一种融合MRF分割与数学形态学的道路提取算法

针对高分辨率合成孔径雷达（Synthetic Aperture Radar, SAR）图像中道路目标难以有效提取的问题,提出一种融合马尔可夫随机场（Markov Random Field, MRF）分割与数学形态学处理的高分辨率SAR图像道路提取算法。该算法首先利用直方图均衡化和增强Lee滤波对SAR图像进行预处理,实现道路的边缘增强,抑制相干斑噪声;进而利用基于条件迭代模式（Iterated Conditional Mode, ICM）的MRF对SAR图像中的道路目标进行初分割;再用数学形态学填充空洞,平滑道路边缘;最后,基于道路的几何特征,使用偏心率、矩阵度、复杂度等因子去除虚警,从而提取出道路目标。利用该文算法对两块实际高分辨率SAR图像进行道路目标提取,均可以取得90%以上的正确道路提取率,表明本文算法具有较高的道路提取精度。     

基于去噪的SAR复图像SPIHT压缩算法

提出一种对合成孔径雷达(SAR,Synthetic Aperture Radar)复图像压缩的改进的分层树集合分割(SPIHT,Set Partitioning in Hierarchical Trees)算法,高效完成SAR复图像压缩,既有效地保留了SAR复图像的相位信息,又抑制了斑点噪声.首先根据SAR复图像的统计特征进行预处理,然后进行小波变换,对不同子带的小波变换系数采取不同的门限,进行软门限斑点噪声抑制,再经过SPIHT量化编码,得到压缩后的码流.仿真实验表明,在64倍高压缩比的情况下,通过对重建SAR复图像数据的相位误差、等效视数、平均空域相关系数等指标的测量,验证了该算法仍然具有很好的性能.      

基于小波变换的干涉SAR图像的降噪方法

根据干涉合成孔径雷达(SAR)图像的噪声来源和性质以及干涉合成孔径雷达信号处理的特点,选择了具有对称性和紧支性的双正交小波变换应用于干涉SAR图像的噪声抑制,提出了基于小波标架表示的干涉SAR相位图像的降噪算法.与传统的低通滤波器及中值滤波器处理的结果对比显示,利用小波变换方法处理干涉合成孔径雷达图像以提高干涉相位精度的方法是可行的,并且小波变换方法是基于观测数据的自适应算法.      

基于改进Faster R-CNN的SAR图像飞机检测算法

在合成孔径雷达（SAR）图像分析领域，飞机作为一种重要目标，对其的检测越来越受到重视。针对传统SAR图像飞机检测算法需要人工设计特征且鲁棒性较差的问题，提出了一种基于改进Faster R-CNN的SAR图像飞机检测算法。制作了一个SAR图像飞机数据集（SAD），以Faster R-CNN为检测框架，利用改进k-means算法设计更合理的先验锚点框，以适应飞机目标的形状特点；借鉴inception模块思想，设计多路不同尺寸卷积核以扩展网络宽度，增强对浅层特征的表达；分析残差网络Layer5层的特征输出具有更大的感受野，对其上采样后进行特征融合以利用更多的上下文信息；同时引入Mask R-CNN算法中提出的RoI Align单元，消除特征图与原始图像的映射偏差。实验结果表明:相比原始的Faster R-CNN算法，所提改进的Faster R-CNN算法在SAR图像飞机数据集上平均检测精度提高了7.4%，同时保持了较快的检测速度。      

干涉SAR图像的降噪方法及水平地形效应消除

考察不同滤波器抑制干涉SAR(Synthetic Aperture Radar)图像噪声的效果.为有效地使用低通滤波处理,首先对原始干涉图像进行水平地形效应消除,保证图像信号频率的中心在零频处,降低由干涉SAR系统几何结构引起的信号频率偏移对滤波效果的影响.同时水平地形效应消除后的干涉SAR相位图可直观地反映地形的拓扑结构.实际数据处理结果证明本文提出的水平地形效应消除算法及滤波算法的可行性及有效性.      

