基于随机森林的多源遥感图像特征融合方法研究

为了提高多源遥感图像在低分辨率成像环境下的检测识别能力,提出基于随机森林的多源遥感图像特征融合方法.采用增强型D-ASPP结构滤波分析的方法,建立低分辨率多源遥感图像滤波成像分析模型和三维成像模型,通过提取多源遥感图像的多分辨边缘特征信息,建立低分辨率多源遥感图像的特征分割模型,利用空间维度匹配进行遥感图像的特征匹配,...     

动态特征融合的遥感图像目标检测

目标尺度差异性和类间相似性是遥感图像目标检测面临的两个重要挑战.多尺度特征融合作为一种解决目标尺度差异性大和类间相似度高的方法,受到了广泛关注.然而目前大多数融合方法使用固定权重融合不同尺度特征,使所有的输入图像共享融合方式,忽略输入图像中目标尺度对特征融合的影响.针对上述问题,本文提出了一种动态特征融合网络.该网络由...     

多阶段遥感图像目标检测方法研究

目标检测在自然场景和遥感场景中的研究极具挑战。尽管许多先进的算法在自然场景下取得了优异的成果,但是遥感图像的复杂性、目标尺度的多样性及目标密集分布的特性,使得针对遥感图像目标检测的研究步伐缓慢。本文提出一个新颖的多类别目标检测模型,可以自动学习特征融合时的权重,并突出目标特征,实现在复杂的遥感图像中有效地检测小目标和密集分布的目标。模型在公开数据集DOTA和NWPU VHR-10上的实验结果表明检测效果超过了大多数经典算法。     

基于FD-SSD的遥感图像多目标检测方法

针对遥感图像中目标物体过小,不易检测的难点,提出对SSD的改进网络FD-SSD(Feature Fusion and Dilated Convolution Single Shot Multibox Detector)。FD-SSD去掉了SSD网络数据预处理层的随机剪裁步骤,并结合FSSD将具有高分辨率的低层特征图和具有高语义信息的高层特征图进行融合。使用空洞卷积增大第三层特征图的感受野,利用具有高分辨率的低层特征图对小目标进行预测。同时不再使用1×1的顶层特征图产生目标框。模型训练阶段将原始遥感图像进行"二次切割"处理,增加训练样本量。在预测阶段先将原始图像进行切割预测,再将目标框映射回原图,并对原图所有的目标框进行二次非极大值抑制(NMS),保留最优目标框。FD-SSD在DOTA数据集上有良好的表现,比原始SSD的m AP提升31%。     

注意力特征融合的快速遥感图像目标检测算法

针对遥感图像背景复杂、小目标多、特征提取难等问题，提出了一种注意力特征融合的快速遥感图像目标检测算法——YOLO-Aff。该算法设计了一种带通道注意力的主干网络模块（ECALAN）以及模糊池（BP）模块来减小下采样带来的损失。此外，采用了一种无跨步卷积的特征金字塔网络（SPD-FPN）结合SimAM注意力特征融合模块（CBSA）来增强特征的跨尺度融合能力。最后，通过使用Wise-IoU作为网络的坐标损失来优化样本不均衡问题。实验结果表明，改进的YOLO-Aff算法在NWPU VHR-10数据集上的mAP值达到96%，较原算法mAP提高了2.9个百分点，为遥感图像的快速、高精度目标检测提供了新的解决方案。     

融合特征的深度学习遥感图像目标检测模型

为了提高目标检测模型对遥感图像中排列密集、尺度不一的目标,特别是小目标的检测性能,提出了融合特征的深度学习遥感图像目标检测模型和方法.模型采用小规模的网络结构,以应对标记样本较少的情况,并提出了融合多级特征的策略获取更为有效的特征,使模型在不增加检测时间的同时,提高遥感图像中较为密集且大小不一的目标的检测精度.模型中提...     

多源遥感图像融合方法研究

研究多源遥感图像的融合技术,针对不同传感器获取的遥感图像像素信息有很大差异.当所要融合的图像是多源遥感图像时,应提取多图像的有效信息,组合出高质量的图像.传统IHS图像融合方法无法避免多源图像像素不匹配带来的有效像素丢失,造成融合图像模糊,清晰度不高的问题.提出一种基于Contourlet变换的遥感图像融合方法,通过对图像进行Contourlet变换后提取各源图像的特征信息,并计算提取特征所包含的信息量,选取高信息景的特征进行融合,最后通过进行Contourlet逆变换即得到多源融合图像,利用信息量融合配准的方法就避免了直接对不匹配像素运算而造成的有效像素丢失.实验证明,改进的优化融合方法能够保留图像的有效信息,得到高清晰度的融合图像.     

