基于区域相似性的高分辨率遥感影像分割

作为蕴含于高分辨率遥感影像中的重要信息,地物目标的光谱特征和纹理结构对其精准分割至关重要。为此,结合高分辨率遥感影像的光谱和纹理信息,提出基于区域相似性的高分辨率遥感影像分割算法。首先,将图像域划分为一系列同质子区域;然后,在区域基础上,结合定义的纹理相似性和光谱相似性,以获取区域相似性;再利用基于区域相似性的分形网络演化算法(FNEA)实现高分辨率遥感影像分割。利用所提出算法,分别对合成纹理图像和高分辨率遥感影像进行分割实验,实验结果表明所提出算法具有一定的可行性及有效性。     

基于稀疏词典的高分遥感影像震后建筑物检测

基于高分遥感影像进行震后建筑物检测,对开展应急响应救援等具有重要意义。在缺乏震前数据条件下,其核心在于构建高效的特征空间以进行震害建筑物特征建模。为此,提出了一种基于稀疏词典的震后建筑物检测方法。首先,联合光谱、纹理和几何形态学特征对震后建筑物进行多角度刻画;其次,通过构建相同、相异词对进一步引入空间上下文信息,从而构建多特征初始视觉词典;在此基础上,结合正交匹配追踪(OMP)和K奇异值分解(K-SVD)算法对视觉词典进行稀疏表示,以尽可能的减少冗余信息;最后,通过支持向量机获得最终检测结果。通过多组震后影像实验表明,所提出方法的总体精度可达到85%以上,且在目视解译和定量分析中均显著优于对比方法。     

基于快速方向预测的高分辨率遥感影像压缩

针对传统的自适应方向提升小波变换(ADL-DWT)算法在高分辨率遥感影像压缩中计算复杂度过高的问题,提出一种新的基于方向预测的提升小波变换(DP-LWT)算法,实现了高分辨率遥感影像的快速、高效压缩.新算法首先将高分辨率遥感影像分为若干不重叠子块,然后采用梯度算子快速预测遥感影像中每个图像块的最佳提升方向,并沿着最佳预测方向插值完成方向提升小波变换,最后进行多级树集合分裂(SPIHT)编码.实验结果表明,新算法有效削弱了遥感影像各子带中非水平与非垂直方向的高频系数;与传统自适应方向提升小波变换相比,在重建高分辨率遥感影像峰值信噪比基本相同的情况下,有效减少了小波变换中方向预测的计算复杂度.     

并行路径与强注意力机制遥感图像建筑物分割

遥感图像建筑物分割广泛应用于城市规划及军事领域,是当前遥感领域的研究热点。针对遥感图像中建筑物之间尺度变化较大、建筑物遮挡、建筑物阴影与建筑物边缘相似所导致建筑物分割精度较低的问题,提出一种并行路径和强注意力机制的卷积神经网络模型。该模型基于ResNet网络残差连接的思想,以ResNet为基础网络提高网络深度,并采用卷积下采样得到并行路径,提取建筑物的多尺度特征,以减少建筑物之间尺度变化的影响。然后加入强注意力机制,增强多尺度信息的融合效果,增加不同特征之间的区分度,抑制建筑物遮挡及建筑物阴影的影响。最后,在多尺度融合特征后加入金字塔空间池化模块,抑制分割结果中建筑物内部孔洞的出现,提高分割精度。在WHU以及Massachusetts Buildings公开数据集进行实验,分别从MIoU,Recall,Precision,F1-score 4个指标对分割结果进行量化比较,在Massachusetts Buildings数据集中MIoU达到72.84%,相较于ResUNet-a提升1.46%,能够有效提高遥感影像中建筑的分割精度。     

融合高阶信息的遥感影像建筑物自动提取

针对遥感影像中建筑物目标与背景环境区分度低而造成的提取效果较差的问题,本文提出了融合高阶信息的编解码网络方法以改善建筑物自动提取的精度。首先,针对遥感影像建筑提取任务,使用深度编解码网络完成对建筑物目标的低阶语义特征提取;其次,使用多项式核完成对深度网络中间特征图的高阶描述,以提升网络对于模糊特征的辨识能力;最后,将低阶特征与高阶特征级联后,送入编解码网络的末端,得到对建筑物的分割结果。在Massachusetts Buildings数据集上进行试验,其召回率、准确率和F1-score指标分别达到了85.1%,77.5%和80.9%,综合指标F1-score相比于基础深度编解码网络提升约4%。本文所提方法改进了编解码器网络对于遥感影像建筑物自动提取任务的表现性能,能够更加精确地提取与背景区分度较低的建筑物目标,具有良好的实用价值。     

多尺度特征融合空洞卷积 ResNet遥感图像建筑物分割

针对传统建筑物提取方法难以有效描述遥感图像细节特征,导致复杂场景下道路、树木及建筑物之间分割边界不清晰等问题,提出了一种基于多尺度特征融合空洞卷积ResNet(Multiscale-feature Fusion Dilated Convolution ResNet,MFDC-ResNet)模型。首先,为了获取遥感图像建筑物更大范围的特征信息,在深度残差网络中引入空洞卷积增大特征提取的感受野,以捕捉更丰富的多尺度细节特征;其次,为了增强空洞卷积中心点对图像局部区域特征的表达能力,利用3×3卷积核提取遥感图像的中心点区域特征,引入更多的中心点空间先验信息;最后,利用空间金字塔池化模型对不同尺度空洞卷积特征进行融合,获取不同尺度的遥感图像建筑物的上下文信息。在WHU遥感图像数据集上的实验表明,平均交并比mIoU达到0.820,召回率Recall达到0.882。提出算法不仅提高了分割精度,而且有效克服了道路、树木等因素的干扰,得到了较清晰的建筑物边界。     