基于快速退火MRF的改进SAR图像分割方法

基于Markov随机场(MRF,Markov Random Field)的SAR图像分割方法利用了SAR图像的灰度和结构信息,能在分割过程中有效抑制斑点噪声,获得较高的分割精度.但这类方法的缺点是模拟退火的计算量很大.针对该问题,提出了一种基于快速退火MRF的SAR图像分割处理方法.该方法根据SAR图像Gibbs分布的特性,在求取全局最优解时,首先寻找邻域系统中占有支配地位的某种标记,若存在占支配地位的标记,用此标记更新状态;反之,则沿用传统模拟退火的方法随机更新状态.由于该方法引入基于Gibbs分布的先验判决进行系统状态更新,因此能够快速求得全局最优解.最后对真实SAR图像进行处理,处理结果验证了算法的有效性.     

基于非下采样轮廓波变换的红外和SAR图像融合算法

针对现有红外和合成孔径雷达(Synthetic Aperture Radar,SAR)图像的融合算法融合质量差、边缘轮廓不清晰、效率低下、可视性差,目标检测效率低等问题,提出一种基于非下采样轮廓波变换的融合算法。首先采用非下采样轮廓波变换对预处理的红外和SAR图像进行分解,获得各自低频和带通方向图像,接着根据红外和SAR图像的特征选取其含重要目标信息的频带进行低频图像和带通方向图像融合。为了检验本文所提出算法性能的优越性,采用两组红外和SAR图像进行融合实验,与其他图像融合算法进行对比,并对融合图像进行目标检测,证明了该融合算法能有效提高多源图像目标检测率。     

一种改进的ORB特征匹配算法

针对现有的ORB特征匹配算法在图像模糊、光照变化、图像压缩、噪声条件下，匹配准确率下降问题，提出了一种改进的ORB特征匹配算法。首先，在提取特征点过程中，对图像进行网格化处理，并引入四叉树结构，使提取的特征点在图像中均匀分布，解决传统的特征提取方法遇到的特征点集中问题。然后，利用暴力匹配进行初步匹配，并采用交叉验证的方式，剔除部分误匹配，改善暴力匹配的结果。最后，利用高斯核对网格运动统计的结果做加权处理，优化统计结果，进一步剔除误匹配，得到准确率更高的匹配集合。实验结果表明:改进后的算法在图像模糊、光照变化、图像压缩和噪声条件下，平均准确率分别提高了3.5%、4.2%、2.2%和6%。      

基于DLatLRR与VGG Net的红外与可见光图像融合

针对红外与可见光图像融合中特征损失严重、显著目标不突出的问题，提出了一种低秩表示分解与深度神经网络相结合的图像融合算法。首先，对源图像进行潜在低秩表示分解（DLatLRR），得到相应的低秩部分、显著部分及稀疏噪声。然后，分别采用16层的VGG Net模型和联合特征加权算法对低秩部分与显著部分进行融合，舍弃二者的稀疏噪声。最后，对融合得到的低秩部分和显著部分进行图像重建，得到最终的融合图像。实验结果表明:与其他算法进行比较，所提算法能够对图像的深层次细节特征进行融合，突出场景中的感兴趣区域，且融合图像的相关差异和、结构相似性、线性相关度等多种客观指标均有所提升，提升最大值分别为0.73、0.15、0.11，噪声产生率的最大缩减值为0.041 2。      

一种基于图像特征点提取及匹配的方法

针对图像特征提取与匹配的适应性和准确性的问题,将尺度不变特征变换(SIFT, Scale Invariant Feature Transform)算法应用到图像匹配领域.首先从原理上对SIFT算法的特性进行了分析,并以visual studio 2005为开发平台对SIFT算法分步骤进行了实现;最后以基于欧氏距离的最近邻准则作为特征的相似度量将SIFT算法提取的特征应用于图像特征匹配,并对不同的近邻比进行比较,给出了建议值.通过3组实验图像的匹配结果表明,SIFT算法提取的特征对图像缩放、旋转、亮度变化的匹配正确率都等于或接近100%,证明了SIFT算法提取的特征点有很好的适应性和准确性,可以进一步应用到图像识别以及图像重建等领域.      

