基于改进DeeplabV3+的遥感图像分割算法

针对高分辨率遥感图像语义分割存在地物边缘分割不连续、小目标分割精度不高的缺陷,本文提出一种基于改进DeeplabV3+的遥感图像分割算法,该算法首先使用分散注意力网络ResNeSt替换DeeplabV3+原始主干网络Xeception,以提取更丰富的深层语义信息,从而提高图像分割精度;其次引入坐标注意力机制（Coordinate Attention,CA）,有效获得更精确的分割目标位置信息,使得分割目标边缘更加连续;最后在解码层中采用级联特征融合方法（CFF）提高网络的语义信息表征能力。试验结果表明,该算法在中国南方某城市的高清遥感图像数据集分割任务上mIoU高达97.07%,相比原始DeepLabV3+模型提高了3.39%,能够更好地利用图像语义特征信息,为解译遥感图像语义信息提供一种新的思路。     

基于改进型U-Net的遥感云图分割方法

云检测是遥感图像预处理的重要步骤,云检测精度直接影响后续遥感图像应用的准确性,针对现有云与云阴影分割任务中,泛化能力差,误检漏检现象严重的问题,本文提出了一种改进型U-Net网络模型,该模型以U-Net为主干网络,加入高效通道注意力机制,修改激活函数。将遥感图像作为输入,放入基于高效通道注意力的U型云图分割模型中进行训练,在获得最优权重后,输出包含云区域、云阴影区域和背景区域的遥感图像分割结果。实验结果表明,相比于现有分割模型,本模型在云和云阴影的分割任务中参数量最低,准确率最高,泛化效果最好。     

基于深度学习的脊椎CT图像分割

脊椎CT图像分割是脊椎三维重建可视化的关键。针对脊椎CT图像中脊椎边缘模糊,结构复杂,形状多变等问题,基于深度学习方法提出一种双解码器网络。该网络在编码解码网络U-Net结构基础上增加了一条结构相同的并行解码分支,两个解码分支可以互补地提取图像特征。并且,在编码与解码之间加入双重特征融合模块,解决网络在下采样和上采样过程中造成的语义信息丢失问题。同时用密连混合卷积模块代替原始卷积模块,提高网络对多尺度特征的提取能力。此外加入高效注意力模块,使网络在空间上注重学习感兴趣区域,在通道上抑制无关信息。在CSI2014公开数据集上进行测试,Dice系数达到0.970,Jaccard系数达到0.945,召回率达到0.962。实验结果表明,该网络能够提高脊椎分割精度,具有较好的泛化能力,可以满足临床脊椎CT图像分割需求。     

基于改进 U-Net 网络的眼底血管图像分割研究

针对眼底血管图像存在血管细小、视网膜病变而导致分割精度低的问题,提出了一种引入残差块、级联空洞卷积、嵌入注意力机制的U-Net视网膜血管图像分割模型.首先采用提高视网膜图像分辨率,以点噪声为中心、512为边长裁剪来扩增数据集,然后在U-Net模型中引入残差块,增加像素特征的利用率和避免深层网络的退化;并将U-Net网络的底部替换为级联空洞卷积模块,扩大特征图的感受野,提取更丰富的像素特征;最后在解码器中嵌入注意力机制,加重目标特征的权重,减缓无用信息的干扰.基于CHASE数据集的实验结果表明,所提模型的准确率达到了98.2％,灵敏度达到了81.72％,特异值达到了98.90％,与其他多尺度神经网络方法相比体现了更好的分割效果,充分验证了提出改进的U-Net网络模型能有效提高血管分割精度、辅助确诊血管病变.     

基于改进U-Net的街景图像语义分割方法

为提升多尺度目标的分割效果,增强特征提取能力,提出了一种基于双重注意力机制的改进U-Net街景图像语义分割方法。在U-Net编码阶段的第5个卷积块之后,添加特征金字塔注意力模块,提取多尺度特征,融合上下文信息,增强目标语义特征。在解码阶段不再采用U-Net的特征拼接方法,而是设计了一个空间域-通道域联合注意力模块,接收来自跳跃连接的低层特征图和来自前一个注意力模块的高层特征图。在Cityscapes数据集上的实验结果表明,引入的注意力模块可有效提升街景图像分割精度,与PSPNet、FCN等方法相比,分割性能指标mIoU提升了2.0%～9.6%。     

基于改进U-Net的轻量级输电线分割算法

为了提高输电线路的巡检效率,保证输电线的分割精度和速度,本文提出基于改进U-Net的轻量级网络GU-Net。首先,以U-Net网络为基础,在编码器部分引入轻量化主干提取网络Ghost-Net;然后采用双线性插值方法完成上采样,并利用深度可分离卷积代替部分普通卷积;最后在训练过程引入多损失函数以解决输电线和背景像素占比不平衡问题,并采用迁移学习策略训练模型。在E-Wire输电线数据集上测试,GU-Net网络的MIoU和F1-score分别为80.04%和87.77%,与现有的轻量化输电线语义分割网络Wire-Detection相比分别提升了4.26%和2.96%,且分割速度几乎没有损失,参数量约是它的20%。实验结果表明,本文提出的算法能够实现快速高效、轻量化地分割出复杂图像中的输电线。     

