共查询到19条相似文献,搜索用时 78 毫秒
1.
可见光遥感图像中舰船目标检测方法 总被引:7,自引:0,他引:7
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%. 相似文献
2.
一种基于遥感图像的机场检测方法 总被引:14,自引:0,他引:14
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。 相似文献
3.
4.
5.
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。 相似文献
6.
7.
8.
9.
10.
11.
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。 相似文献
12.
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。 相似文献
13.
14.
15.
非亚采样Contourlet 遥感图像融合 总被引:5,自引:2,他引:3
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. 相似文献
16.
17.
18.
空间分辨率之比对遥感图像融合质量的影响 总被引:2,自引:0,他引:2
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. 相似文献
19.
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. 相似文献