不完全角度CT图像重建的模型与算法

为了提升不完全角度计算机断层成像(CT)图像的重建精度和重建效率,研究了有限角度和稀疏角度下的CT图像重建问题,提出新的全变差最小化目标函数,通过将上一步迭代重建的图像作为反馈加入到新的迭代之中,不断更新目标函数的已知项。在算法求解时,采用增广Lagrangian罚函数方法,将约束问题非约束化,并将之转化为等价的3个子问题,通过在交替方向上求解子问题来获得优化问题的最优解。实验结果表明,该算法重建出的图像信息完整,细节清晰,重建精度高,与Split Bregman算法相比,本文算法结果的相对均方误差可下降42.1%~98.5%,条纹指标可下降42.8%~98.5%。     

改进U-Net网络及在遥感影像道路提取中的应用

高分辨率遥感图像分割在军事、民用等领域具有良好的应用前景,但由于复杂的背景条件以及干扰物的遮挡,导致现有算法无法较好地从遥感影像中提取道路细节信息。研究基于改进U Net网络模型,提出了MDAU-Net（multi dimension attention U-Net）网络结构模型,通过对U-Net网络结构加深至七层结构来提升精细分割道路的能力;并提出了一种多维注意力模块MD-MECA（multi dimension modified efficient channel attention）,将其添加至编码部分的特征传递步骤中,以达到对编码部分的特征传递进行优化的目的;其中利用DropBlock与Batch Normalization解决网络训练过程中出现的过拟合。试验结果表明:改进后算法可以有效提升道路的提取效果,在测试集上的准确率达到了97.04%。     

基于多分辨率特征自选择的遮挡物识别算法

光伏组件的遮挡物识别是光伏运维系统中不可或缺的环节，传统识别算法多依赖人工巡检，成本高昂且效率低下。基于卷积神经网络，提出了一种面向光伏组件的遮挡物识别算法PORNet。通过引入特征金字塔，构建多个分辨率下具有丰富语义信息的图像特征，提升对遮挡物尺度和密度的敏感性。通过特征自选择，筛选出语义最具代表性的特征图，以加强物体环境的语义信息表达。用筛选出的特征图完成遮挡物识别，从而提升识别准确率。在自建光伏组件落叶遮挡数据集上进行了实验比较和分析，并对识别性能进行了评估，通过与现有物体识别算法相比，所提算法的准确率和召回率分别提升了9.21%和15.79%。      

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

区域感知实时人像超分辨率重建网络

在人像超分辨率重建领域,传统方法通常将整幅图像进行统一处理,导致效率低下。为降低模型的推理时延,提出了一种实时超分辨率重建模型RASR。该模型利用门控单元处理低分辨率图像,识别出人像边缘区域;采用分区重建策略,使用不同尺寸的子模型分别针对包含或不包含人像边缘的区域进行重建。实验结果表明：与现有方法相比,RASR模型在4倍上采样重建场景下的推理时延降低了88%,能够更有效地重建高分辨率人像图像。     

深度学习机制与小波融合的超分辨率重建算法

深度学习技术在超分辨率重建领域中发展迅速。为了进一步提升重建图像的质量和视觉效果,针对基于生成对抗网络（GAN）的超分辨率重建算法重建图像的纹理放大后不自然的问题,提出了一种结合小波变换和生成对抗网络的超分辨率重建算法。所提算法在生成对抗网络中将小波分解的每个分量在各自独立的子网中进行训练,实现网络对小波系数的预测,有效地重建出具有丰富的全局信息和局部纹理细节信息的高分辨率图像。实验结果表明,对比基于生成对抗网络的算法,所提算法重建图像的客观评价指标峰值信噪比（PSNR）和结构相似性分别能提高至少0.99 dB和0.031。      

多场景高分辨率遥感图像快速拼接技术

光学遥感卫星拍摄过程中大视场与高分辨率间的相互矛盾,引起国内外研究人员的广泛关注。提出一种基于相机参数保持的快速拼接算法。该方法对高分辨率图像进行降采样处理,利用降分辨率图像的配准信息恢复相机参数,能够改进拼接过程,提高拼接效率。实验结果表明,相对于传统拼接方法,该算法能够将配准时间缩短2倍以上,将遥感图像的拼接质量提升5%~35%, 适用于建筑、森林、农田、湖泊四类场景。通过对存在噪声、亮度差异及不同模糊程度的遥感图像进行拼接实验,验证了该方法的鲁棒性和可行性。     