基于加权策略的高分辨率遥感图像目标检测

针对遥感图像目标检测任务中存在的目标尺度差异大、检测精度低等问题,提出了一种基于加权策略的改进YOLOv3遥感图像目标检测模型。为提高对遥感图像中小目标的检测精度,增加具有较小感受野的特征图像的检测分支。设计了一种多尺度特征图像自适应加权融合方法,通过挖掘特征提取网络的表征能力,综合利用多尺度特征提高了目标检测精度。采用DIOR数据集的4类目标构建了一个新的遥感图像目标检测数据集,并进行了改进模型的训练与测试。实验结果表明,改进后的模型取得了80.25%的平均精度均值（mean Average Precision,mAP）,相比于改进前提高了8.2%。将训练模型对RSOD、UCAS-AOD、NWPU VHR-10数据集进行测试,验证了改进模型具有较好的适应性。     

基于小波变换的多源遥感图像的信息融合

图像融合是一种重要的增强图像信息的技术方法,如何对同一目标的多源遥感图像数据进行有效的融合,最大限度地利用多源遥感数据中的有用信息,提高系统的正确识别,判断和决策能力,这是遥感数据融合的重要内容之一,提出了一咱基于小波变换的融合方法,使得融合图像在最大限度保留了多波段光谱信息的同时,提高了清晰度和空间分辨率,并对实验结果运用MATLAB语言进行了仿真,从几个方面对结果做了深入的分析与对比,取得了良好的效果。》     

基于改进的Faster Rcnn遥感图像目标检测

遥感图像因为其自身小目标多、密集的特点而对于目标检测任务是一个挑战。设计一种多层特征融合的Faster Rcnn,丰富各特征层的信息、平衡位置信息和分类信息。算法采用ResNet作为骨干网络提取特征,通过自上而下的特征融合,得到多尺度特征图,从而增强位置信息和分类信息以得到更加精准的检测结果。与Faster Rcnn算法相比,该算法对位置信息更加敏感,准确率提高了2.7百分点。相对于经典的目标检测框架SSD, Yolo v3等的检测效果,结合了特征融合的Faster Rcnn效果得到了明显提升。     

基于特征融合的遥感图像机场掩体目标检测方法研究

提出了一种融合位置特征和形状特征的机场掩体目标检测方法。以形态学方法提取机场道路的骨架图,然后用道路网的拓扑关系提取掩体目标的位置特征--断头路,用轮廓序列矩检测断头路区域内构筑物形状特征,实现对机场掩体目标的融合检测。并以高分辨率遥感图像为例进行了飞机掩体目标的检测实验,结果表明,该方法能较好地检测机场掩体目标。     

多源遥感图象融合及应用

标准的数据融合方法在解决一幅高分辨率、全色图象与一幅低分辨率多频谱图象融合问题时,会使多频谱数据的频谱特性失真。我们基于多分辨率小波分解开发了一种技术,用于此类图象的融合。此法是将高分辨率图象的小波系数添加到多频谱（低分辨率）数据上,再将全色图象小波变换的高阶系数添加到多频谱图象的浓度组件上,此算法是对对标准的浓度－色度－饱和度（IHS或LHS）合并法的改进,将该算法应用于SPOT与LANDSAT（TM）图象融合的结果表明,在保留频谱与空间信息方面优于IHS和LHS融合法。     

获取均匀控制点的遥感影像自动空间匹配方法

提出了两种可以获取均匀分布的控制点的遥感高分辨率影像空间域匹配方法。常规的灰度模板匹配方法为先进行手工选点粗匹配,然后用特征提取算子在原始图像中提取控制点,最后根据控制点提取灰度模板进行精匹配。基于上述方法,提出了两种控制点均匀化方法,分别为在控制点提取时和模板匹配后对控制点进行均匀化,并用实验证明匹配精度因均匀化的控制点分布得到有效提高。     

遥感图像时空融合综述

高时空分辨率的遥感图像大数据在遥感领域发挥着重要作用.然而,由于技术上和预算上的限制等原因,目前单一的卫星传感器无法获取同时具有高空间分辨率和高时间分辨率的遥感影像.因此遥感图像时空融合技术被认为是解决时间分辨率和空间分辨率折衷问题的有效途径之一.随着深度学习在各领域的广泛应用,深度学习技术已经被证实是解决图像问题非常...     

