联合显著性特征与卷积神经网络的遥感影像舰船检测

目的 针对高分辨率遥感影像舰船检测受云雾、海浪以及海岛等复杂因素干扰,存在虚警率高、漏检率高、目标检测和识别困难等问题,提出一种联合视觉显著性特征与卷积神经网络的海面舰船目标检测方法。方法 基于频率域相位谱显著性检测能够有效抑制高分辨率遥感影像上云层、海面杂波干扰的特点,计算影像多尺度显著图并进行加权融合。采用对数变换对融合后的图像进行空间域灰度增强以提高目标与背景的区分度,利用灰度形态学闭运算填充舰船目标孔洞,采用大津分割法来提取疑似舰船目标作为兴趣区域。最后构建舰船样本库,利用迁移学习的思想训练卷积神经网络模型,对所有兴趣区域切片进行分类判断和识别,得到最终检测结果。结果 利用多幅不同背景下的高分辨率遥感影像,分别从视觉显著性检测、舰船粗检测与船只类型识别3个方面进行实验验证,选取检测率、虚警率、识别率3个指标进行定量评价。结果表明,本文方法相比于其他方法能有效排除云雾、海岛等多种因素的干扰,检测率、虚警率、识别率分别为93.63%、3.01%、90.09%,明显优于其他算法,能够实现大范围影像上多种类型舰船的快速准确检测和识别。结论 本文将图像视觉显著性检测快速获取图像显著目标的特点与卷积神经网络在图像分类的优势相结合,应用于遥感影像的海域舰船目标检测,能够实现对复杂背景下舰船目标的检测和船只类型的精细化识别。     

基于显著性的遥感图像舰船目标检测

舰船作为海洋信息感知中的重要目标,其检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义.海洋遥感图像受云雾、风浪、海杂波和光照等干扰使得舰船检测具有挑战性.根据可见光遥感图像舰船目标检测特点提出粗检测和细鉴别相结合的技术路线.先基于视觉显著性的谱残差法对图像进行增强以提取目标候选区域,后根据舰船与干扰因素差异采用舰船方向梯度直方图特征对目标候选区域进行鉴别,提取真正的舰船目标.实验结果表明,上述算法舰船检测率高,对光照、海杂波干扰具有一定程度的鲁棒性,且能有效剔除碎云岛屿等干扰物,显著降低虚警率.     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

高分辨率遥感影像的形态学边缘检测算法

结合高空间分辨率遥感影像的特点,利用数学形态学方法,选取具有不同尺度和包含全部方向的结构元素,设计一种多尺度全方位形态学边缘检测算法,并采用峰值信噪比方法代替均值以自适应地确定尺度权重.实验结果表明:与传统Canny算子和结构元素尺度形状单一的形态学边缘检测算法相比,本算法解决了噪声抑制和精细边缘提取的矛盾,检测出的图像边缘清晰,而且抗噪性能强.边缘检测结果可用于遥感影像地物几何特征和纹理特征提取.     

高分辨率遥感图像港内舰船的自动检测方法

在高分辨率的光学遥感图像中,港口内停靠舰船的灰度、纹理特征与陆地接近,因此同行驶于海上的舰船相比,是较难实现自动检测的目标.考虑到港口几何布局稳定的特点,提出了一套基于地理信息的舰船目标检测算法.该算法结合矢量数据和栅格数据的优点,采用模板形式存储地理信息,并以自动阈值法进行目标的粗分割,充分利用先验信息和相关知识完成并联目标的切割和断裂目标的连接.通过仿真实验,证明该算法能准确、快速的实现港内舰船的自动检测.     

