可见光遥感图像中舰船目标检测方法

本文提出了一种基于标准差特征平面Contrast box滤波的可见光遥感图像舰船目标检测方法.选用局部统计方差作为目标检测特征,实现对不同亮度舰船的统一特征描述,并消除海面平均亮度变化的影响.然后在二维检测特征平面上通过Contrast box滤波自适应确定局部目标检测阈值,并结合目标的空间结构信息完成疑似目标定位.最后借助先验舰船特征模型对疑似目标集合进行验证以去除虚警,输出最终目标检测结果.实验结果表明,该方法对于可见光遥感图像中的舰船目标能够达到99.5%的目标检测准确率,同时目标检测虚警率为5%.     

一种基于遥感图像的机场检测方法

目的 以SPOT（Satellite Positioning and Tracking)图像为例，介绍一种基于遥感图像通过检测机场跑道来确认机场的存在与否的机场检测方法。方法 介绍了该系统的机场检测原理工作流程，着重讨论了机场跑道通用模型的描述及感光趣区域的确定。结果和结论 实验结果证明本文所推荐的方法具有较好的检测效果。     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性的算法,实现了遥感图像高效自动的云分类及云检测.该方法首先将大幅遥感图像切分成小块子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后通过边缘检测算法,实现了对厚云影响范围的有效标记.对100幅典型水域遥感图像的实验测试结果表明：正确云分类判别率达到97％,误判率小于4％,漏判率小于2％,基本满足实时性需求,证明了该算法的有效性.     

采用仿射变换的红外与可见光图像配准方法

图像配准是图像融合技术的基本环节和首要问题。针对红外和可见光图像的配准问题,分析了两者配准的特点。引入6参数的仿射变换模型来描述3D空间中的目标,分析了通常采用的4参数模型的不完备性。利用模型计算配准参数,并用最小二乘法达到用多个配准点拟合出最优参数解的目的。实验结果表明,此方法可以很好地消除红外和可见光图像之间的差异。     

遥感图像颜色预测的概率统计方法

应用概率统计分析模型计算与预测彩色合成图像的色度参数,是一种定量分析遥感图像颜色的新方法。计算结果表明,色度坐标的预测值与实测值达到了较好的吻合。相关系数γ Ｘ ＝ ０ ．９８３ ,γ Ｙ＝ ０ ．９８８ ,标准差 Ｓｘ＝ ０ ．１４２ , Ｓｙ ＝ ０ ．１４０ ,可以满足色度计算的精度要求。     

基于图割的交互图像分割方法

介绍图割的基本理论框架及利用图割解决问题时的主要流程和图割方法存在的难点问题。     

一种改进的遥感图像融合方法

针对传统的IHS变换和Mallat算法在融合多光谱图像和高空间分辨力图像时存在的不足,提出了一种将IHS变换和平稳小波变换相结合的遥感图像融合方法;另外,对多光谱图像和高空间分辨力图像因空间分辨力的不同而带来的融合图像中所存在的虚假轮廓问题,提出在融合过程中先定位虚假轮廓出现的位置,然后加以处理的方法.仿真结果表明,本文算法在光谱失真上小于IHS变换法,克服了Mallat算法存在的方块效应,同时较好的抑制了虚假轮廓.     

基于图像分块和Hausdorff距离的背景更新方法

在图像测量、目标检测过程中,传统的背景更新算法对于背景的扰动变化过于敏感.为此,本文提出了一种基于图像分块和Hausdorff距离判断的背景更新方法.首先采用高斯混合模型初步得到背景,然后对图像进行分块,借助图像匹配的思想计算当前图像块和背景图像块的Hausdorff距离,判断是否满足背景更新条件.若满足,则更新背景;...     

基于多残差网络的遥感图像语义分割方法

高分辨率遥感图像含有许多较为复杂的地物信息,对其进行的语义分割存在分割精度低、分割边界模糊等问题.本文提出一种新型的多尺度语义分割网络模型,旨在提高遥感图像语义分割精度.该模型为编码—解码(Encoder-Decoder)网络结构,编码器利用残差网络对图像特征进行提取;解码器利用反卷积进行上采样;残差连接将提取到的高级...     

一种图像的显著区域提取方法

本文提出一种新的图像显著区域提取方法,分别提取原始图像的亮度、颜色、方向三个特征,并将三个特征的多尺度图像特征合并成一幅总的显著图;其中,在图像颜色特征提取中融入图像的频域特征,简化了算法的复杂度及实现难度,在图像方向特征提取中应用新的特征函数,使得方向特征图更加完善.实验结果显示本文方法相比较Itti算法显著图更为明显且易于实现,在图像目标重定位应用中图像形变少,效果更好.     