基于改进U-Net的输电线路绝缘子图像分割方法研究

针对输电线路巡检航拍的绝缘子图像存在背景复杂、对比度不明显、图像质量不能保证等情况造成绝缘子分割精度不高的问题,提出一种基于注意力模型改进U-Net网络的分割方法。首先以VGG16替换主干特征提取网络,增强网络的适用性;同时在下采样过程中引入注意力模型,增强对绝缘子目标的辨识能力,抑制背景、噪声等干扰信息,实现更加精确的分割。实验结果表明:CBAM注意力模型与U-Net网络相结合的方式效果最好,平均重叠度可达96.57%。     

基于 CBAM-Res_UNet 电厂高压蒸汽泄漏检测研究

发电厂高压蒸汽泄漏检测关乎电厂设备长期稳定运行。 为了提高电厂高压蒸汽泄漏检测的准确性,解决泄漏区域的错 分割和漏分割问题,提出基于 CBAM-Res_UNet 图像分割网络的电厂高压蒸汽泄漏检测算法,在 UNet 结构中加入 ResNet 的残 差块 residual_block 来获取泄漏图像更多的语义信息,并且融入 CBAM,加强高压蒸汽泄漏图像区域特征的学习,网络再根据不 同损失函数和评价标准对图像分割结果的影响,选择损失函数 Focal Loss+Dice Loss 和性能指标 F1_score。 通过在电厂高压蒸 汽泄漏图像数据集上进行实验,CBAM-Res_UNet 网络得到的 F1_score 值为 0. 985,实验结果表明,该网络可以更加完整的分割 出蒸汽泄漏区域,对高压蒸汽泄漏图像多样性有较强的泛化能力。     

融合边缘检测的遥感图像超分辨率重建算法

针对基于生成对抗网络的遥感图像超分辨率重建存在训练不稳定,参数冗余,图片纹理细节不够清晰等问题。提出一种融合边缘检测的遥感图像超分辨率重建算法。首先,在生成器网络中引入改进后的Canny边缘检测算子用于低分辨率图像特征提取,通过在Canny算子边缘提取流程中利用双边滤波和3×3邻域梯度以检测图像的边缘信息,使网络能够更好的表达高频特征;其次,为降低网络参数和提高网络训练的稳定性,去除判别器网络中冗余的BN层,同时将Wasserstein距离定义为对抗损失以解决生成对抗网络训练出现的梯度消失现象。在NWPU RESISC45数据集上,所提方法的峰值信噪比与结构相似性较WDSR和CARN算法分别提升了1.22 dB、0.114和0.32 dB、0.013,且重建后的图像相比较WDSR、CARN等其他SR算法在图像纹理细节和主观视觉效果方面也均有提升。     

基于双阶段多尺度生成对抗网络的图像复原方法

针对人脸图像复原任务中对图像尺度信息利用不足和眼镜结构复原错误的问题,提出一种基于双阶段多尺度生成对 抗网络复原模型。该模型第1阶段引入改进损失的U-Net 粗重构网络,利用跳连接减少原始图像信息的丢失,融合3种不同 的损失函数提高生成器的重构能力,采用双判别器考虑全局信息和局部信息,并提出一种混合域注意力机制用于关注图像的 空间和通道信息。第2阶段的精修复网络构建了全新的特征增强模块,增强网络对细节信息的提取能力和对结构的表达能 力,引入相对判别器,用于关注生成样本与真实样本之间的相对真实性,提高了生成质量和训练稳定性。实验结果表明,该方 法能够复原各类图像缺失的情况,并能够有效复原佩戴眼镜的人脸图像,与其他方法相比,该方法的峰值信噪比、结构相似性 和感知相似度评估等指标分别提升了3.81%、2.65%和0.45%。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

基于 VGG-Net 的 X 射线全脊柱冠状面图像分割方法

在计算机辅助脊柱图像分析和疾病诊断应用中,从X 射线脊柱图像中自动分割脊柱和椎骨是一个关键且具有挑战性 的问题。为进一步提升脊柱图像分割精度,提出一种基于 VGG-Net 改进的模型。首先,将 VGG16 网络去掉了后面的全连接 层,用作 U-Net 的特征提取网络;其次,为了增强图像的细节信息,在特征提取网络引入小波分解模块;最后,在上采样网络中 设计了一种逐像素相减的自空间注意力模块(SUB-SSAM) 机制,进一步提高网络模型识别关键特征的能力。实验结果表明, 改进后的模型相较于原VGG-Net 模型在平均交并比(mloU) 上提高了2.39%、召回率(recall)提高了0.96%、准确率(accura- cy)提高了1.31%,训练的该网络模型可以定位到每一块椎骨,准确分割椎体区域。     