面向目标检测的双驱自适应遥感图像超分重建方法

有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。      

基于失真敏感性的可见光遥感图像压缩补偿

可见光遥感图像纹理细节丰富且分布情况复杂,高倍压缩后容易出现失真不均衡现象。现有研究并不针对图像的主观品质且易出现错补偿问题。为此,设计了基于失真敏感性的可见光遥感图像压缩补偿方法。通过对比结构相似度模型各函数对遥感压缩失真的评价效果,构造了压缩失真敏感性模型,在此基础上深入分析了不同程度的数据损失对恢复像质的影响,设计了基于失真敏感性的压缩补偿策略,在压缩编码端确定失真敏感区域并量化回传失真影响明显的数据,补偿于解码端恢复图像中。结果表明,该方法能有效提高恢复图像失真敏感区域内遥感目标的清晰程度和可判读性,降低恢复图像的失真不均衡程度,改善恢复图像的整体质量。     

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。     

优化Landweber迭代快速电磁层析成像图像重建算法

电磁层析成像(EMT)中灵敏度矩阵的病态性、不适定性导致重建图像质量较差。为了提高重建图像的质量与速度,提出了一种优化Landweber迭代快速图像重建算法。首先,对灵敏度矩阵作降维映射,去除灵敏度矩阵中的冗余信息,减少每次迭代的计算量。然后,利用人群搜索算法(SOA)优化降维后的灵敏度矩阵,降低灵敏度矩阵的条件数,改善其病态程度。最后,通过Landweber迭代算法和预处理后的灵敏度矩阵进行图像重建。仿真实验结果表明:相同实验条件下,相比于Landweber迭代算法,所提算法有效提高了成像质量,降低了成像运算量。      

基于嵌入式FPGA加速ORB算法的遥感影像配准方法

卫星上计算资源有限,星载嵌入式处理器处理遥感影像的配准时通常需要很长的时间。可编程逻辑门阵列（FPGA）利用其内部可编程器件可用于加速图像处理。提出了一种基于Xilinx公司的ZYNQ芯片加速ORB算法的遥感影像配准方法,可用于3000×3000像素尺寸的卫星图像配准,缩短了计算耗时,提升了ORB算法的计算能效比。利用FPGA能够实现真正的并行计算电路,实现ORB算法多支路单层流水线的并行计算结构。采用软硬件结合的方法实现架构,能够处理不同分辨率的图像,可灵活配置特征点的数量。基于设计的加速ORB配准方法,获得了较高准确率。与软件实现相比,OVS-1A遥感影像偏移精度损失低于0.05个像元;GF.4遥感影像偏移精度损失小于0.9个像元。将ORB配准算法流程应用在ZYNQ7020上,耗时减少了57.50%。     

面向星载应用的空间域四叉树层次化图像压缩算法

为满足卫星应用领域对高分辨率遥感图像实时传输与存储的要求，针对该类图像特征，提出基于空间域四叉树数据结构的图像数据亚采样与多模式自适应预测编码相结合的压缩算法。该算法使用四叉树数据结构与三种预测编码模式，针对图像块纹理差别，自适应地选取相应的亚采样与量化编码方式，通过采样方式与量化方式的变化，达到保存高分辨率遥感图像细节与小目标绝不丢失的要求，实现了对遥感图像中目标边缘和变化剧烈的细节的高保真效果，同JPEG相比，恢复图像峰值信噪更高、图像纹理细节保持能力更强。利用具有可编程序门阵列器件物理实现上述算法，获得高速图像压缩专用芯片，该芯片数据处理速度达到288Mbit／s，功耗低于1W。     

一种深度学习分割遥感影像道路的损失函数

传统的根据光谱特征或形态学算法来分割道路,存在精度低、阈值难确定等缺点,而深度学习中已有的方法并未考虑道路的特性,只是利用通用方法来分割道路。针对上述不足,提出了一种针对道路特有形态的深度学习损失函数——形态损失函数。首先使用连通性算法将预测结果划分为若干个相互分离的连通区域,分别计算这些区域的面积与外接圆面积的比值,然后取平均值作为此批训练数据的形态损失函数,最后将形态损失函数按一定的比例与交叉熵损失函数求和,得到最终的损失函数。通过在公开的遥感数据集上使用深度学习网络进行对比试验,附加了形态损失函数后平均交并比（MIoU）、准确度（ACC）及F1 Score均有提高。从预测的图形来看,附加了形态损失函数后,预测的道路更为连续。所提出的形态损失函数可用于提高光学遥感影像道路分割的精度。