基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。     

一种新的遥感图像智能匹配方法

遥感图像中目标的空间定位问题一般是通过模板匹配或者特征匹配的方法来实现的。当给定的目标模板与遥感影像中候选识别的目标存在着空间角度、缩放比例和背景噪声较强等问题时，采取模板匹配方法就很难实现对目标的快速准确定位。遗传算法是一种自适应的迭代寻优搜寻和直接对参数对象进行操作的智能算法。利用这种算法优势可以屏蔽掉模板匹配目标的过程中对复杂参数的确定过程。本文将遗传算法与模板匹配方法密切结合，选取一幅北京奥运规划区遥感影像进行了方法实验，结果表明该方法除具有遗传算法智能快速化的效果，还具有实际操作简便的优点。     

遥感影像道路网提取算法研究现状

遥感影像道路网的提取一直是国内外学者研究的热点,本文详细介绍了目前道路网提取的研究现状,对基于梯度运算和道路骨架线抽取的提取算法、基于高斯尺度空间的边界线提取算法的原理以及提取效果进行了分析和比较,以为下一步研究提供理论支持.     

基于改进SUSAN算子的一种遥感影像配准方法

首先介绍TSUSAN（Smallest Univalue Segment Assimilating Nucleus）边缘检测算子的工作原理及在特征点提取中的应用,改进TSUSAN算子阈值的自动获取方法。最后将改进的SUSAN算子应用在图像配准中,通过计算候选匹配角点对,然后利用图像间的不变信息对候选匹配角点对进行筛选,最终得到正确的匹配角点对集。试验表明了该方法的有效性和可靠性。     

非亚采样Contourlet 遥感图像融合

非亚采样 Contourlet 变换是在非亚采样塔型滤波器及非亚采样方向滤波器组的基础上建立起来的,它是一种移不变多方向多尺度图像表示方法.介绍了该变换的结构特点与系数分布特性,并研究了基于非亚采样Contourlet 变换的图像融合算法.该算法利用非亚采样Contourlet 的平移不变性以及NSCT 系数特点,有效准确地提取图像边缘与细节区域,并分别在高、低频域针对不同区域采用不同的融合方法,有效挖掘了待融合图像中的有效信息.这种具有多分辨率分析和多方向滤波特点的处理方法,提高了融合后遥感图像中的信息量和清晰度,对不同分辨率不同方向上的信息进行挖掘及融合,解决了传统小波融合算法中方向数目受限的不足.通过仿真实验与传统融合方法进行比较,验证了该方法的有效性和优越性.     

一种基于OpenACC的遥感影像正射纠正快速实现方法

利用CUDA语言移植旧程序时需要重新设计算法,花费较多的时间,效率不高。针对这一问题,本文在分析正射纠正算法并行性的基础上,提出一种基于OpenACC的遥感影像正射纠正快速实现方法,并与基于CUDA的正射纠正方法进行对比。通过正射纠正实验表明,OpenACC能通过对源代码的较小改动将其移植到GPU中,获得一定的加速比,其可移植性好,代码开发效率较高。     

空间分辨率之比对遥感图像融合质量的影响

本文主要探讨光学遥感图像融合中空间分辨率之比对融合质量的影响.采用IKONOS-2全色与多光谱图像,通过重采样的方法模拟空间分辨率之比连续变化的融合输入数据,并进行Gram-Schmidt融合实验,补充已有成果中空间分辨率之比变化不连续、融合方法单一的现状.结果表明:当空间分辨率之比降低时,融合质量随着下降,实际应用中,多光谱图像的空间分辨率越高越好;当空间分辨率之比很小时,应适当降低全色图像的空间分辨率,以减弱融合图像的光谱变形,提高融合质量;此外,即使空间分辨率之比很小,融合后图像也比融合输入多光谱图像的清晰度高,更利于图像判断与后续处理.     

A Deep Learning Hierarchical Ensemble for Remote Sensing Image Classification

Artificial intelligence, which has recently emerged with the rapid development of information technology, is drawing attention as a tool for solving various problems demanded by society and industry. In particular, convolutional neural networks (CNNs), a type of deep learning technology, are highlighted in computer vision fields, such as image classification and recognition and object tracking. Training these CNN models requires a large amount of data, and a lack of data can lead to performance degradation problems due to overfitting. As CNN architecture development and optimization studies become active, ensemble techniques have emerged to perform image classification by combining features extracted from multiple CNN models. In this study, data augmentation and contour image extraction were performed to overcome the data shortage problem. In addition, we propose a hierarchical ensemble technique to achieve high image classification accuracy, even if trained from a small amount of data. First, we trained the UC-Merced land use dataset and the contour images for each image on pretrained VGGNet, GoogLeNet, ResNet, DenseNet, and EfficientNet. We then apply a hierarchical ensemble technique to the number of cases in which each model can be deployed. These experiments were performed in cases where the proportion of training datasets was 30%, 50%, and 70%, resulting in a performance improvement of up to 4.68% compared to the average accuracy of the entire model.