基于迁移学习与图像增强的夜间航拍车辆识别方法

为了对夜间航拍图片中的车辆进行有效识别,提出基于二次迁移学习和Retinex算法的图像处理方法,仅利用小规模的数据集训练网络,采用基于Faster R-CNN的深度学习算法即可实现车辆的快速检测.首先在ImageNet大规模数据集和中国科学院日间航拍中规模数据集之间应用一次迁移学习;然后在日间中规模数据集与夜间航拍小规模数据集之间应用二次迁移学习;最后利用Retinex迭代算法对夜间图片进行处理以增强其与日间图片的相似性,使二次迁移学习有效进行.实验结果表明,在深度学习平台上,该方法利用小规模航拍数据集训练出有效的识别网络,检测结果优于传统的机器学习方法,在军事侦察及交通管控等方面具有一定的应用价值.     

SAR 村庄目标ROI 提取和异源图像匹配

针对合成孔径雷达(SAR)图像信噪比低且具有相干斑噪声,与光学图像配准时难度较大的现状,提出了一种异源图像村庄目标感兴趣区域(ROI)提取和匹配新方法。首先,对SAR 图像进行中值滤波和偏微分处理,消除噪声干扰;然后,利用灰度共生矩阵的四个纹理参数对整幅图进行计算,判断是否为村庄目标点,并提出局部灰度一致性算法,消除虚警点,增加目标点,完成村庄目标ROI 的粗提取;接着,利用傅里叶描述子对获得的目标ROI 进行二次描述和填充,获得最终待匹配的村庄ROI;最后,利用Hu 不变矩区域特征,结合最小欧氏距离测度和余弦相似度,实现异源图像匹配。实验结果表明,最终获得的配准图像误差较小,配准图像视觉判断比较理想,因而具有较高的可靠性和稳定性以及较高的理论研究价值和广泛的应用前景。