基于Pos-FCN的红外图像背景抑制方法

红外图像背景抑制可以为红外目标检测识别任务提供支撑。在实际的应用场景中,红外图像中的目标多为弱小目标,其特征不明显,一般背景抑制算法难以将其从背景中分离,而达不到背景抑制的最佳效果。针对上述问题,提出使用Pos-FCN网络实现红外图像背景抑制的方法,该方法使用特征卷积结构,依靠高分辨网络结构获取弱小目标的特征信息,通过大尺寸卷积特征图的前向传播方式实现了高维度特征中弱小目标信息的保留,使用卷积降采样特征提取和上采样图像恢复方式实现了端到端的处理,并在前置训练阶段引入了位置信息强化网络骨干特征提取效果。结果表明,该方法处理后的红外图像中信杂比提高至3.877,对比度提高至0.297,检测率达到了93.6%,因此,该方法可以实现良好的背景抑制效果。     

基于Gabor滤波器的航空图像居民区域提取

中低分辨率航空图像中居民区域的自动提取对地理信息系统更新和无人机导航具有重要作用.详细分析了Gabor滤波器参数对纹理提取的影响,提出了一种基于Gabor滤波器的居民区快速提取算法.算法包含4步:运用Gabor滤波器分析图像纹理,采用核密度估计生成居民区域置信图像,进而计算自适应阈值分割置信图得到候选区域,最后根据区域几何形状去除干扰得到居民区.算法平均运算时间为0.42s,实验结果表明了算法的高效性和准确性.     

一种基于多通道卫星云图的台风分割方法

有效的台风主体分割能够提高台风预报的准确性.提出一种基于矢量图像的改进水平集方法进行台风分割,将C-V模型推广到矢量空间,加入了无需重新初始化的能量项;提出了一种迭代收敛条件并设计了针对云图特点的模型参数及分割方法,该方法利用了多通道的云图信息,避免了无谓的迭代计算,能够加快分割曲线的演化速度并提高分割的准确性.实验结果验证了所提出方法的有效性和可行性,其平均目标错误率与平均非目标错误率分别为1.21%与2.25%,可得到较理想的台风分割效果.      

定向片模型描述的“天绘一号”卫星影像区域网平差

针对三线阵相机的成像特点,文章利用卫星辅助数据建立了"天绘一号"卫星三线阵影像的严密成像模型,在常规定向片模型描述外方位元素变化特征的基础上,考虑定向片间的连续平滑制约条件,并将其引入摄影测量光束法平差中,从而构建"天绘一号"卫星三线阵影像光束法平差模型,最后利用真实影像数据进行实验验证。结果表明,在一定数量地面控制点参与条件下,合适的定向片数目选取并顾及定向片间的连续平滑制约条件,检查点能够达到平面方向约为1.5个像元、高程方向优于1个像元的定位精度,验证了该文所建模型的正确性和有效性。     

一种卫星多光谱图像亚像元波段配准精度自动评价方法

多光谱图像波段配准精度是多光谱影像数据的一项重要指标。文章实现了一种基于相位一致特征的多光谱图像亚像元波段配准精度自动评价方法。通过对CBERS-02B卫星CCD多光谱图像波段配准精度自动评价,表明该方法对于亮度和对比度具有不变性,能均匀稳定提取多光谱数据不同波段影像大量同名特征匹配点,自动给出影像的不同区域的亚像元配准精度,实现对整景影像数据的较为完整准确评价。根据评价结果进行了地面处理系统校正,使行列方向除局部区域外均达到配准精度。     

高光谱图像全局异常检测RFS-SVDD算法

针对SVDD用于高光谱图像全局异常检测时存在虚警率高的问题,提出RFS-SVDD算 法。RFS-SVDD将空间相邻且光谱相似的像元分为同一区域,根据区域大小将图像在空间上分 成潜在异常区域与背景区域,用背景区域中所有子区域的平均光谱RFS作为SVDD训练样本求 取支持向量。RFS是每个子区域中像元光谱的统计结果且不包含奇异像元,可以避免奇异像 元光谱和图像随机噪声对背景建模的影响。对HYMAP和AVIRIS图像数据的仿真结果表明：RFS -SVDD算法能抑制异常目标像元光谱和图像随机噪声对背景建模的干扰,降低SVDD用于高光 谱图像全局异常检测的虚警率。
     

浅议《麦田里的守望者》中意象的对比

<麦田里的守望者>是美国作家J.D.塞林格的一部反映二战后美国青少年生活和思想的杰作.被称为当代美国的"现代经典".以往有关本作品在艺术上的研究成果主要是其语言、叙事、象征等表现手法方面,本文是从对比的角度对文中意象展开分析,分析了作者如何运用意象中的对比使主题得以进一步深化.     

基于子空间投影的未知背景航拍高光谱图像恒虚警目标检测

针对航拍高光谱图像中未知背景地物特征条件下小目标的检测问题,给出一种检测算法。利用目标的低概率特性,通过模糊聚类获取高光谱图像中背景的光谱特性;然后将高光谱数据向背景光谱信号的正交子空间及目标信号子空间投影以抑制背景和噪声信号;最后在特征层利用广义似然比检验构造出具有恒虚警特性的检测器,完成融合检测过程。理论分析和实验结果表明了算法的有效性。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

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。