基于多视觉码本的图像表示

基于词袋模型的图像表示方法的有效性主要受限于局部特征的量化误差。文中提出一种基于多视觉码本的图像表示方法,通过综合考虑码本构建和编码方法这两个方面的因素加以改进。具体包括:1)多视觉码本构建,以迭代方式构建多个紧凑且具有互补性的视觉码本;2)图像表示,首先针对多码本的情况,依次从各码本中选择相应的视觉单词并采用线性回归估计编码系数,然后结合图像的空间金字塔结构形成最终的图像表示。在一些标准测试集合的图像分类结果验证文中方法的有效性。     

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。     

基手小波变换和支持向量机的遥感图像目标检测

探讨基于支持向量机的高分辨率遥感图像中某型号飞机的检测识别问题.提出将小波变换结合灰度共生矩阵法提取目标样本信息特征的一种新方法,通过对Brodatz纹理进行测试,实验表明该方法有效提高了纹理分类识别率.此外,将支持向量机方法运用于遥感图像目标识别中,用分块区域搜索的方法检测到目标所在区域,实现对目标的检测识别.试验表明,该方法快速、高效且具备一定的鲁棒性.     

基于深度学习的国产高分遥感影像飞机目标自动检测

基于高分辨率遥感影像进行飞机目标的自动检测对精确掌握飞机的空间位置具有重要意义。由于飞机姿态不一、背景复杂、轮廓不完整等原因,导致飞机自动检测的难度较大、检测精度不高。传统飞机检测方法主要基于人工特征和机器学习分类器,在算法鲁棒性、位移、旋转不变性等方面表现欠佳。为了解决上述问题,通过引入深度神经网络模型和迁移学习策略,基于国产高分辨率遥感影像实现了飞机目标的高精度检测。具体而言,首先构建了多尺度飞机样本数据库,并基于YOLO V2目标检测模型进行迁移学习,从而提高飞机检测模型的精度和鲁棒性。以上海浦东机场GF-2影像为例进行飞机目标检测实验,实验结果表明:飞机召回率为92.25%,正确率为94.93%;通过深度学习和模型迁移可以实现小样本情况下的飞机目标高精度检测。该方法可以推广到其他地物的检测和识别中,具有较好的推广意义和价值。     

基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。     

基于改进YOLOv5的光学遥感图像水坝检测研究

目标检测是计算机视觉领域的一个重要应用,针对光学遥感影像的目标检测任务也是当下的研究热点之一。现阶段科技进步的同时带来了一系列环境问题,环境保护已经成为当下值得关注的重点问题。水坝的建设是影响全球环境保护以及资源利用的一个重要因素,对水坝进行监测可以为环境保护工作提供参考依据。为了环境保护后续工作的开展,分析水坝在图像中的位置,该文针对高分辨率光学遥感影像中的水坝目标检测方法进行研究,对比了深度学习三个阶段较为典型的目标检测模型,根据实验结果选用精度较高的YOLOv5通用目标检测模型,并根据遥感图像背景复杂的特性结合CBAM注意力机制提高网络对图像中水坝目标的重点关注。在DIOR光学遥感目标检测数据集中提取含有水坝目标的图像并验证模型精度,实验表明YOLOv5-CBAM在并不显著增加模型大小的情况下比YOLOv5运算能力强,并且AP50可以达到86.4%,比仅使用YOLOv5的模型AP50提高了3.2百分点。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于环境要素提取的水上桥梁的定位方法

从高分辨率卫星图像中高效、准确地自动定位描述桥梁目标具有重要的应用价值。本文针对以往检测精度不高,尤其当河水处于枯水期时检测结果依赖检测窗口的选择等问题,从水域提取出发,在桥梁知识模型指导下,经过目标检测和目标定位过程精确定位描述目标。首次引入桥梁阴影特征,通过对它的提取辅助桥梁目标的检测。提取与目标密切相关的环境要素,提出基于环境要素提取的高分辨遥感图像中水上桥梁目标的定位方法,经过环境要素的联合特征提取和知识规则验证,实验验证本文方法提高了定位检测精度。尤其当河水处于枯水期,本文的检测方法优势尤为明显。以实际高分辨率遥感图像为例,实验结果证实了本文方法的有效性。     

