并行路径与强注意力机制遥感图像建筑物分割

遥感图像建筑物分割广泛应用于城市规划及军事领域,是当前遥感领域的研究热点。针对遥感图像中建筑物之间尺度变化较大、建筑物遮挡、建筑物阴影与建筑物边缘相似所导致建筑物分割精度较低的问题,提出一种并行路径和强注意力机制的卷积神经网络模型。该模型基于ResNet网络残差连接的思想,以ResNet为基础网络提高网络深度,并采用卷积下采样得到并行路径,提取建筑物的多尺度特征,以减少建筑物之间尺度变化的影响。然后加入强注意力机制,增强多尺度信息的融合效果,增加不同特征之间的区分度,抑制建筑物遮挡及建筑物阴影的影响。最后,在多尺度融合特征后加入金字塔空间池化模块,抑制分割结果中建筑物内部孔洞的出现,提高分割精度。在WHU以及Massachusetts Buildings公开数据集进行实验,分别从MIoU,Recall,Precision,F1-score 4个指标对分割结果进行量化比较,在Massachusetts Buildings数据集中MIoU达到72.84%,相较于ResUNet-a提升1.46%,能够有效提高遥感影像中建筑的分割精度。     

采用局部分形的高效图像分割方法在红外云图处理中的应用

针对已有的基于分形维数的图像分割算法难以快速计算一个小区域的分形维数,计算复杂,效率低的问题,通过分析云的分形特征,提出一种采用局部分形维数的方法对红外云彩图像进行分割.首先,提出了一种高效算法来计算一段区间内的分形维数,使用树状数组作为数据结构,利用已经计算出来的信息,在O(logN)的时间内得到结果;然后,通过计算...     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

基于高层特征融合的图像语义分割

在深度学习下的图像语义分割中,为了探究高层特征对于户外场景语义分割性能的影响,在对高层特征进行分析的基础上,提出了融合高层特征的图像语义分割方法。在目前主流深度学习框架Caffe下搭建的分割模型,并采用斯坦福8类户外场景数据集对模型进行了训练和测试。测试结果验证了该方法的有效性和准确性。     

融合高阶信息的遥感影像建筑物自动提取

针对遥感影像中建筑物目标与背景环境区分度低而造成的提取效果较差的问题,本文提出了融合高阶信息的编解码网络方法以改善建筑物自动提取的精度。首先,针对遥感影像建筑提取任务,使用深度编解码网络完成对建筑物目标的低阶语义特征提取;其次,使用多项式核完成对深度网络中间特征图的高阶描述,以提升网络对于模糊特征的辨识能力;最后,将低阶特征与高阶特征级联后,送入编解码网络的末端,得到对建筑物的分割结果。在Massachusetts Buildings数据集上进行试验,其召回率、准确率和F1-score指标分别达到了85.1%,77.5%和80.9%,综合指标F1-score相比于基础深度编解码网络提升约4%。本文所提方法改进了编解码器网络对于遥感影像建筑物自动提取任务的表现性能,能够更加精确地提取与背景区分度较低的建筑物目标,具有良好的实用价值。     

融合CNN和Transformer的遥感图像建筑物快速提取

遥感图像建筑物高效提取在城市规划、灾害救援、军事侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度,但通常是由复杂的卷积运算和极大的网络模型实现的,提取速度低,难以满足现实需求。为此,设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积,在同一卷积层内提取多尺度特征,进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构,在带有空间注意力权值的特征图中应用通道注意力,有效学习通道注意力权值,进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量,加快模型的运算速度,将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明,本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%,明显优于主流方法。     

一种基于多重分形新特征的图像分割算法

提出了一种新的基于容度的多重分形图象分析方法.在特征提取方面利用了基于Choquet容度的不同度量标准.从不同的角度提取信息,最大限度地利用了图像中的纹理信息,能将不同类型的纹理有效地区分开.同时结合模糊神经网络提出了一种基于自适应模糊聚类方法的图像纹理分类新算法,不仅克服了经典算法的不足,而且能自动确定网络结构.通过对实际图像的分割试验,证实了该方法的有效性.     

