一种基于局部梯度比率特征度量SAR图像相似性的新方法

本文针对SAR图像相干斑噪声和图像局部梯度特性,提出一种基于局部梯度比率特征的相似度准则.首先提取SAR图像各个像素的梯度比率特征,进而构建局部梯度比率特征直方图LGRPH,并进一步分析多尺度LGRPH,最后通过计算多尺度LGRPH的K-L距离定义相似度.基于SAR仿真和实测图像的实验结果表明,本文提出的相似度准则对SAR图像上相干斑噪声和局部梯度变化不敏感,能有效应用于SAR图像的目标识别.     

一种基于局部梯度比率特征度量SAR图像相似性的新方法

本文针对SAR图像相干斑噪声和图像局部梯度特性,提出一种基于局部梯度比率特征的相似度准则.首先提取SAR图像各个像素的梯度比率特征,进而构建局部梯度比率特征直方图LGRPH,并进一步分析多尺度LGRPH,最后通过计算多尺度LGRPH的K-L距离定义相似度.基于SAR仿真和实测图像的实验结果表明,本文提出的相似度准则对SAR图像上相干斑噪声和局部梯度变化不敏感,能有效应用于SAR图像的目标识别.     

基于特征转移金字塔网络的SAR图像跨尺度目标检测

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一.然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现.该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法.在特征提取阶段采用特征转移方法,实现各层特征图...     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

复杂场景下的自动红外舰船目标检测

为实现多种复杂海天背景下红外舰船目标的有效检测,提出了一种基于局部边缘梯度特征分析的舰船目标检测方法。利用红外舰船目标图像的特征,改进自适应Butterworth高通滤波对图像进行预处理。通过计算局部边缘梯度特征和聚类分析确定初始目标区域,比较梯度特征参数并进行多尺度搜索准确检测出舰船目标。对多种复杂海天场景红外图像进行仿真实验,结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单,易于实现,适应面广。     

基于改进OS-SIFT的可见光与SAR图像自动配准

针对尺度不变特征变换（SIFT）算法配准可见光和合成孔径雷达（SAR）图像时性能较差的问题,提出了一种基于改进光学-SAR图像的SIFT(OS-SIFT)可见光和SAR图像配准算法。首先,利用非线性扩散滤波构建可见光和SAR图像的非线性扩散尺度空间,并采用多尺度Sobel算子和多尺度指数加权均值比算子分别计算可见光和SAR图像的一致性梯度信息。然后,用图像分块策略剔除尺度空间第一层后对尺度空间进行分块,在一致性梯度信息的基础上提取Harris特征点,得到稳定且均匀的点特征。基于梯度位置和方向直方图模板构建描述符并对其进行归一化处理,以克服影像间的非线性辐射差异。最后,利用欧氏距离进行特征匹配,并采用快速抽样一致性算法剔除误匹配。实验结果表明,相比联合位置、尺度和方向的SIFT算法和OS-SIFT算法,本算法的匹配率有明显提高,均方根误差也相对较低。     

基于多尺度局部极值和边缘检测的目标性算法

目标性作为目标检测的预处理算法,用于高效提取少量可靠的目标潜在区域,可替代针对复杂特征的多尺度滑动窗的分析方式,达到提升目标检测效率的目的。该文提出了一种基于多尺度局部极值和边缘检测的目标性算法。首先,基于原始图像的多尺度梯度特征,在不同尺度下利用均值滤波得到梯度强度的局部极值,并在原始图像上还原出初始目标潜在区域;然后,通过提取图像的边缘特征,计算初始目标潜在区域的目标性得分值;最后,对得分值进行尺度加权,并结合非极大值剔除冗余区域,最终输出少量可靠的目标潜在区域。通过PASCAL VOC和ILSVRC2014数据库的实验对比,该算法给定1000个候选区时在PASCAL VOC和ILSVRC2014分别达到97%和98%以上的召回率,同时有效地提升了首框召回率。      

基于小波变换和深层稀疏编码的SAR目标识别

针对SAR图像预处理算法自适应能力差、带标签图像不足、目标特征提取困难等问题,提出了一种基于小波变换和深层稀疏编码的SAR图像目标自动识别算法。首先利用灰度值和尺度缩放获得大量的无标签SAR目标,并采用离散小波变换对图像进行高效的降维,再结合深层稀疏编码提取目标的深层抽象特征并完成识别任务。采用MSTAR数据库中3类军事目标进行算法仿真与验证。实验结果表明,在没有预处理的情况下,该算法能够有效地完成多目标SAR图像分类,且具有较高的识别率和鲁棒性。     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

一种面向机载SAR图像的目标检测算法

无人机合成孔径雷达(Synthetic Aperture Radar,SAR)图像在目标检测过程中存在噪点丰富、成像相对模糊等特点,容易造成目标初检测虚警较多。特征提取和虚警去除是实现SAR图像目标准确检测的重要途径。针对目标特征提取及虚警去除,提出了一种面向机载SAR图像的目标检测算法。该算法首先进行目标初检测,再基于特征,使用球面构造神经网络模型去除虚警,实现目标的精确检测。最后,基于实拍遥感SAR影像验证了算法的有效性。     

