无人机可见光遥感影像地物目标提取技术研究

无人机可见光遥感影像中地物目标边界清晰度较低,容易导致地物目标与背景之间的区分度降低,进而难以提取地物目标。为此,提出无人机可见光遥感影像地物目标提取方法。从光谱特征、纹理特征和边缘特征三个方面分析无人机可见光遥感影像特征。结合三种影像特征对无人机可见光遥感影像数据集实行增广处理。对完成增广后的数据集定义影像编码标签,以此确定地物目标增强权重,通过参量化处理地物目标光谱特征,计算光谱吸收指数,获取地物目标提取表达式,从而实现无人机可见光遥感影像地物目标提取。实验结果表明,所提方法能够保证地物目标边界的清晰度,具有较强的地物目标提取能力。     

自适应图像模糊增强快速算法

Pal-King算法的隶属度函数复杂,图像增强速度慢,且渡越点难以设置。针对上述问题,提出一种自适应图像模糊增强快速算法。采用新的隶属度函数使模糊增强函数的增强幅度更大、速度更快,通过改进OTSU算法的自适应阈值计算公式,使渡越点的设置更合理。实验结果表明,与Pal-King算法相比,改进算法具有更快的增强速度和更好的增强效果。     

应用多尺度纹理边缘的居民地轮廓提取

提出了一种多尺度纹理边缘与感知编组结合的居民地轮廓提取方法,用于在航空影像上提取居民地轮廓。该方法首先根据影像边缘点的尺度信息计算边缘隶属度,生成多尺度边缘图像;然后将边缘点属于高纹理区域的概率表示为边缘隶属度的函数,通过计算边缘点的概率确定高纹理区域边缘;最后利用曲线跟踪连接提取点形成初始零散轮廓集,并应用感知编组连接初始轮廓,获得完整闭合的居民地轮廓。实验证明,提取的居民地轮廓位置准确且完整闭合。     

基于改进U-Net的耕地自动提取技术

传统耕地提取方法多采用人工标注,不仅耗时且成本巨大,因此如何使用自动化提取方式及时获取准确的耕地信息成为急需解决的问题。随着深度学习与遥感应用的结合,基于遥感影像的耕地自动提取技术成为研究的热点。由于遥感影像中地物组成复杂,直接将深度学习算法应用于遥感影像效果并不理想。对此,许多学者尝试改进深度学习算法以适应遥感影像的耕地提取。文章在U-Net网络的基础上,融入残差模块和纹理特征提取模块,增强模型对小目标物体和模糊样本的特征提取能力,并在自行制作的高分二号遥感影像上进行实验。实验表明,改进后的U-Net模型与原始的U-Net相比,在遥感影像的耕地提取中有更好的效果。     

基于改进AdaBoost的梯田提取方法研究

针对当前梯田提取算法在复杂地形区域效果差异大的问题,提出一种改进AdaBoost的梯田提取方法。对高分辨率梯田影像、DEM数据及相关地形因子进行融合与分割,构建不同地形特征的样本数据集;进行特征选择和样本均衡化;采用改进AdaBoost算法对三块地形差异较大的复杂区域进行提取。结果表明,该方法在复杂梯田区域上提取的平均总精度和Kappa系数分别为93.13%和0.83,均高于其他算法的提取效果。该算法能够对无人机遥感影像的地物提取提供支持。     

基于改进的Mean Shift方法的高分辨率遥感影像道路提取

遥感影像的道路提取长期以来一直是数字摄影测量未能解决的难题之一。本文在探讨了均值漂移、区域分割、边缘检测、轮廓跟踪的基础上,提出一种基于均值漂移和利用统计面积去除和合并小区域的道路提取算法,并采用数学形态学方法消除错误道路,利用轮廓跟踪法获取道路的边缘,实现道路的提取;通过与基于区域分割、边缘检测算法提取结果对比,结果表明,本文的算法进行道路提取的效果更好。     

一种改进的模糊边缘检测快速算法

比较全面地分析了 Pal.King模糊边缘检测算法的缺陷 ,提出了一种新的快速模糊边缘检测算法。该算法不仅克服了 Pal.King模糊检测算法定义的不足 ,简化了复杂的变换和逆变换运算 ,而且针对 Pal.King算法中对隶属度阈值设置为固定值的不足 ,提出了自动确定模糊增强变换中最佳隶属度阈值的算法 ,并在此基础上实现模糊增强函数中增强阈值的自动获取。仿真结果证明 ,该算法效率高、提取边缘精细、适用面广 ,是一种很有实用价值的图像处理算法     

