基于特征的SAR遥感图像港口检测方法

遥感图像中港口检测是遥感海洋应用研究的重要方面。快速、准确地检测港口将大大提高遥感图像的自动解译能力。该文通过研究港口目标配置,从港口功能特征出发建立了港口特征模型,并在此基础上提出了一种基于特征的遥感图像港口检测方法。首先根据港口的几何特征、拓扑特征完成港口突堤的提取与筛选,然后根据港口的上下文特征、几何特征,选择突堤特征点并计算特征点间岸线封闭性,最后根据封闭性准则完成港口检测。实验结果表明,相对于已有的港口检测方法,新方法具有港口检测正确、轮廓完整、检测率高、运算速度快等特点。     

基于感知编组的遥感图像港口提取方法

遥感图像中港口识别是遥感海洋应用研究的重要方面,准确、高效地自动提取港口目标对于提高遥感图像自动解译能力具有重大意义。由于人造目标按照某种结构方式有组织地构成,而人类视觉的感知编组可以获取图像中相关组织及结构,因而感知编组的特性有助于识别人造目标,该文将感知编组方法用于提取港口目标。通过建立突堤区域编组、疑似港口突堤端点连线编组以及基于产生式规则的港口编组机制,提出了基于多级感知编组的港口提取方法。实验结果表明,相对于已有的港口检测方法提取的港口目标不准确、效率不高等问题,新方法提取的港口具有目标标识正确、轮廓完整以及运算速度快等特点。      

基于YOLOv3-SPP的遥感图像目标检测压缩模型

近年来,卷积神经网络模型已被广泛应用于遥感图像目标检测任务中,但自然场景图像与遥感图像的目标特性存在差异,针对自然场景设计的模型往往难以在遥感图像任务中取得良好的效果。同时,很多遥感图像处理任务需要在星载、机载等资源有限的平台中进行,难以部署参数量、计算量大的复杂模型。针对以上问题,本文对在自然场景中性能优异的YOLOv3-SPP模型进行适应性改进及参数压缩。首先,对原始的L1范数剪枝算法进行改进,提出基于L1范数和均值差的加权剪枝算法,能够更好地保留重要的通道。其次,对剪枝后的子网集合进行快速评估,选取评估结果最好的子网进行微调。在预训练和微调阶段,本文将SPP模块中的最大池化层替换为softmax加权池化层,着重突出深层网络中权重较大的特征,提高了模型的检测精度。本文在多个公开遥感数据集上进行实验,结果表明改进的YOLOv3-SPP模型在遥感目标检测任务上具有更好的性能,同时本文的剪枝算法可以在相同的参数压缩比例条件下,降低模型的性能损失。     

基于YOLOX-Tiny的轻量级遥感图像目标检测模型

为了解决高分辨率遥感图像目标检测存在的背景复杂多样、密集的物体分布及目标尺度差异大等问题,同时考虑到应用场景对模型资源的限制,提出了一种基于YOLOX-Tiny的轻量级遥感目标检测网络。首先采用多尺度预测方法增强对密集目标的检测能力;其次引入协同注意力模块提高重要特征关注度,抑制背景噪声;再者通过可变形卷积替换关键预测卷积层,强化空间建模能力;最后优化损失函数,改善遥感目标定位精度。在公开的遥感图像目标检测数据集DIOR上评估了所提算法的有效性,实验结果表明：相比基准算法（YOLOX-Tiny）,所提算法在平均精度（AP）和AP50指标上分别提升4.1个百分点和4.42个百分点;在保持较高精度的前提下,每秒检测帧数（FPS）达到46,可满足实时检测的需求,优于其他先进算法。     

基于遥感相机模型的遥感图像彩色校正

分析了光源、大气层、遥感相机敏感度对真彩色遥感图像颜色的影响，提出了基于遥感相机模型的彩色校正，通过彩色校正补偿光源、大气层、相机敏感度引入的误差，将不同条件下的彩色图像转换成标准光源下的图像，对于遥感图像分析等有一定意义，仿真实验结果表明，本文的彩色校正方法基本上可以满足实例需要。     

基于特征谱的高分辨率遥感图像港口识别方法

 本文提出一种基于内港岸线特征谱的港口识别方法.进行海域分割,提取海岸线及其特征点.通过分析海岸线封闭性测度矩阵得到内港岸线及其特征谱.根据特征谱的匹配相似度实现港口识别.从理论上证明了该方法的合理性,并在实际遥感图像上进行了港口识别实验,结果表明:内港岸线的特征谱具有平移、旋转、缩放不变性;文中方法能够准确分割内港岸线,对现有港口目标样本的识别准确率达到100%.     