SAR图像车辆目标ROI的提取技术

SAR图像感兴趣目标区域(Region Of Interest, ROI)的提取是目标识别的基础。该文针对SAR图像中车辆目标ROI提取问题,系统分析了ROI提取过程的关键环节,提出了采用基于有序数据可变索引(Ordered Data Variability Index, ODVI)的自适应CFAR方法实现目标的恒虚警检测,同时对ROI切片计算鉴别特征,并实现序贯鉴别。最后利用X波段SAR图像数据验证了该文的ROI提取技术,给出了鉴别输出的ROI,处理结果显示该文算法能准确提取车辆目标ROI,有效消除虚警。     

基于MSER和SVM的快速交通标志检测

为解决传统的基于机器学习的交通标志检测(TSD) 方法需要对每一个待检测子窗口进行处理而导致算法实时性不高的问 题,提出了一种基于感兴趣区域(ROI)提取和机器学习的快速TSD 算法。针对传统基于颜色阈值的ROI提取方法具 有对光照变化较敏感等缺点,设计了一种颜色增强下的最大稳定极值区域(MSER)方法 ,根据标志的颜色进行 颜色增强,对颜色增强图像提取MSER得到交通标志ROI;然后在图像的多尺度滑动遍历检测 过程中,仅对包含ROI的滑 动窗口进行方向梯度直方图(HOG)特征的提取,并通过支持向量机(SVM)进 行分类判别。实验结果表明,本文改进的TSD方法在运算速度上有较大提升,具有很好的鲁 棒性,且获得了96.42%的检测率以及较低的误检数。     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

结合目标先验信息的检测图像网格聚类算法

合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动目标识别的前提条件之一是能够准确地提取感兴趣区域(Region of interest, ROI),因此能够获取ROI中心的聚类算法是SAR图像处理的关键算法之一。为了尽可能降低检测图像中的虚警以及减少聚类及相应的鉴别算法的计算量,本文提出一种基于先验信息的网格聚类算法,该方法首先通过目标和杂波的形状统计信息估计网格聚类参数,然后利用其对检测图像进行网格划分,并引入目标的占空比特征去除杂波,最后通过粗提取和精提取两种方法计算得到聚类中心。仿真和实测数据处理结果表明,该算法能够对检测目标进行有效聚类并去除大部分杂波,同时极大地减少了鉴别的计算量,且简化了传统ROI中心提取流程。      

基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测

在超宽带合成孔径雷达叶簇隐蔽目标检测中,传统的UWB SAR图像变化检测方法易受图像灰度值起伏和成像条件变化的影响,致使现有的变化检测算法的性能下降.本文根据人类视觉系统的生理结构和认知特点,提出了一种基于视觉注意机制的叶簇隐蔽目标变化检测算法.该方法使用视觉注意模型,将图像的多尺度特征信息融合为单幅视觉显著图像,并利用图像局部邻域信息和目标的空间相关特性对视觉显著图中视觉注意焦点进行分层筛选和变化检测.实验结果表明:本文中基于视觉注意机制的变化检测方法可以有效检测多时相UWB SAR图像中的叶簇隐蔽目标,较之传统的基于统计原理的变化检测方法,其检测速度更快,且对场景复杂的UWB SAR图像亦具有鲁棒性.     

基于注意力机制的多尺度全场景监控目标检测方法

针对复杂城市监控场景中由于目标尺寸变化大、目标遮挡、天气影响等原因导致目标特征不明显的问题,该文提出一种基于注意力机制的多尺度全场景监控目标检测方法。该文设计了一种基于Yolov5s模型的多尺度检测网络结构,以提高网络对目标尺寸变化的适应性。同时,构建了基于注意力机制的特征提取模块,通过网络学习获得特征的通道级别权重,增强了目标特征,抑制了背景特征,提高了特征的网络提取能力。通过K-means聚类算法计算全场景监控数据集的初始锚框大小,加速模型收敛同时提升检测精度。在COCO数据集上,与基本网络相比,平均精度均值(mAP)提高了3.7%,mAP₅₀提升了4.7%,模型推理时间仅为3.8 ms。在整个场景监控数据集中,mAP₅₀达到89.6%,处理监控视频时为154 fps,满足监控现场的实时检测要求。     

Structural group classification technique based on regional fMRI BOLD responses

This paper presents a new multigroup classification method based on subtle differences in regional brain activity during the completion of a functional magnetic resonance imaging (fMRI) challenge paradigm. Classification is performed based on features derived from BOLD time intensity curves in selected regions of interest (ROI). For each ROI, a mean time intensity curve [called mean regional response (MRR)] is calculated from realigned and normalized datasets. The overall subject performance is characterized with a vector of features obtained using nonlinear modeling of all subject's MRRs with a mixture of time shifted Gaussian functions. The classification is performed in the reduced-dimension optimal discrimination space, obtained through canonical transformations of original feature space. In order to demonstrate feasibility of the proposed method, classification of three groups of subjects is presented. The three groups are defined as heavy marijuana smokers after 24 hours of abstinence, heavy marijuana smokers after 28 days of abstinence, and healthy nonusing controls. The proposed method can be useful as an analytic tool for the discrimination of different groups of subjects based on temporal features of functional magnetic resonance imaging activation.