一种高分辨率遥感影像道路提取方法

针对空间异质性导致的道路几何纹理特征突出性下降问题, 提出一种高分辨率遥感影像道路提取方法. 首先设定跟踪模型, 依据人工输入点, 自适应提取道路中心点和道路宽度, 设计迭代内插、双向迭代两种跟踪方式以及矩形跟踪模板; 然后提出多描述子道路匹配模型, 针对道路几何纹理特征突出性不足问题, 基于道路区域地物边缘与道路方向一致的语义关系, 通过线段峰值约束的思想, 提出一种多尺度线段方向直方图(Multi-scale line segment orientation histogram, MSLSOH)描述子, 以此对跟踪方向进行预测; 针对道路几何纹理特征均质性下降问题, 从道路区域与道路非道路混合区域纹理差异性出发, 组合三角形构成扇形描述子, 突出道路影像纹理特征, 以此不仅可对预测跟踪点进行验证, 而且也可在结构信息缺失的情况下对道路进行跟踪; 最后选取不同类型、不同分辨率、不同场景的高分辨率遥感影像, 通过与其他方法的实验对比, 表明该方法能够解决道路提取过程中几何纹理特征突出性下降问题, 具有准确率高和自动化程度高的优势.     

大幅面多光谱遥感图像快速自动配准

针对大幅面多光谱遥感图像的配准需求,提出一种基于特征点的快速全自动配准方法。由于多光谱遥感图像的尺寸较大,计算量大,因此提出特征网格理论,即根据图像灰度值、信息熵值及特征分布均匀性准则,在二级规则网格中选取特征网格参与后续运算,以减小计算量。同时,该理论为SIFT(Scale Invariant Feature Transform)特征点提取算法的并行运行及特征点初匹配方法的改进提供了条件,提高了算法的效率及配准精度。利用本算法对CBERS-02B拍摄的遥感图像进行了实验。结果表明,该方法能够达到亚像素级配准精度,且计算速度快,能够满足大幅面遥感图像处理的要求。     

基于多源遥感时空谱特征融合的滑坡灾害检测方法

针对多源遥感图像中滑坡时空谱特征融合利用模式单一、检测识别性能差等问题,提出了一种基于多源遥感时空谱特征融合的滑坡灾害检测方法,以滑坡发生地区灾前灾后多源遥感图像为基础,通过对多波段遥感图像进行光谱空间和尺度空间配准,构建融合时序变化特征、光谱特征和空间形状特征遥感影像数据集,将多维多谱变化信息转化为光谱表征模型.利用支持向量机模型对滑坡目标和背景地物进行识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别.实际实验表明,该方法能够达到95%的识别率,优于多种常见滑坡遥感检测方法.     

一种安全的多帧遥感图像的外包融合去噪方案

遥感图像去噪是图像处理领域的热门研究课题.伴随着采集设备改进和技术提升, 同一场景下的多帧图像的融合去噪已经成为可能.然而海量遥感图像去噪在单机上暴露出处理速度慢、并发性差等问题,利用云计算平台进行海量数据的存储和处理是大势所趋.为保护外包计算的遥感图像的安全性,提出了一种针对多帧遥感图像的安全外包融合去噪方案.方案利用Paillier加密算法的密文加法同态性和Johnson-Lindenstrauss转换近似保留欧氏距离的特性,对平均图像进行基于动态滤波参数的融合去噪.选用从多幅Landsat 8遥感图像中截取多个512×512像素的图像作为实验对象,搭建了Spark单机环境来模拟云环境.实验数据表明:提出的外包方案可以有效地保证遥感图像的安全性;同时,融合去噪方案的效果明显优于已有的密文去噪方案和单帧密文去噪方案,且对不同图像、不同大小的噪声均有很好的去噪效果.     

基于多尺度特征融合模型的遥感图像建筑物分割

针对传统深度网络模型难以精确提取建筑物边缘轮廓特征及对不同尺寸建筑物无法自适应提取的问题,提出一种膨胀卷积特征提取的多尺度特征融合深度神经网络模型(Multiscale-feature fusion Deep Neural Networks with dilated convolution,MDNNet)对遥感图像建筑物自动分割的方法。首先在ResNet101模型中引入膨胀卷积扩大提取视野保留更多特征图像分辨率;其次利用多尺度特征融合模块获取多个尺度的建筑物特征并将不同尺度的特征融合;最终利用特征解码模块将特征图恢复到原始输入图像尺寸,实现遥感图像建筑物精确分割。在WHU遥感图像数据集的实验结果表明,提出模型有效克服道路、树木和阴影等因素影响,分割结果有效保留建筑物边界细节信息,有效提升分割精度,像素准确率PA达到0.864,平均交并比mIoU达到0.815,召回率Recall达到0.862。