基于几何特征匹配的截断塞门手把图像分割

货车故障轨边图像检测系统(TFDS)采用高速摄像与图像处理技术,对行进中的列车实施动态检测并及时发现故障。而截断塞门手把关闭是货车典型故障之一,故需识别手把工作状态以保障列车运行安全。利用VC++平台,针对截断塞门手把故障,研究了图像几何特征的提取方法,对二值化后的图像进行轮廓提取,并以轮廓外接矩形作为特征实现目标区域的分割和标识,且实验结果理想。     

基于Contourlet林火图像多重分形分割的研究

提出了一种多重分形和Contourlet变换相结合的森林火灾图像分割新算法.先对图像进行Contourlet多层分解,得到一系列多尺度、局部化、多方向的子带图像.然后对低频子带进行多重分形特性分析,再将多重分形谱作为特征参量进行像素筛选,筛选出标志不同景物的像素点.最后,根据这些像素点的不同分布进行图像分割,从而实现烟雾的分割.实验结果表明,这种算法能够有效地实现火焰和烟雾的分割,提高了森林火灾图像分割的有效性.     

基于多尺度特征融合的遥感图像场景分类

为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。     

融合多层级特征的遥感图像地面弱小目标检测

为解决遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题,本文提出一种融合多层级特征的遥感图像地面弱小目标检测算法CC-YOLO。该算法首先利用深度卷积神经网络逐级对目标图像进行特征提取,得到高低层特征空间金字塔图;然后,对空间金字塔图进行跨层级通道特征融合,结合新增的位置注意力机制CA,分别沿两个空间方向聚合特征,保留弱小目标精确的位置信息;最后,在聚合后生成的双支路特征图上进行端到端的目标检测,联合多通道检测信息输出检测结果。为解决算法实验中图像数据匮乏的问题,构建了遥感图像地面弱小目标数据集GDSTD。实验结果表明,算法AP_0.5∶0.95达到42.3%,AP_0.5达到94.6%,检测速率FPS达到58.8帧/s,具有一定的鲁棒性和实时性。     

面向遥感图像水域分割的图像熵主动轮廓模型

为提高遥感图像水域分割的准确度,结合高分率遥感图像中水域与背景纹理复杂度差异较大的特点,将图像熵引入到CV模型中,提出两种图像熵主动轮廓模型用于高分辨率遥感图像的水域分割。其中,针对水域纹理相对简单的遥感图像,在CV模型中引入零水平集内的图像熵而构成局部图像熵主动轮廓模型,可以有效降低背景中灰度值与水域近似的区域发生误分,从而提高水域分割的准确度;针对水域纹理相对复杂的遥感图像,在CV模型中同时引入零水平集内外图像熵而构成全局图像熵主动轮廓模型,改进了水平集函数进化过程中对灰度信息的依赖,并能使零水平集进化到全局最优,进一步提高了遥感图像中水域分割的准确度。针对高分辨率遥感图像中的湖泊、河流和海域分割对比实验结果表明:局部图像熵主动轮廓模型的分割精确率分别为90.1%、81.5%和93.6%,F值分别为0.94、0.885和0.96;全局图像熵主动轮廓模型的分割精确率分别为94.5%、85.3%、94.9%,F值分别为0.956、0.895、0.967。本文提出的两种图像熵主动轮廓模型均能有效减小背景误分,提高了遥感图像水域分割的准确度。     

强度图像和偏振度图像融合网络的设计

为了弥补强度图像在阴暗处丢失纹理细节的劣势,结合偏振度图像的偏振特性,本文提出了一种强度图像和偏振度图像的融合方法。首先,构建编码器网络提取源图像的语义信息和纹理细节。随后,特征融合网络采用加法策略和残差网络进行图像特征融合。最后,通过解码器网络对融合后的图像特征进行重构获得最终的融合图像。此外,根据源图像和融合图像之间的结构相似性损失和梯度损失,本文提出了一种改进的损失函数来引导融合网络训练。实验结果表明：与其他6种方法中融合效果最好的改进的双通道脉冲耦合神经网络（MD-PCNN）相比,本文方法的客观评价指标平均梯度、信息熵、图像质量、标准差和改进的多尺度结构相似性分别提高了4.3%,1.0%,8.1%,2.5%,3.1%,图像噪声降低了8.8%,且克服了强度图像在阴暗处丢失纹理细节的问题。     