基于改进FCOS网络的光学遥感影像目标检测算法

针对当前遥感影像背景复杂、目标尺度小等情况导致的检测精度偏低的问题,基于FCOS网络提出了一种结合位置注意力和感受野增强的遥感影像目标检测算法PARF-FCOS;该算法构造了一种位置注意力模块,并利用该模块对特征提取网络进行改进,增强网络对目标信息的提取能力;在特征融合阶段使用感受野模块（RFB, receptive field block）增强浅层特征图,利用目标上下文信息进行辅助判断,提升网络对小尺度目标的检测能力;在训练过程中,引入距离交并比损失（DIoU loss,distance intersection over union loss）进行边界框回归,通过优化目标框与预测框中心点之间的距离,使回归过程更加平稳和准确;在公开数据集DIOR上评估了PARF-FCOS目标检测算法,实验结果表明,相较于原始FCOS,算法的平均精确度均值提高了4.3%,达到70.4%,检测速度达到23.2FPS。     

结合多种特征的高分辨率遥感影像阴影检测

针对现有的阴影检测算法对较亮阴影和较暗地物中的阴影不能同时较好地检测等问题, 提出一种结合多种特征的高分辨率遥感影像阴影检测方法.该算法首先结合主成分分析、颜色特征和直方图的分割构建多种阈值检测条件, 然后综合多种特征来进行遥感影像阴影的初步检测, 最后通过分析RGB模型在阴影与非阴影地物上的差别, 利用颜色特性最终检测出阴影区域.实验结果表明, 本文算法能有效检测较亮阴影和较暗地物中的阴影.与现有方法相比, 较亮阴影的平均总错误率从水平集法的31.85%降至24.61%, 较暗地物中阴影的平均总错误率从自动检测法的37.75%降至23.30%.     

一种快速高分辨率遥感影像分割算法

高分辨率遥感影像(如IKONOS 影像)海量数据、复杂细节的特点决定了高分辨率遥感影像分割的技术难点,提出了基于同质性梯度特征、分水岭算法和最小代价合并的快速分割方法。首先对于原始图像进行同质梯度计算得到同质梯度图像;其次利用一种高效的分水岭变换获得初始分割图像;最后给出一种改进的区域合并算法来优化初始分割区域。应用于IKONOS影像的实验证明与其他的分割算法相比,采用所提出的分割方法能快速、准确地获得高分辨率遥感图像的分割结果。     

高分辨率遥感图像投影分析的靠岸舰船检测

目的 高分辨率遥感图像中,靠岸舰船检测有着广泛的应用前景,其主要难点在于舰船与港口陆地在空间上紧邻,在颜色和纹理特征上相似,舰船与港口陆地难以分割。针对这种情况,利用港口岸线平直的几何特点和靠岸舰船多为舷靠的停泊特点,提出一种基于投影分析的靠岸舰船检测方法。方法 首先,对原始图像进行预处理,利用K-means聚类算法与区域生长算法相结合的方式得到海陆分割图像,利用Sobel算子与Otsu分割结合的方式获取边缘图像;然后,通过改进的Hough变换提取直线特征,结合港岸几何特性定位港口岸线;再将海陆分割后的二值图像向沿岸线和垂直岸线两个方向进行投影,根据沿岸线方向投影形态确定和分离并靠舰船,根据垂直岸线方向的投影形态定位舰船目标;最后,利用舰船尺寸、长宽比、最小外接矩形占空比特征去除虚警。结果 在15个港口场景不同分辨率的遥感图像测试集上,本文方法整体检测率达到85.4%,虚警率达17.2%;限定分辨率范围在24 m的情形下,检测率提高到93.5%,虚警率降低至5.3%。结论 本文方法简单有效,无需港口先验信息,适用于多尺度和多方向的靠岸舰船目标检测任务,对不同类型舰船形态差异具有鲁棒性,且能够分离并靠舰船。     

结合VGGNet与Mask R-CNN的高分辨率遥感影像建设用地检测

针对当前多数深度学习模型只能对高分辨率遥感影像裁剪图片进行土地利用类型判别的问题,结合VGGNet与Mask R-CNN开展了智能化建设用地目标检测研究.在建立研究区4类土地利用类型遥感影像数据集的基础上,对比了 VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度,选取分类效果最优的神经网络模...     

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。     

遥感图像中舰船检测方法综述

随着遥感成像技术的发展,遥感图像中大型移动目标的检测和识别成为可能,舰船目标检测和识别就是在这一背景下提出的.在参考大量文献的基础上,回顾了舰船检测的发展历程,分析了其研究现状,对舰船检测方法进行了综述并分类,在此基础上对各类算法进行对比,最后给出了该领域存在的问题和发展趋势.     

