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。     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。     

KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

基于空间分布特性多层RX高光谱点目标检测

针对目前高光谱图像异常点目标检测过程中准确率低和虚警率高的问题,本文结合目标的空间分布特性,提出了一种多层级RX检测方法。通过计算被检测区域图像谱向相似性响应图,采用非线性抑制的方法,突出点目标并抑制背景。为进一步提高检测算法的表达能力和泛化性能,采用多级检测器级联的方式,逐层级增强异常点处的相对能量,削弱背景的影响,从而达到较高的检测性能。在外场挂飞试验数据集上进行验证,结果表明:该方法 AUC值达到0.988 1,明显优于CEM算法的0.962 6和传统RX算法的0.939 2。     

基于集成学习约束能量最小化的高光谱目标检测算法研究

提出了一种基于集成学习约束能量最小化(E-CEM)的高光谱图像目标检测算法。传统的高光谱检测算法通常是基于约束最小二乘法或基于高斯先验下的假设检验算法获得,然而真实环境中捕获的高光谱数据通常具有很强的非线性及非高斯特性,此时传统算法通常难以获得满意的检测效果。虽然核方法一定程度上能使传统算法获得较强的非线性表达能力,但核方法本身极易受到核函数参数的选择而表现出性能不稳定的现象。E-CEM在传统的约束能量最小化算法的基础上结合集成学习思想,使其在提升非线性光谱表达能力的同时提升检测的稳定性和稳健性。仿真高光谱图像和真实高光谱图像的实验结果都表明所提方法提升了CEM算法及其他经典算法的检测性能。     

一种基于谱域-空域组合特征支持向量机的高光谱图像分类算法

针对高光谱图像分类问题,提出了一种基于支持向量机的利用组合特征对高光谱图像进行分类的算法,组合特征综合了高光谱图像的光谱域和空域信息。针对图像的高维数据特性,利用最大噪声分量方法进行特征提取,对得到的主分量图像,采用虚拟维数估计算法来确定需要保留的主分量数目,并用数学形态学操作用保留的主分量图像中提取目标的形态信息。根据得到的空域特征并结合原始光谱域特征,构造用于分类的组合特征矢量。而且采用了支持向量机,利用了其支持小样本、效率高的优点。高光谱数据实验表明,本文提出的方法和单独使用谱域或空域信息进行分类相比,具有一定的优越性。
     

基于改进Hough算法的高光谱数据直线检测方法研究

为改进用于高光谱数据直线检测的传统Hough算法的计算量大、性能较低等不足,对一种基于改进Hough算法的检测方法进行了研究。用能反映地物信息体量的峰值信噪比选择波段,选出10个波段图像,既减少了输入波段数,又确保后续识别能考虑所有波段的光谱信息。对光谱相似性测度进行了改进,采用光谱信息散度与光谱角制图法混合度量(SID-SAM)检测图像边缘轮廓,获得特征点。再仿照传统Hough算法进行直线检测以得到结果。给出了算法的处理步骤,算法适于二维图像和高光谱图像的处理。实验检测结果表明:对二维图像,改进Hough算法识别出的直线数量远多于传统Hough变换,且提取的直线精度和完整性均有较大改善;对高光谱图像,与二维Hough算法相比,改进Hough算法所获结果的置信率高、准确性好,不仅可提高提取直线的完整性,而且能检测到前者无法检测到的部分。     

基于波段选择的RX改进算法

针对高光谱检测亚像元飞机的问题,提出基于大气吸收谱段的改进RX异常检测算法,实现亚像元检测能力和检测效率的提升.阐述了改进算法的基本原理,对比了10 km高度和地面大气吸收系数的曲线差异,建立了改进算法的检测模型,采用仿真的客用飞机可见-短波高光谱数据和海水背景高光谱数据,获得了信噪比10 dB的高光谱仿真图像.采用经...     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

一种红外点目标图像高保真压缩方法

针对红外点目标图像的特点,融合目标检测与无损-近无损压缩技术,提出了一种目标-背景分类的高保真压缩方法。将红外图像分成若干子块,对每个子块进行基于"最大中值滤波"背景抑制算法的点目标检测,根据检测结果将图像子块分为包含疑似目标的目标子块和不含目标的背景子块,对目标子块图像无损压缩,对背景图像子块近无损压缩,从而提高红外遥感图像压缩比,降低数据传输量,减轻数据传输压力。实验结果表明:所提的方法与传统全图无损压缩方法相比,能在不损失点目标信息的高保真压缩前提下,使图像压缩比提高40%以上。该方法对星上实时处理系统、红外探测跟踪系统的设计具有一定的理论和工程应用价值。     

基于偏振信息融合的背景抑制方法评价

与红外强度图像相比,单一的偏振度或偏振角图像在提升图像信杂比方面并无明显优势。为综合利用偏振图像的多维信息进一步提升图像信杂比,在分析典型背景下目标偏振度与偏振角联合分布特性的基础上,以偏振度作为偏振角信息的权值参考,提出了一种基于偏振信息融合的红外图像背景抑制方法,并将其应用于复杂云层或海面背景下的红外目标检测,给出了相应的算法流程。实验结果表明:与红外强度图像相比,所提出的基于偏振信息融合的背景抑制方法能大幅提升图像信杂比。该方法简单有效,易于实现,可应用于基于红外偏振成像的目标探测或精确制导领域。     

