基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

基于U形结构提取的港口目标检测研究

遥感图像中港口目标的检测是目标识别研究的重要方面,准确、高效地自动提取港口目标对于提高遥感图像自动解译能力具有重大意义。文章提出一种基于U形结构单元提取的遥感图像港口目标检测的方法。首先利用梯度算子和灰度相似性聚类分割海洋和陆地区域并提取粗略海岸线,再根据内港区域的封闭特性提取疑似区域,在分析内港区域结构的基础上,引入U形结构元的概念以及提取算法来对疑似区域进行确认。试验表明,该方法检测的港口目标准确率较高,速度较快,能够满足民用和军事识别的需求。     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

高光谱遥感数据特征挖掘技术研究进展

从目标空间尺度和传感器空间分辨率的相对大小,把高光谱遥感图像目标检测、识别与分类中的特征挖掘问题划分为多像元、单像元和亚像元3个层次,因而更具自然特性也更适合特征挖掘和目标分类与识别技术的分析。把高光谱遥感图像特征挖掘方法归纳为以保留波段物理意义为主要目的的特征选择、以综合利用所有观测数据信息为主要特色的特征提取,和考虑亚像元多目标混合信息的特征混合3大类。重点且简明地从高光谱遥感数据光谱曲线与光谱特征、特征提取、特征选择以及特征混合分析几个方面综述高光谱遥感数据/图像的特征挖掘技术的研究进展并通过热点问题展望其未来的发展趋势。     

一种遥感图像建筑物检测新方法

遥感图像中的建筑物检测对于土地规划和地图绘制等具有重要意义。文章针对高分辨率全色遥感图像植被覆盖中隐蔽建筑物检测问题,提出了一种结合屋顶结构信息和纹理信息的快速房屋检测方法。首先利用屋顶边缘的几何关系寻找具有矩形屋顶的建筑物;然后使用形态学方法提取屋顶较亮的建筑物;最后利用局部二值模式（Local Binary Pattern,LBP）描述屋顶的纹理特征,并利用支持向量机（Support Vector Machine,SVM）排除误检区域。通过在全色遥感图像集上的试验证明,所提方法对高分辨率遥感图像植被覆盖区域中的建筑物目标具有较高检测率和较低误检率。     

基于组合特征选择的目标识别算法研究

针对飞机遥感图像识别,对一种基于组合特征选择的目标识别算法进行了研究。考虑获取的飞机样本数量有限,且存在旋转、遮挡等现象,采用提取图像熵值、归一化转动变量、Fourier描述子、Hu矩和Zernike矩不同的不变矩描述其整体和细节特征,用离差标准化的归一化方法进行特征融合。考虑组合不变矩维数相对较高,用主成分分析(PCA)算法进行特征选择以避免维数灾难。用具参数优化的支持向量机(SVM)进行分类识别。给出了目标识别算法的流程。进行了手写数字和飞机目标识别两个仿真实验,结果表明:该特征选择方法在基于MNIST数据集的小样本手写体数字图像识别中,识别效果良好;在有限样本的飞机识别中,经特征选择后识别效果有较大改善,识别时间缩短,训练样本数据多,识别的精度会更高,但当飞机目标的不同姿态下形状发生变化时识别效果会变差。     

基于时间序列遥感影像的滑坡检测方法

植被覆盖指数(NDVI)的变化广泛应用于滑坡检测,通过检测滑坡后时间序列NDVI的恢复速率可以有效区分与滑坡光谱特征变化相似的区域。但时间序列检测需要较多遥感影像数据,单一传感器的数据难以满足需求,因此多源遥感影像成为一种可供选择的解决方案。由于滑坡区域植被恢复缓慢而非滑坡区域植被恢复较快的差异,基于此特点利用高时间分辨率的时间序列遥感影像对滑坡区域的植被恢复速率进行多次检测的方法,可以有效排除非滑坡区域,得到更加准确的滑坡检测结果。文章以云南省鲁甸地区为试验区,对该地区2013年5月~2015年4月发生的滑坡进行检测,滑坡检测率为83.28%。相比Behling方法,拥有基本相同的滑坡检测率的基础上,错分误差下降了31.96%,可以更加有效地区分滑坡与耕地和裸地等非滑坡因素,极大提高了滑坡检测结果的可信度。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

基于深度学习的遥感图像目标检测方法及系统设计

为解决传统的目标检测算法难以满足遥感图像数据爆发式增长需求这一问题，文章提出基于深度学习的遥感图像目标检测系统软件。首先，为给深度学习网络训练提供高质量的样本数据，在GIS平台上实现了样本标注功能和数据集兼容性转换功能，并提供图像预处理方法对样本进行扩充；其次，针对遥感图像场景分类与遥感图像特定目标检测，应用深度学习技术，分别实现了模型训练、迁移学习、目标检测等功能；最后，采用了形态学处理、矢量化、直角化约束等方法，对遥感图像场景分类的效果进行改善。实验结果表明，文章的遥感图像目标检测系统在遥感图像场景分类方面取得了85%的分类精度，在特定目标检测方面取得了95%的检测精度，明显优于传统的遥感图像处理方法。该系统软件满足目标检测应用需求，能够为遥感影像分类、信息提取、变化检测等任务提供技术支持。     