区域化模糊均值高分辨率彩色遥感影像分割方法

基于像素模糊?? 均值算法(FCM) 及其改进算法难以解决高分辨率遥感影像中地物目标光谱测度相似性减弱和几何噪声增大带来的分割难题, 提出一种基于区域的FCM算法. 该方法利用Voronoi 几何划分将影像域划分为子区域, 并用子区域拟合地物目标的几何形状. 在此基础上, 定义区域FCM目标函数, 通过迭代最小化该目标函数实现高分辨率遥感影像分割. 实验结果表明, 与基于像素的FCM和增强FCM方法相比, 所提出方法可以更加精确地实现高分辨率遥感影像分割.

     

基于图像分割的无人机遥感影像目标提取技术

为全面增强遥感影像上地物波谱的反射特性能力,实现对无人机目标的无误提取,提出基于图像分割的无人机遥感影像目标提取技术;在类哈尔滤波器结构的支持下,按照区域环境中地物目标的颜色特征,完成低层影像特征的量化处理,实现基于图像分割技术的无人机遥感深度图获取;定义与无人机遥感影像相关的基本名词,通过原始特征选择的方式,判定地物波谱的平均反射特性水平,得到准确的特征元素相关性测度数值,完成无人机遥感影像的目标融合处理;在此基础上,分割多分辨率条件下的影像目标,在定义图像纹理与尺度条件的同时,得到最终的地物提取结果,实现基于图像分割无人机遥感影像目标提取技术的应用;对比实验结果表明,在初始采集相位条件及亚像素条件下,目标地物的波谱宽度均超过7.0μm,遥感影像的反射特性能力大幅提升,满足对无人机目标无误提取的实用需求。     

二维经验模态分解算法遥感影像解模糊

相机成像过程中与地面的相对运动、遥感平台姿态变化、发动机振动、电磁波干扰等都会导致质退化而造成影像模糊,为此提出了一种基于二维经验模态分解算法的遥感影像去模糊方法。结合分解后的本征模函数IMF分量实现对影像的去噪和特征地物清晰边缘的提取,利用稀疏分解框架下的反卷积模型估计模糊核,通过带约束的最小二乘法进行影像解模糊。通过仿真实验验证了该方法的可行性。     

区间二型模糊集彩色遥感图像边缘检测方法

针对一型模糊集其隶属度函数是确定的,不具有柔性,很难满足图像的多方面边缘检测要求,及传统PalKing算法采用单一阈值对图像进行增强难以满足灰度变化丰富且含大量信息的彩色遥感图像处理的要求。提出了一种新的基于区间二型模糊集的彩色遥感图像边缘检测方法。实验结果表明,它能较好地检测出彩色遥感图像边缘,因此是一种实用有效的彩色遥感图像边缘检测方法。     

全色遥感图像中城区的快速模糊分割算法

提出一种全色遥感图像中城区的快速模糊分割算法。该算法基于模糊集理论,根据贝叶斯准则建立相应的隶属函数,并分析选取城区在全色图像中有效的特征,逐步实现城区的分割。实验以SPOT-5全色图像为例,并对模糊训练的可靠性进行分析,最后与区域增长法和多尺度几何信息分割算法进行比较。实验表明,该算法简单准确快速,能够为一些重要的应用提供有效支持。     

基于动态分块闭值去噪和改进的GDNI边缘连接的溢油遥感图像的边缘检测算法

海上溢油图像的边缘检测技术是最重要的海上溢油监测技术之一。无论是溢油的识别、位置的确定或者溢油量的获取,都需要首先确定溢油区域的边界信息。针对溢油图像的特点,提出了一种新颖的边缘检测算法。该算法由3部分组成:“非极大值抑制”实现了溢油图像的候选边缘检测;动态分块阂值算法实现了对噪声、伪边缘的清除,使获得的边缘更连续;改进的GDNI边缘连接算法实现了对去噪后图像中的中断边缘点的准确连接。通过实验结果证明,提出的算法能够得到清晰连续的溢油遥感图像的边界信息,较好地实现了具有低对比度、模糊边界以及噪声问题的溢油遥感图像的边缘检测,且具有很好的实时性。根据本算法得到的边缘检测信息,海上溢油能够更加容易和快速地被识别。     

