含有大量标注的数据上展现出了良好的效果,但当真实测试数据与标注数据存在域间差异时,往往会导致训练好的目标检测模型性能降低。由于相比于自然图像,多源遥感图像在成像方式和分辨率等方面存在特有的差异,而传统的方法需要将多源图像数据重新标注,这将消耗大量人力和时间,因此在遥感图像上实现自适应目标检测面临特有的挑战。针对以上问题,本文提出了一种面向多源遥感图像的自适应目标检测算法,在图像级别和语义级别上对网络进行对抗训练。此外,通过结合超分辨网络,进一步缩小了图像级别的差异,实现了自适应目标检测。本文在两个多源遥感数据集上进行实验,结果表明本文方法有效提升了目标域上的检测效果。     

YOLOv5-LR：一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

Using covariance intersection for change detection in remote sensing images

In this paper, an unsupervised change detection technique for remote sensing images ac-quired on the same geographical area but at different time instances is proposed by conducting Co-variance Intersection (CI) to perform unsupervised fusion of the final fuzzy partition matrices from the Fuzzy C-Means (FCM) clustering for the feature space by applying compressed sampling to the given remote sensing images. The proposed approach exploits a CI-based data fusion of the membership function matrices, which are obtained by taking the Fuzzy C-Means (FCM) clustering of the fre-quency-domain feature vectors and spatial-domain feature vectors, aimed at enhancing the unsuper-vised change detection performance. Compressed sampling is performed to realize the image local feature sampling, which is a signal acquisition framework based on the revelation that a small collection of linear projections of a sparse signal contains enough information for stable recovery. The experi-mental results demonstrate that the proposed algorithm has a good change detection results and also performs quite well on denoising purpose.     

基于超像素和DTCWT的火焰检测

结合超像素和双树复小波变换(DTCWT)给出了一种基于图像的火焰检测算法。该算法使用简单线性迭代聚类(SLIC)方法对图像进行超像素分割,并采用RGB-HSV混合颜色空间对超像素进行处理,分割出疑似火焰区域;然后利用DTCWT对疑似火焰区域图像进行多尺度多方向分解,分别对高低频系数提取HOG特征和圆形度特征;最后通过特征融合,并使用交叉网络搜查法的SVM实现火焰的识别。大量实验结果表明该算法火焰识别的精度较高。