一种基于深度学习的遥感图像目标检测算法

遥感图像分析在国土资源管理、海洋监测等领域有着极为广阔的应用前景。深度学习技术已在图像处理领域取得突破性进展,然而,遥感图像固有的尺寸大、目标小而密集等特点,使得将面向普通图像的深度学习方法用于遥感目标检测普遍存在定位不准确、小目标检测难、大图检测精度差等问题。针对上述难题, 提出了一种新型遥感图像目标检测算法DFS。与传统机器学习方法相比,DFS 设计了新的维度聚类模块、定制损失函数和滑动窗口分割检测机制。其中,维度聚类模块通过设计聚类机制优化定制先验框,提高定位精度;定制损失函数提高对船只等小目标的检测精度;滑动窗口分割检测解决大图检测精度低的问题。在经典遥感数据集上开展的实验对比表明,与YOLOv2相比,DFS算法的mAP提高了256%,小目标检测效率及大图检测效能大幅提高。     

无锚点的遥感图像任意角度密集目标检测方法

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题,建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型,经过主干网络提取特征,并改造原有检测器结构,即加入角度回归分支进行目标角度回归;然后提出一种基于非对称卷积的特征增强模块,并将主干网络提取到的特征图输入特征增强模块,从而增强目标的旋转不变性特征,消除由于目标的旋转、翻转带来的影响,进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时,该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点,每秒处理帧数（FPS）提升了7.5;在自建数据集Ship3上,该方法的mAP比RRPN提升了8.68个百分点,FPS提升了6.5。结果表明,所提方法能获得检测精度和速度的平衡。     

结合相位一致与全变差模型的高分辨率遥感图像边缘检测

目的边缘检测是有效利用遥感数据开展地物目标自动识别的重要步骤。高分辨率遥感图像地物类型复杂,细节信息过于丰富,使得基于相位一致的边缘检测结果中存在过多的噪声与伪边缘。为此提出了一种结合相位一致与全变差模型的高分辨率遥感图像边缘检测方法。方法根据相位一致原理,应用Log Gabor构造的2维相位一致模型,引入全变差去噪模型对基于相位一致的边缘强度图进行改进。结果借助有界变差空间对图像光滑性的约束,实现了高分辨率遥感图像噪声去除与伪边缘抑制,利用改进后的相位一致边缘强度图可有效检测高分辨率遥感图像的边缘。结论实验结果表明,与相位一致模型、Canny算法相比,该方法能消除了高分辨率遥感图像中同类地物内部细节特征形成的噪声,抑制相位一致边缘检测结果中的伪边缘,突出地物的真实边缘,并能正确地提取地物目标的整体轮廓信息,有助于后续地物目标的自动识别。     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

高辐射分辨率遥感影像可逆信息隐藏算法

高辐射分辨率（≥10bit）航空航天数字遥感影像已经逐渐成为空间地理信息获取的主要数据源。针对高辐射分辨率遥感影像的特性,提出了一种基于整数DCT变换的可逆信息隐藏算法,通过对整数DCT变换后的高频系数进行修改来实现待隐藏信息的调制嵌入,并提出了相应的容量提升和失真控制方案,且能够在精确提取隐藏信息的同时实现原始数据的完全无损恢复。实验结果表明,该算法具有较好的不可感知性,可以有效抵抗线性拉伸攻击,并且对于剪切、旋转、噪声,滤波等攻击都具有较强的鲁棒性。     

高分辨率遥感影像中道路震害信息的识别方法

大地震之后,紧急救援物资运输迫切需要了解灾区道路的震害信息,然而当前对遥感影像中道路的震害信息提取大多是基于像素的,提取的精度普遍不高。提出了一种面向对象的道路震害信息提取方法,通过综合利用道路的多种影像特征及震前GIS矢量道路相结合来提取道路,然后依据提取道路的完整程度来识别道路震害信息。采用汶川灾区的遥感影像为例进行了实验,与目视判读的结果比较后证明该方法有效改善了信息提取的速度和精度。