基于RCS曲线的SAR图像点目标变化检测

地物目标的物理结构、表面粗糙度或地物目标类型发生了变化,则其后向散射能量一 般会发生相应的变化,对应的雷达散射截面(Radar Cross Section,RCS)也会发生变化,这 将导致合成孔径雷达(Synthetic Aperture Radar, SAR)图像的亮度和色泽发生变化。提出 了一种新的基于RCS曲线特性的SAR图像目标变化检测算法。该算法不同于以往的基 于图像域的变化检测算法,从目标的散射特性提取目标的变化信息,避免了不同时相的SAR 图像对误配准所带来的错误。并进行了仿真实验,实验结果表明可行。
     

卫星通信频谱监测中的一种形态学滤波预处理方法

针对卫星信号监测中监视频带宽、背景噪声非平坦造成的信号漏检和误检的问题,结合卫星通信信号的特点提出了一种频谱校正的新方法。该方法将接收的频谱信号视为一维灰度图像,通过改进的形态学滤波检测法,估算出信号中非平坦的背景噪声基底,利用估计的噪声基底完成对原频谱信号的修正,可提高信号检测的准确性。仿真结果表明,该方法降低了信号带宽对传统形态学滤波中结构元素长度选择的影响,计算量小,能高效地实现非平坦频谱信号的底噪校正。     

海杂波FRFT谱的近似分形特性与目标检测

主要介绍了海杂波分数阶Fourier变换（FRFT）谱的近似分形特性及其在海杂波目标检测中的应用。根据FRFT的尺度变换性质,研究了自相似过程FRFT谱的近似分形特性,然后将近似分形分析方法引入到实测海杂波FRFT谱分析中,发现在特定变换阶数下得到的海杂波FRFT谱间存在近似分形特性,且目标回波可使近似分形特性描述参数——FRFT域Hurst指数发生变化。因此,可利用FRFT域Hurst指数设计恒虚警率（CFAR）检测方法。经X波段和C波段雷达实测数据验证,所提方法的检测性能明显优于经典的利用时域Hurst指数的目标检测方法。     

基于NMF、ICA和复Contourlet变换的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出了一种基于非负矩阵分解(NMF)、独立分量分析(ICA)和复Contourlet变换的检测方法。首先通过非负矩阵分解和独立分量分析分别抑制原始图像的背景,得到不同的小目标残差图像;接着采用复Contourlet变换对残差图像进行去噪;再对上述去噪后的小目标残差图像求和,得到了预处理图像;最后提出基于模糊灰度熵阈值选取方法分割预处理图像,从而实现了复杂背景下的红外弱小目标检测。针对红外小目标图像进行了大量实验,并与基于新型Top-hat变换、基于快速独立分量分析的目标检测方法进行了比较,结果表明所提出的方法抗噪性强,具有更为优越的检测性能。     

基于SVM的SAR图像中水上桥梁目标的检测

针对SAR图像中桥梁目标的特性,提出了一种基于统计特性和先验知识相结合的桥梁目标检测方法。通过对SAR图像中桥梁和背景的分析,首先对河流区域进行特征提取,再利用支持向量机方法对数据进行训练建模,通过训练后的模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测。基于真实SAR图像的实验结果显示,此方法不需要对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速检测SAR图像中的桥梁目标。     

SAR图像强回波目标检测的偏态分布方差方法

对复杂背景下的SAR图像强回波目标检测问题进行了研究,提出了基于偏态分布方差的自适应检测算法。首先设计一种新的基于偏态分布模型的方差滤波器,偏态分布方差滤波器可减少相干斑噪声对检测的不良影响,提高图像方差的差异性,即强目标回波边缘灰度方差相对于强目标回波灰度方差、背景杂波灰度方差更小。其次,算法改进了根据图像复杂度自动选取阈值方法,通过自适应检测小方差像素,实现强回波目标检测。仿真结果说明该算法能够对SAR图像强回波目标较快地进行准确检测。相比方差特征法(VAR)和扩展分形特征法(EF)在检测速度与虚警率方面均具有较大的优越性。     

基于局部能量比的空中红外弱小目标检测方法

提出了图像局部能量比的概念,并针对空中目标图像特点,给出了一种基于局部能量比的红外弱小目标检测方法。该方法基于单帧图像即可实现红外点目标检测,算法简单,耗时较短,可以实时检测;图像局部能量比对图像噪声不敏感,故该检测方法对图像信噪比要求较低,具有强抗干扰性,便于工程实现。文中给出了检测算法的具体实现过程,并用真实空中红外弱小目标图像进行了检测试验。试验结果表明该方法对空中红外弱小单目标和多目标均具有令人满意的检测效果。     

空间站脉冲编码被动式交会对接合作目标三维跟踪

针对空间站交会对接(RVD)过程中合作目标在视频中周期性发光的特点,提出基于累积帧差法的合作目标检测方法及相应的跟踪窗口确定方法,建立合作目标状态的识别机制。在跟踪过程中,针对均值漂移算法容易受到图像背景干扰产生较大跟踪偏差的问题,在光流计算的基础上,提出一种基于线搜索的二维跟踪算法。通过分析敏感器采集的视频,验证了文中提出的算法能够准确地检测和跟踪图像序列中的合作目标,进而结合像机位姿估计算法,连续地估计像机位姿在三维空间中的变化。