高分辨率遥感图像灾区建筑物检测

在遥感图像中,灾区建筑物的检测对灾情获取和灾后应急救援具有重要意义。针对灾区高分辨率遥感图像中建筑物检测的问题,提出了一种改进 的基于形态学特征的多方向和多尺度分割方法,以实现灾区建筑物的自动化检测。首先将形态学算子的重建、粒度和方向等性质 整合到建筑物的亮度、大小和对比度等特征中,对遥感图像进行初步的分割并提取高亮和高对比度的建筑物,然后结合图像的区 域边缘信息,进一步提取潜在的建筑物。实验结果表明,所提方法对灾区高分辨率图像中的建筑目标有较高的检测率和较低的误检率。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于主题模型的高分辨率遥感影像变化检测

提出一种基于主题模型的高分辨率遥感影像变化检测方法。将前后两期遥感影像对应的像素点对作为基本单位,提取其邻域亮度相关度、均值、标准差以及邻域回归直线的斜率、截距等低层次特征,在此基础上映射得到像素点对的高层次视觉单词特征,并通过潜在狄利克雷分配模型进行分析,挖掘其潜在的主题信息,即变化与不变,从而实现变化检测。实验结果表明,该方法能够有效检测高分辨率遥感影像的变化。     

基于脉冲卷积神经网络稀疏表征的高分辨率遥感图像场景分类方法

遥感图像场景分类对土地资源管理具有重要意义,然而高分辨率遥感图像中地物分布复杂,图像中存在着与当前场景无关的冗余信息,会对场景的精确分类造成影响.对此,提出一种基于脉冲卷积神经网络(SCNN)稀疏表征的场景分类方法.从稀疏表征出发,利用脉冲神经元的稀疏脉冲输出特性,设计脉冲卷积神经网络,去除遥感图像中与场景无关的冗余信息,实现对图像的稀疏表征;提出基于脉冲输出交叉熵损失函数的反向传播算法,在该算法的基础上利用梯度下降训练脉冲卷积神经网络,优化网络参数,实现遥感图像场景分类;通过实验验证方法的有效性,将所提出方法应用于Google和UCM两个遥感图像数据集,并与传统的卷积神经网络(CNN)进行对比.实验结果表明,所提出方法可以对遥感图像进行稀疏表征,实现场景分类;相对于卷积神经网络,所提出方法在遥感图像场景分类任务上更具有优势.     

融合BOVW和复杂网络的高光谱遥感图像分类

为挖掘高光谱遥感图像的深层光谱特征,获取优化特征空间以提高分类准确率,提出了一种基于视觉词典和复杂网络的高光谱遥感图像分类的光谱特征提取方法.通过改进视觉词典方法,使用K-Means方法计算各类样本的聚类中心作为词典,并计算各待测试样本的光谱像素值与词典光谱向量中相同光谱波段的差值,计算出单个待测样本点的词频直方图.同...     

图片分类特征增强的统计方法

Bag-of-Words模型对于图片分类来说是一种非常有用的技术,它利用事先定义好的“可见字”为每张图片建立一个特征向量。提出了一种新的统计方法来发掘可见字对于每一类图片的区分能力,再利用线性模型合并“可见字”,从而为每张图片构造新的特征向量。实验结果显示这一算法能够增强特征向量的区分度,进而提高图片分类的性能。     

Aircraft Auto-detection in Domestic High Resolution Remote SensingImages Using Deep-learning

