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。     

红外遥感图像舰船目标检测

红外遥感图像舰船目标检测在军舰探测、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.本文回顾了红外遥感图像的发展历程, 总结了舰船遥感图像的特点及其图像处理的难点.着重分析了海陆分割和海洋背景图像预处理的研究现状, 对舰船检测算法进行了总结和归纳, 在此基础上对各种算法进行比较并指出其适用性和优缺点, 最后对其未来发展趋势进行了展望.     

基于图像分割的SAR图像变化检测算法及实现

本文提出一种基于图像分割的变化检测方法,该方法首先根据SAR图像统计特性进行图像分割,然后对两幅SAR图像的分割图进行融合,用相同的区域分割来描述两幅图像,再利用区域灰度和纹理等信息构造图像变化函数,用变化函数对图像进行变化检测判别,最后利用合成孔径雷达(SAR)图像进行的试验,并和变化矢量分析方法(CVA)进行比较,得到了很好的效果。     

基于图像分割的VHFSAR叶簇隐蔽目标差值变化检测

本文针对甚高频合成孔径雷达(VHF SAR)图像中树林区域后向散射呈现快速起伏的特点,提出了一种基于图像分割的叶簇隐蔽目标差值变化检测方法,该方法首先采用自动多阈值分割算法对参考图像进行分割以降低后向散射起伏对检测性能的影响,而后采用一种新的概率模型对分割后各图像区域的杂波分布分别进行准确估计以进一步提高算法的性能.实验结果表明本文方法较之其它算法具有更优的检测性能.     

基于改进SLIC算法的SAR图像海陆分割

海陆分割在提高SAR图像舰船目标检测精度方面具有十分重要的意义。针对传统算法不能很好地对SAR图像进行海陆分割,提出了基于改进SLIC超像素分割和分层区域合并准则(HSWO)的海陆分割算法。针对SAR图像统计特性,首先对SLIC超像素分割和HSWO算法模型分别进行改进,然后用SLIC超像素分割算法对图像进行超像素分割,并按照分层区域合并准则对超像素块进行聚类,最终实现海陆分割。实验表明,所提出的改进模型具有较高的处理精度和处理效率,相比于其他算法更适用于SAR图像的海陆分割,具备一定的工程应用价值。     

基于分段的非监督SAR图像变化检测

本文提出一种基于分段的变化检测方法,该方法首先实现全局最优的图像分段,再根据位置信息产生最佳的变化检测分段图像,最后根据图像灰度和纹理信息对图像进行变化检测,利用合成孔径雷达(SAR)图像进行的实验表明了该方法的有效性.     

基于显著特征引导的红外舰船目标快速分割方法研究

分割的难度可以利用关于视觉任务的知识来降低。在分析现有分割方法的基础上,提出了一种用目标的显著特征来限定分割区域的分割方法,使基于类间方差的门限法得以应用。同时,考虑了红外图像中船体与发动机等区域存在不同灰度分布的情况,定义了局部分割准则。实验结果证明所提出的方法能成功完成红外舰船目标分割,并能应用于实时舰船目标检测与识别。     

基于脉冲耦合神经网络的区域变化检测研究

为了实现遥感图像中对机场等感兴趣区域（ROI）准确的变化检测,提出了一种基于脉冲耦合神经网络（PCNN）的遥感图像变化检测方法。其基本原理是将变化前后的图像作为网络输入,经过多次迭代后用一维点火时间序列图表征输入图像信息,然后计算两幅时间序列图的相关系数确定是否有变化发生。最后对机场区域完全点火映射图进行异或运算,得到变化检测结果。实验结果表明,该方法对不同类型图像均有满意的检测结果。对比分析进一步证实了该方法具有较强的普适性和较高的检测精度。     

多级分割融合算法提取红外舰船目标潜在区

针对海天背景下红外舰船图像目标与背景对比度低,图像边缘模糊的特点,提出了一种红外图像舰船目标潜在区的提取算法.算法对图像进行了预处理和频域增强,在海天线附近区域进行多级分割融合以提取目标潜在区.实验结果表明,对于海天背景红外图像,采用该算法能够克服传统分割方法中单一阈值不好选取的问题.多级分割融合的结果能够覆盖目标区域,为后续的目标识别和跟踪奠定了良好的基础.     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