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于局部线性嵌入的高光谱影像特征提取算法

特征提取能够消除冗余信息,提高高光谱数据处理的精度和计算效率,是分类等分析必要的预处理手段.传统特征提取算法基于线性变换,无法准确描述高、低维特征空间的关系,因此采用一种新型非线性特征提取算法,即局部线性嵌入(LLE,Locally Linear Em-bedding),挖掘高光谱影像的本征信息.针对分类问题,使用训练样本类别属性修正距离矩阵,并借鉴LLE计算未知样本低维映射的方法求解测试样本的特征向量,实现监督局部线性嵌入(SLLE,Supervised Locally Linear Embedding).使用机载可见光/红外成像光谱仪数据,与3种分类算法结合进行测试,实验结果表明:SLLE优于线性特征提取算法,能够解决高光谱影像的小样本分类问题.     

基于FPGA的低复杂度快速SIFT特征提取

尺度不变特征变换（SIFT）算法具有优良的鲁棒性,在计算机视觉领域得到广泛应用。针对SIFT算法高计算复杂度而导致其在CPU上运行实时性低的问题,基于现场可编程门阵列（FPGA）设计了一种低复杂度的快速SIFT硬件架构,主要对算法的特征描述符提取部分进行优化。通过降低梯度信息（包括梯度幅值和梯度方向）的位宽、优化高斯权重系数的产生、简化三线性插值系数的计算和简化梯度幅值直方图索引的求解等方法,避免了指数、三角函数和乘法等复杂计算,降低了硬件设计复杂度和硬件资源消耗。实验结果显示,提出的低复杂度快速SIFT硬件架构,与软件相比,可以获得约200倍的加速;与相关研究相比,速度提高了3倍,特征描述符稳定性提高了18%以上。      

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点，主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet，使其适用于卫星遥感影像。首先设计了一种新的特征融合方式，融合ResNet50输出的特征图，使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响，设计了特征感知模块，在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比，飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明，提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

Evaluating the statistical performance of less applied algorithms in classification of worldview-3 imagery data in an urbanized landscape

In recent decade, analyzing the remotely sensed imagery is considered as one of the most common and widely used procedures in the environmental studies. In this case, supervised image classification techniques play a central role. Hence, taking a high resolution Worldview-3 over a mixed urbanized landscape in Iran, three less applied image classification methods including Bagged CART, Stochastic gradient boosting model and Neural network with feature extraction were tested and compared with two prevalent methods: random forest and support vector machine with linear kernel. To do so, each method was run ten time and three validation techniques was used to estimate the accuracy statistics consist of cross validation, independent validation and validation with total of train data. Moreover, using ANOVA and Tukey test, statistical difference significance between the classification methods was significantly surveyed. In general, the results showed that random forest with marginal difference compared to Bagged CART and stochastic gradient boosting model is the best performing method whilst based on independent validation there was no significant difference between the performances of classification methods. It should be finally noted that neural network with feature extraction and linear support vector machine had better processing speed than other.     

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。      

基于多种空间信息的高光谱遥感图像分类方法

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。     

基于EfficientDet的无预训练SAR图像船舶检测器

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题，提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型，没有有效的方法来解决SAR图像与自然场景图像之间存在的差异性；另一个重要原因是没有充分利用卷积神经网络各层的信息，特征融合能力不够强，难以处理包括海上和近海在内的多场景船舶检测，尤其是无法排除近海复杂背景的干扰。SED就这2个方面改进方法，在公开SAR船舶检测数据集上进行实验，检测精度指标平均准确率(AP)达到94.2%，与经典的深度学习检测器对比，超过最优的RetineNet模型1.3%，在模型大小、算力消耗和检测速度之间达到平衡，验证了所提模型在多场景条件下多尺度SAR图像船舶检测具有优异的性能。      

一种星载SAR模糊区回波信号仿真方法

模糊度是星载合成孔径雷达(SAR,Synthetic Aperture Radar)星地一体化系统方案设计中的重要技术指标.为了定量化研究模糊度对图像质量的影响,提出了一种星载SAR模糊区回波信号的仿真方法.该方法采用星载SAR模糊区回波信号模型.利用该方法生成包含观测区场景和模糊区场景的星载SAR回波信号,经成像处理后可以获得具有模糊特性的SAR图像.该仿真方法为定量化研究模糊度与图像质量之间的关系提供仿真工具,它能够反映模糊区目标的图形特征,为SAR图像的解译判读提供参考依据.计算机仿真结果验证了该方法的有效性.