基于空间语义模型的高分辨率遥感图像目标检测方法

该文提出一种基于空间语义模型的方法,用于高分辨率遥感图像复杂场景中典型地物目标的自动检测。该方法通过分割获取图像对象,引入主题模型统计对象的多维特征,提高了对象特性描述的精度。在此基础上,对图像中有意义的地物目标及它们之间的空间关系建模表达和定量计算,通过获取场景的语义解析树,辅助实现对复杂地物目标的准确提取和定位。在测试数据集上的实验结果表明,该文方法具有较高的智能化程度和较强的稳定性。     

基于贝叶斯网络模型的遥感图像数据处理技术

贝叶斯网络是一种不确定性知识的推理和描述技术,针对遥感数据的复杂性和不确定性,该文提出了一种基于贝叶斯网络模型的遥感数据推理和描述技术。文中利用 2002年春季中-日亚洲沙尘暴项目的土地利用数据(LU),沙尘监测数据(TSP),卫星 AVHRR时间序列 LST/Albedo数据,采用贝叶斯网络模型进行了知识描述和信息推理预测实验,取得了较好的效果。     

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。     

基于不变特征的多源遥感图像舰船目标检测算法

由于域偏移的存在,多源图像舰船目标检测任务面临着不同源传感器带来的图像风格差异难题.另外,为特定数据源训练特定的检测模型会消耗大量的计算资源,严重限制了其在军民用领域的工程应用.因此,设计一个通用网络以有效检测来自不同源遥感数据的舰船目标成了当下的研究热点.针对该需求,本文提出了一种基于不变特征的通用舰船目标检测方法,...     

基于Snakes模型的高分辨率遥感影像城区道路提取方法研究

基于主动轮廓模型（Snakes）理论研究了高分辨率遥感影像道路的提取。针对高分辨率遥感影像中道路特征,通过改进现存方法得出更为适合道路提取的主动轮廓模型,并利用其完成道路提取工作。通过对1 m分辨率的IKONOS影像进行实验,结果表明该方法能够较好地提取出城市高分辨率影像中弯曲道路的完整对称边缘信息。     

基于独立成分分析的多时相遥感图像变化检测

变化检测是通过分析多时相遥感图像间的差异实现地物变化信息的提取,而消除多时相遥感图像中的相关性是提取变化信息的一种有效途径。独立成分分析(ICA)作为近年出现的盲源分离技术,能够有效地消除多源信号间的二阶和高阶相关,经其变换的各分量之间相互独立。该文提出一种应用ICA变换实现多时相遥感图像变化检测的算法,首先对多时相多光谱遥感图像进行独立成分分析,得到彼此没有相关信息的独立成分,并且各独立成分图像中的变化信息得到增强;然后通过分析变换后的独立成分实现地物的变化检测。实验结果显示该算法比传统的方法具有更好的性能。     

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。     

基于深度学习的无人机遥感影像车辆检测

伴随着城市的发展,车辆数量在不断地增加。这一现象不仅增加了城市拥挤状态,而且还促使交通事故频发。要提高城市治理能力,就必须提高对城市车辆的监测能力。使用无人机对上海、赤峰地区的四个场景进行了低空摄影,获取了航空遥感影像数据,然后结合深度学习的Unet卷积神经网络技术对无人机影像中的车辆进行了单目标提取。结果表明,深度学习对无人机影像中车辆的识别能力远高于传统机器学习中的随机森林方法,达到了99%的超高精确度,且每个场景内汽车数的估算结果与真实数量极其接近。根据研究结果可知,将无人机和深度学习技术相结合的车辆检测方法具备实时性和现实可行性,可为城市的车辆实时监测和交通管理提供可靠的技术手段。     

基于Ecogniton的光学遥感图像舰船目标检测

利用卫星遥感技术对海上舰船目标进行识别定位具有重要的意义。提出了一种基于面向对象的图像分割和分类软件Ecognition的技术方法来提取高分辨率遥感卫星图像中的海上舰船目标。利用多尺度分割算法和光谱差异分割算法对高分辨率卫星图像进行初步分割;利用归一化差异水体指数（NDWI）或灰度共生矩阵（GLCM）同质性纹理特征对陆地和海洋进行辨别;利用对象的相邻关系特征和形状特征来获取潜在的舰船目标;利用数学形态学算子实现舰船目标的连续化,从而获得最终的海上舰船目标。利用高分辨率卫星图像进行了实验验证,实验结果说明了所提出的技术可以有效地实现海上舰船目标的识别与定位。     

基于YOLOv3的光学遥感图像目标检测算法

针对目前算法对遥感图像中背景复杂、目标小而密集的复杂场景下的目标检测精度低的问题,提出了一种基于YOLOv3的改进算法,在YOLOv3的基础上,结合了密集连接网络,利用密集连接块来提取深层特征,增强特征传播,同时引入Distance-IoU(DIoU) loss作为坐标预测的损失函数,使边界框的定位更加准确,此外针对目标间相互遮挡的情况,改进了传统的非极大值抑制算法,使用DIoU代替IoU来克服虚假抑制的问题.对所提算法在三个经典的遥感数据集上进行了测试,实验结果证明,所提方法具有更高的检测精度.