基于自适应阈值区域生长的红外舰船目标分割方法

红外成像制导技术以其优越的性能成为当今制导武器发展的主流,舰船红外图像的精确分割是后期舰船识别和跟踪的基础.针对红外舰船目标的有效分割问题,本文提出了一种基于自适应阈值的区域生长和形态学滤波相结合的红外舰船目标分割算法,首先,选取种子点在自适应阈值的情况下进行区域生长,然后将粗分割图像进行形态学滤波,最后运用几何学的图像处理方法,从分割图像中去除相应的背景干扰,提取出目标的有效信息.通过对实验结果进行分析,最终分割出来的图像交叠面积比达到98%以上,而误分百分比均为0%,即没有误分.实验结果表明该算法能够很好地运用于红外舰船目标分割.     

一种基于Attention-YOLOv3的海面舰船目标检测的方法

近年来,基于深度学习的视觉检测方法在海面舰船目标检测领域中的应用愈加广泛。为了解决传统视觉检测方法检测精度不高,对小目标检测效果不好的问题,提出了一种基于Attention-YOLOv3的海面舰船目标检测方法,有效提高了对舰船目标的检测性能。在对主流的One-stage与Two-stage模型结构及特点的调研分析的基础上,利用YOLOv3的特征提取网络Darknet-53来获取图像特征,通过特征金字塔网络（FPN）网络结构融合特征提取网络中深浅层的语义信息,并添加注意力机制模块来进一步优化网络性能。将改进后的Attention-YOLOv3模型应用到海面舰船检测场景中进行验证,基于搜集到的舰船目标制作成COCO格式的数据集进行训练,使用包含海面舰船目标的图片作为测试集进行测试。实验结果表明,改进后的Attention-YOLOv3网络对比原检测网络模型,解决了小目标检测不敏感的问题,达到了更高的检测效果。     

基于锥形尺度变换的弱小舰船目标检测

该文提出一种低信杂噪比下弱小舰船目标的检测方法。该方法对回波的慢时间瞬时自相关函数进行锥形尺度变换(Taper Scale Transform, TST),解除时延和慢时间的耦合。然后将TST后的信号相干积累,达到很好的检测效果。另外,该文分析了交叉项对检测的影响以及尺度因子的选择标准。实测数据的处理结果验证了该方法的有效性。     

基于改进双边网络的SAR图像海陆分割方法

海陆分割是海岸线提取、近岸目标检测的一个基本步骤。传统的海陆分割算法分割准确度差,参数调节繁琐,难以满足实际应用要求。卷积神经网络能够高效地提取图像多个层次特征,广泛应用于图像分类任务,可作为海陆分割新的技术途径。其中双边网络(BiSeNet)能有效平衡分割精度和速度,在自然场景图像语义分割任务上取得了较好的表现。但对于SAR图像海陆分割任务,双边网络难以有效提取SAR图像的上下文语义信息和空间信息,分割效果较差。针对上述问题,该文根据SAR图像特点减少双边网络中空间路径的卷积层数,从而降低空间信息的损失,并选用ResNet18轻量化模型作为上下文路径骨干网络,减少过拟合现象并提供较广阔的特征感受野,同时提出边缘增强损失函数策略,提升模型分割性能。基于高分三号SAR图像数据的实验表明,所提方法可有效提升网络的预测精度和分割速率,其分割准确度和F₁分数分别达到了0.9889和0.9915,对尺寸大小为1024×1024的SAR图像切片处理速率为12.7 frames/s,均优于当前主流的分割网络框架。此外,所提网络的规模较BiSeNet减少50%以上,并小于轻量级的U-Net架构,同时网络有较强的泛化性能,具有较高的实际应用价值。      

基于多特征动态融合模型的海陆分割算法

海陆分割是遥感图像中进行海上目标检测、监视的关键技术.传统的基于灰度的海陆分割算法没有充分利用图像中的梯度、纹理等灰度变化及空间分布信息;而基于梯度或纹理的海陆分割算法又没有考虑到图像本身灰度特性.由此提出基于多特征动态融合模型的海陆分割算法,该算法通过动态融合模型提取多种图像特征,生成综合特征图,并对综合特征图进行分...     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...