基于深度学习的铸件CT图像分割算法

针对现有方法分割弱边缘铸件CT图像难度大、精度低、鲁棒性差的问题,提出一种融合残差模块与混合注意力机制的U型网络分割算法(AttRes-U-Nets)。该算法以U-Net网络为基础,首先构建深度残差网络ResNets作为算法的编码网络,解决传统U-Net网络特征提取能力不足的问题;然后,引入改进后的混合注意力机制,突出分割目标区域与通道的特征响应,提高网络灵敏度;最后,将Focal loss与Dice loss结合为一种新损失函数FD loss缓解样本不平衡带来的负面影响。使用120阀体数据集对算法性能进行验证,实验结果表明,本文算法对铸件分割的像素准确率(PA)和交互比(IoU)分别达到98.72%和97.40%,优于传统U-Net算法与其他主流语义分割算法,为弱边缘分割提供了新思路。     

基于表面二维PCA重构图像的刀具磨损分形特征研究

根据加工表面纹理图像与刀具几何形状之间的内在联系,提出利用计算机视觉技术进行刀具磨损状态监测,设计了基于表面微观纹理图像的刀具磨损状态监测实验系统。提出从二维PCA重构图像中提取分形特征值来判断刀具的磨损状态,给出了二维PCA图像重构算法。理论分析和实验证明:PCA重构图像消除了原始图像信息中的冗余和噪声,从重构图像中提取出来的分形布朗运动维数与刀具磨损有着很强的相关性,可以间接判断刀具磨损情况,从而达到对刀具状态进行监测的目的。     

基于分形理论的林业害虫图像的边缘检测

将分形理论应用于林业害虫图像的边缘检测,通过判断DFBR场模型参数H值范围来获取边缘。实验表明,经直方图均衡化预处理后,该算法能更好地获取图像边缘。     

基于改进Res-UNet的视网膜图像血管分割

精准的视网膜血管分割可以辅助诊疗如糖尿病、高血压等疾病。眼睛血管结构和病理特征的复杂性导致血管分割的精度和速度都存在很多局限。为了克服这一问题,提出了一种改进的U-net分割方法,该方法将U-net网络解码器和编码器中的卷积模块改为残差模块,使用非局部注意模块连接编码器和解码器。网络模型在不增加参数量的情况下,通过添加残差模块和注意力机制提高了像素之间的信息相关性以及模型提取特征的能力。最后,采用DRIVE数据集对所提模型与原U-net网络进行对比评价,新模型在测试集上的特征检测准确率、特异性、灵敏度和Dice系数分别达到了0.9679、0.9896、0.8245和0.8281。实验结果证明,所提网络模型可对视网膜进行精确地血管分割。     

基于图形和图像融合的产品特征建模

自然界中的物体通常采用图形和图像两种表达形式,它们在计算机中的描述则是采用两种不同的数据格式。特征建模是当前工业产品数字化建模的主要手段,但是目前的特征描术不能描述复杂的表观和非均质材质信息。提出一种图形／图像融合的特征建模思想,可以有效解决这一难题。论文详细论述了基于图形图像建模的必要和方法,并给出了几个应用实例。     

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。     

基于几何图像的三角网格分割

对反求工程中三角网格数据的分割算法进行研究,提出一种基于几何图像的三角网格分割方法.在网格参数化的基础上,改进几何图像的生成方法.结合形态学方法,用去除逼近项小波重建方法和梯度图像方法两种方法分割法矢图像,基于阈值法分割曲率图像,把几何图像的分割结果映射回到原始网格.实例表明基于几何图像的三角网格分割方法对没有复杂自由曲面的网格数据可以取得较好的分割效果.