一种基于深度学习的遥感图像目标检测算法

遥感图像分析在国土资源管理、海洋监测等领域有着极为广阔的应用前景。深度学习技术已在图像处理领域取得突破性进展,然而,遥感图像固有的尺寸大、目标小而密集等特点,使得将面向普通图像的深度学习方法用于遥感目标检测普遍存在定位不准确、小目标检测难、大图检测精度差等问题。针对上述难题, 提出了一种新型遥感图像目标检测算法DFS。与传统机器学习方法相比,DFS 设计了新的维度聚类模块、定制损失函数和滑动窗口分割检测机制。其中,维度聚类模块通过设计聚类机制优化定制先验框,提高定位精度;定制损失函数提高对船只等小目标的检测精度;滑动窗口分割检测解决大图检测精度低的问题。在经典遥感数据集上开展的实验对比表明,与YOLOv2相比,DFS算法的mAP提高了256%,小目标检测效率及大图检测效能大幅提高。     

彩色遥感图像目标提取方法研究

目标提取是对遥感图像进行分析处理的一个重要内容。针对彩色遥感图像的特征,首先采用了传统的边缘检测方法,验证其存在的不足。进而运用模糊聚类分析的模糊C-均值算法,选择适当的正交彩色特征,实现了对图像中目标区域的有效分割与快速提取,为遥感图像识别与计算提供了可靠的基础。研究实例表明了算法的有效性。     

基于直觉模糊散度的噪声图像边缘检测

针对传统图像边缘检测算法抑制噪声能力差的问题,提出一种基于直觉模糊集（Intuitionistic Fuzzy Set,IFS）的边缘检测算法。该算法设定了一个表示平坦区域的模板图像,并在图像窗口内构造了一种同时考虑了图像梯度和图像窗口的方差信息的隶属度函数,然后通过计算图像窗口与模板图像之间的模糊直觉散度（Intuitionistic Fuzzy Divergence,IFD）对边缘进行定位和输出。实验结果表明,对于被高斯噪声或均匀噪声严重污染的图像,该算法能够得到较好的检测结果。     

基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

基于改进SSD算法的遥感图像目标检测

在遥感图像目标检测领域,多数目标检测算法针对小目标检测时效果不佳,为此,提出一种多尺度特征融合的遥感图像目标检测算法。利用SSD算法的基础网络进行特征提取,形成特征图金字塔。设计特征图融合模块,融合浅层特征图的位置信息和深层特征图的语义信息,从而保留丰富的上下文信息。设计冗余信息去除模块,通过卷积操作进一步提取特征图中的特征,并对特征信息进行筛选,以减少特征图融合时带来的混叠效应。在遥感图像数据集NWPU VHR-10上的实验结果表明,该算法的平均检测精度高达93.9%,其针对遥感图像小目标的检测性能优于Faster R-CNN和SSD等算法。     

基于云的多光谱遥感影像边缘检测研究

提出一种基于云的多光谱遥感影像边缘检测算法。该算法依据矢量角相似性准则并结合邻域关系进行图像区域生长，在此基础之上根据影像的波段建立多维云模型，将待处理对象映射到多个云空间，通过逻辑运算生成边界云并进行多维向量的综合。构建边缘模糊特征平面，在条件概率和模糊划分熵的基础上，通过最大模糊熵原则确定最优阈值，对图像模糊边界进行提取。试验结果表明，该算法在多光谱遥感影像中能取得较好检测效果。     

自适应多维特征减少的模糊C-均值遥感图像分割算法

针对传统分割算法难以对遥感图像进行有效分割的问题,提出了一种自适应特征减少的图像分割算法。首先对源图像进行超像素分割,将获得的超像素作为算法的基本操作对象。其次,提取图像的颜色、纹理、边缘以及空间等多维特征,并使用加权像素值来表示超像素的特征。再者,将模糊分离度量加入到FRFCM(feature-reduction fuzzy C-means)模型中,构造特征减少分割算法。该算法可以自动选择有用特征。最后对分割算法进行优化,获取最终分割结果。通过遥感图像分割实验表明,提出算法能有效分割遥感图像,在分割准确度、运行时间、消除噪声影响等性能方面优于其他同类算法。