基于Google Earth的县域秸秆焚烧火点监测初探

通过对县域秸秆焚烧火点特征进行分析,利用Google Earth影像对同一区域不同时间的遥感图像的颜色、形状、色调、纹理、图案等特性进行对比,研究县域秸秆焚烧火点的遥感图像解译特征,使用图像解译特征在Google Earth遥感影像中进行火点监测。     

基于AdaBoost的场景车牌号精确定位研究

场景文本检测与识别对于自然场景的理解、图像中物体信息的获取以及自动驾驶与导航等研究有非常重要的作用。其中场景车牌号识别属于场景文本检测与识别的一个分支,在自然场景中,由于背景复杂、光线暗、模糊等原因,往往造成检测结果的不准确。文本识别的第一步是文本区域的定位,本研究先对图像使用水平滤波器过滤掉大部分背景,然后使用AdaBoost训练haar-like分类器,粗略定位车牌位置,对目标区域进行二值化处理,获得车牌上下边界的点集合,去掉噪点后进行拟合,获得车牌上下边界。对目标区域进行垂直方向投影,根据累加值判断车牌左右边界,从而实现车牌号的精定位。通过实验测试,该算法的准确率和检测效率高。     

基于双时相遥感影像差异信息的深度学习滑坡检测

目前利用高分辨率卫星影像进行滑坡等地质灾害识别逐渐成为研究热点,滑坡目视解译依赖于解译人员的经验,耗时费力且提取精度低,而传统的滑坡自动识别方法易将滑坡和道路、裸地、建筑等多种具有相似光谱信息的地物混淆。针对以上问题,文章使用一种双时相高分辨率卫星影像差异信息的深度学习滑坡检测算法,获取时序影像各个波段和归一化植被指数（Normalized Difference Vegetation Index,NDVI）的差异影像作为深度学习的输入特征。为充分挖掘滑坡前后影像多种信息差异特征,采用了U-net网络模型耦合空洞空间金字塔池化和嵌入注意力机制模块相结合进行滑坡特征提取的方法,该方法增强了滑坡边界信息的保存,能够有效地提取滑坡边界信息和发生剧烈变化的区域。利用上述方法对恩施市和九寨沟进行了滑坡检测,实验结果显示,所取得的综合评价指标值（F1-Score）分别为88.4%和90.53%,误差较小、精度较高。表明该方法能够准确检测出高分卫星数据的滑坡边界,且能保持滑坡的完整性。     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

基于UDWT的高性能多光谱遥感图像融合算法

无抽取离散小波变换 (UDWT)具有移不变性的优良性质 ,它在遥感多光谱图像增强以及双通道图像融合应用中获得了很好的效果。文中研究一种基于UDWT的适用于多光谱图像的融合算法 ,该算法利用UDWT的多尺度表示方法和文献 [4 ]算法最佳保留光谱信息的特点 ,融合结果同时精确保留了多光谱图像的光谱信息和高频细节特征 ,为目标的检测、定位、识别等图像的进一步处理提供很好的特征信息     

基于目标特征模型配置的面向对象检测方法研究

针对目前遥感图像目标检测过程中过度提取特征容易导致样本特征维数过高,造成维数灾难的问题,提出一种基于目标特征模型配置的面向对象检测方法,该方法以特征的可分性为原则判断特征的真实有效性,针对不同的侦查目标,将真正有用的特征配置于该待检测的目标,达到快速、准确自动检测的目的.试验结果表明,该方法能在降低算法复杂度的同时提高目标检测的正确率,能节省样本训练所需的时间.     

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN,SFPN）用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点,有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用,其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷,是高光谱云检测研究的关键问题。为此,提出了一种多尺度特征融合的U型结构网络,模型首先利用残差模块进行特征编码,并将编码进行多尺度融合,在网络的跳跃连接处引入了坐标注意力机制提取有用信息,最后通过残差解码得到输出结果。实验前首先利用主成分分析降维,将高光谱数据重构为4维影像数据,然后通过数据标注与数据增强,建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数,随后利用构建的数据集进行迁移学习。实验结果表明,对于所建立的珠海一号高光谱云检测数据集,所提方法的像素准确率达到92.28%,可以实现高精度的高光谱遥感影像云检测。     

基于全局—局部特征联合的光学卫星遥感图像舰船目标细粒度识别

针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型。首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网络识别局部重点区域特征的能力,提取目标局部特征;最后,将全局特征和局部特征进行融合,利用全连接层对特征进行降维处理去除冗余信息,增加鲁棒性,并利用融合特征完成分类任务。实验表明,该方法可以兼顾全局特征和局部特征,在FGSC-23舰船目标数据集上准确率达到86.36%,优于其他方法。     

基于遥感图像的无固定标志点卫星自主定轨

目前基于事先选取地面标志点的卫星自主导航可能会造成误匹配和漏匹配,并且不包含地标点的遥感图像也有可能存在导航信息。为了解决这两个问题,本文提出了一种不依赖事先标定地面标志点的自主导航方法,通过YOLOv3深度学习对获得的遥感图像进行目标识别缩小图像匹配区域,将识别后的目标区域进行图像匹配获得匹配特征点及其像平面坐标,最后利用成像模型计算特征点的地理坐标用于自主导航。仿真结果表明:本文方法相比于有控点精度更高,平均误差为31.943 8 m,平均速度误差为0.038 4 m/s。在引入测角信息与本文所提出的无地面标志点构成多源信息情况下,可以较为快速准确地实现航天器自主定轨。     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。