基于DFECANet的遥感图像飞机目标检测方法

针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题,提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取模块为主体的主干网络,用以加强对多尺度飞机目标的特征提取;引入自适应特征增强模块,选择性关注小目标、优化特征信息的传递与信息交互;并设计了特征融合上采样模块对特征图进行上采样操作,用以提升高层语义信息的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法,飞机目标的检测精度提高了3.7%～18%。此外,该方法的检测速度以及模型参数量分别为147 fps和13.4 M,相较于当前主流算法具备较强的竞争力,满足在遥感背景下对飞机目标的实时检测需求。     

遥感图像中建筑物自动识别与标绘方法研究

为了从高分辨率城区遥感图像中自动提取出建筑物目标并对其位置和外形进行标绘,本文提出了一种建筑物自动识别与标绘的方法.该方法首先利用纹理特征对图像进行有效分割,产生出建筑物的候选区域.然后再判断这些区域是否为真正的建筑物区域.最后,对建筑物区域使用一种网格匹配的方法将目标建筑物重建为规则的多边形,以达到建筑物自动标绘的目的.本文用上述方法对IKONOS、QuickBird卫星的高分辨率光学图像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值.     

基于改进 Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进 Deeplabv3+ 模型。将原始主干网络替换为轻量级 Mobilenetv 2 网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞 空间金字塔池化(atrous spatial pyramid pooling , ASPP )的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每 个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch , CASEB ),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module , CBAM )抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原 Deeplabv 3+模型,改进模型在 平均像素精度(mean pixel attention , MPA )和平均交并比(mean intersection over union , mloU )上分别提升2 . 37%和3 .42%, 该方法可提供更加精确的电力线分割结果。     

基于自适应校准和多分支注意力的遥感目标检测

面向复杂多变的遥感场景下目标检测易受干扰的问题,提出了结合自校准模块和D_Triplet Attention的任意方向目标检测模型SD-Centernet。该方法在网络结构中引入旋转角度,为检测框提供角度信息。在Dlanet特征提取网络中引入self-Calibrated模块,通过自适应校准操作融合来自两个不同空间尺度的信息,增大输出特征的感受野。同时为了加强图像局部信息的聚焦,引入D_Triplet Attention,更好的解决了跨维度交互问题。SD-Centernet在HRSC-2016数据集上的检测精度达到86.25%,检测速度达到14.9帧/秒,有效提高了遥感航拍中多方位目标的检测效果。     

基于 GAN 网络的电力设施遥感图像去云算法研究

针对电力设施遥感图像云层遮挡问题,提出了基于生成对抗网络(GAN) 的遥感图像去云算法。以条件生成对抗网络 (cGAN) 为主体结构,在编码器自适应填充卷积,设计了基于 Soft Attention的递归神经网络模块,通过对所有特征节点增加 全局依赖关系来解决网络局部最优问题,通过空间信息转换提取关键信息,提高去云与重建效果。实验结果表明,方法对遥 感图像中云层遮挡去除效果较好,重建图像的结构相似性(SSIM) 与峰值信噪比(PSNR) 分别达到0.983与32.899,分别提高 了23.93%与8.86%,均优于其他改进型GAN 网络。研究的方法不仅为基于遥感图像电力设施识别提供了基础,深度学习 遥感图像处理应用提供了参考。     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

基于改进U-Net的水下图像增强算法

针对水下退化图像存在颜色失真、模糊雾化、对比度低等问题,提出了一种新的基于改进U-Net的水下图像增强算法。设计一种新的残差注意力结构和边缘检测模块并将其引入到U-Net网络中,构建改进后的水下图像增强算法。实验结果表明,本文提出的算法在校正水下色偏和增强对比度方面均得到了很好的效果,IE值较原始图像平均提高了14.2%,UCIQE值较原始图像平均提高了24%。消融实验结果表明,本文提出的残差注意力结构、边缘检测模块和损失函数均对水下图像增强起到了积极的效果。     

基于双重滤波与锐化的遥感图像增强算法

为了解决遥感卫星影像普遍存在着亮度、对比度低的问题,提出了基于滤波与锐化的遥感图像增强算法。首先,根据线性运算中核矩阵像素权值特性,设计基于中值滤波与高斯滤波的图像滤波算子。然后,采用图像一阶导数逼近技术,计算图像强度梯度,并采用图像二阶导数计算梯度的散度,从而建立基于Sobel与Laplacian的图像锐化增强算子,以增强图像对比度。最后,基于非局部均值算法,完成图像去噪,实现遥感图像平滑增强的目的。实验测试结果表明,与当前遥感图像增强技术相比,本算法拥有更高的增强质量,更好地保留了图像的亮度与色度信息。