It is of great significance to automatically detect aircrafts from remote sensing imagery to get their locations.However,due to aircraft posture variance,complicated background and incomplete outlines,it is challenging to achieve a high aircraft detection accuracy.Traditional aircraft detection methods are usually based on hand\|crafted features and machine learning based classifiers,which is not robust enough for the translation and rotation variations.To tackle the above issues,this paper introduces deep convolutional neural network and the strategy of transfer learning to detect aircrafts from Chinses domestic satellite remote sensing images.Specifically,this paper first constructs an aircraft sample database,which consists aircrafts of different sizes and poses.Afterwards,YOLO V2 trained with natural images is utilized as the detection model and is further fine\|tuned with aircraft samples to increase the robustness and performance.Experiments were done on the Shanghai Pudong airport from Chinese GF\|2 remote sensing data.Experimental results showed a good performance with a recall of 92.25% and a precision of 94.93%.It is indicated that deep learning together with model transfer can get a high aircraft detection accuracy with limited training samples.The method in this paper can be generalized to other land object detection problems which shows a good promotional value.     

基于多尺度Retinex算法的遥感图像增强

大多数的遥感图像存在视觉对比度低、分辨率低的缺点．因而在对遥感图像分析之前,通常都需要通过遥感图像增强技术对图像进行增强处理。当前的图像增强方法有很多种,文中引入了一种新颖的图像增强方法,即多尺度Rednex（MSR）算法。这种增强技术尤其对能见度差、分辨率低的图像有很好的效果,因此适合于对遥感图像的增强处理。此外,还引入了几种常用的经典图像增强方法,如直方图均衡法等。为了证实所引入的MSR算法对遥感图像的增强效果优于其他的增强方法,在实验中,将经典的图像增强方法和MSR算法分别应用于增强一幅典型的遥感图像并对比增强后的增强效果。实验结果表明MSR算法在对遥感图像的增强中可以取得满意的效果并且优于其他的图像增强方法。     

多特征融合的遥感图像分类

针对高分辨率遥感图像特点,提出了一种多特征融合的分类方法。该方法首先改进了原始的视觉词袋生成算法;然后,分别提取图像的视觉词袋局部特征、颜色直方图特征以及Gabor纹理特征;最后采用支持向量机进行分类,并对多特征分类结果进行自适应综合。采用一个具有2 100幅图像的大型遥感图像分类公共测试数据集进行分类实验,与仅用单一特征分类方法的最高分类精度相比,本文多特征融合的遥感影像分类方法总体平均分类精度提高了10%,表明本文提出方法是一种有效的高分辨率遥感图像分类方法     

Latent visual context learning for web image applications

Recently, image representation based on bag-of-visual-words (BoW) model has been popularly applied in image and vision domains. In BoW, a visual codebook of visual words is defined, usually by clustering local features, to represent any novel image with the occurrence of its contained visual words. Given a set of images, we argue that the significance of each image is determined by the significance of its contained visual words. Traditionally, the significances of visual words are defined by term frequency-inverse document frequency (tf-idf), which cannot necessarily capture the intrinsic visual context. In this paper, we propose a new scheme of latent visual context learning (LVCL). The visual context among images and visual words is formulated from latent semantic context and visual link graph analysis. With LVCL, the importance of visual words and images will be distinguished from each other, which will facilitate image level applications, such as image re-ranking and canonical image selection.We validate our approach on text-query based search results returned by Google Image. Experimental results demonstrate the effectiveness and potentials of our LVCL in applications of image re-ranking and canonical image selection, over the state-of-the-art approaches.     

基于U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容.与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩.得益于类人眼的分层卷积池化模型,深度卷积神经网络可...     

一种基于整体区域特征的地面飞机识别方法

在遥感图像处理过程中,目前地面目标识别绝大多数采用基于图像分割的方法。这些方法在图像可以较好分割和二值化时可以得到比较理想的效果。但是在处理过程中,有时难以得到理想的分割结果,这必定会影响最终的处理结果。因此,提出一种不需要进行图像分割,而是基于图像整体特征的大型地面飞机识别方法。对飞机先验数据进行分析学习,利用高频信息增强的Gabor滤波器的滤波结果,与经过学习得到的先验数据进行相似性对比进行识别。通过实验对方法进行了验证。