采用独立分支网络的多源遥感数据自适应融合地物分类

针对现有基于深度学习的地物分类方法大多面向遥感影像,而对点云数据的空间信息利用不足,特别是对点云和影像这种异源特征融合不够充分的问题,提出了一种采用独立分支网络结构的多源遥感数据自适应融合地物分类方法。首先,对配准好的LiDAR点云和遥感影像分别采用三维网络和二维网络提取各模态的空间几何特征和语义特征;其次,在点云空间对影像特征进行交叉模态采样和特征对齐得到基于点的多源特征;最后,采用一种基于注意力机制的非线性自适应特征融合方法实现二、三维语义特征的融合。实验结果表明,本文方法通过网络训练能够实现自适应数据特征的多源遥感数据融合分类,针对ISPRS多源遥感数据集的植被、建筑物和地面三类地物平均分类精度达到85.87%,相较三维点云语义分割的分类精度提高了10.12%。本文提出的独立分支融合网络能够实现二、三维数据的交互学习与深度融合,为遥感多源数据地物分类提供了一种新的思路。     

基于谱聚类的高分辨率全色遥感影像分割

为了协调高分辨率全色遥感影像区域和边界的最优分割,提出了一种基于像素邻域和光谱特征的谱聚类高分辨率全色遥感影像分割方法。该算法重点着手于构建影像图模型,在其中引入像素邻域作用并充分顾及像素光谱测度差异。假定邻域像素具有连接关系,并在此基础上构建影像连接矩阵,再考虑像素光谱测度差异的影响建模像素间相似性,最终结合像素连接性和相似度构建影像权值矩阵完成图模型建立;而后在图模型的基础上,采用对权值矩阵特征分解并就分解结果进行选择的方式将影像数据变至低维特征空间,进而对获取的新数据执行FCM聚类算法达到影像分割目的。为了验证提出算法的有效性,分别对模拟影像和高分辨率全色遥感影像进行分割实验,定性、定量的评价结果表明了该算法的可行性与优越性。     

基于小波变换的纹理特征变化检测方法研究

本文提出和实验了一种基于小波变换的区域纹理特征差值的变化检测方法,该方法通过小波变换提取区域纹理特征,而后采用差值求得其变化部分.实验结果表明,该方法对于高分辨率的遥感影像具有较好的检测效果,同时提高了运算速度,从理论和实践方面证明了该方法的可行性和有效性.     

融合超像素与多模态感知网络的遥感影像车辆检测

针对遥感影像车辆检测中背景干扰、目标密集和目标异质性等因素引起的识别精度下降问题,提出了一种融合超像素与多模态感知网络的遥感影像车辆检测方法。首先,基于混合超像素的区域合并规则,通过超像素二分图融合算法将两种模态的超像素分割结果进行融合,提升了不同模态图像超像素分割结果的准确性;其次,提出一种多模态边缘感知网络的遥感影像车辆检测方法 MEANet (Multi-modal Edge Aware Network),引入OPT-FPN模块（Optimized Feature Pyramid Networks）来增强网络学习多尺度目标特征的能力;最后,通过边缘感知模块聚合超像素和多模态融合模块生成的两组边缘特征,进而生成车辆目标的准确边界。在ISPRS Potsdam和ISPRS Vaihingen遥感影像数据集上进行实验,最终的mF1分数分别为91.05%和85.11%。实验结果表明,本文提出的方法在多模态遥感影像车辆高精度检测中有着较好的检测准确度和较好的应用价值。     

高分辨率遥感影像的平原建成区提取

通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征,提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区,融合多个特征进行学习和分类,从而加强了分类器的鲁棒性和稳定性,提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果,完全消除块状效应,使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试,结果显示:提出方法的平均检测精度为80%,平均召回率高于85%,平均F值可达80%以上,综合指标高于其他方法,验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别,同时避免了漏检和误检,提取出的建成区影像很准确。     

应用尺度不变特征变换的多源遥感影像特征点匹配

针对多源遥感影像之间灰度值非线性变化导致特征点匹配率大幅度下降的问题,提出了一种利用光谱信息的多源遥感影像特征点匹配算法.首先,以光谱信息对遥感影像波段进行线性拟合,使待匹配影像与参考影像之间的灰度值由非线性转变为线性或者近似线性变化.接着,在拟合的遥感影像上采用改进的尺度不变特征变换(SIFT)算法进行匹配.最后,采用随机抽样一致性算法剔除误匹配点对.与常用特征点检测算法(SIFT,梯度位置朝向直方图(GLOH),RS-SIFT)的对比实验结果表明,本文所用的ETM+影像全色与多光谱影像的特征点匹配率提高了4％左右,CBERS-02B和HJ-1B卫星多光谱影像的正确特征点匹配个数增加了8对.因此,在多源遥感影像特征点匹配中,本文所提算法优于其它检测算法,可以极大地改善匹配效果.     

基于NMI特征的遥感影像线性迭代聚类超像素分割算法

针对现有基于简单线性迭代聚类(SLIC)的超像素分割算法用于细节丰富的遥感图像处理时,存在的易受噪声干扰、过分割问题,本文提出一种结合超像素块之间基于归一化转动惯量(NMI)特征的相似性度量的遥感影像分割方法,对分割效果进行改善.本文首先利用引导滤波算法对影像进行平滑处理,去除椒盐噪点;再通过现有的线性迭代聚类算法对影...     

采用局部分形的高效图像分割方法在红外云图处理中的应用

针对已有的基于分形维数的图像分割算法难以快速计算一个小区域的分形维数,计算复杂,效率低的问题,通过分析云的分形特征,提出一种采用局部分形维数的方法对红外云彩图像进行分割.首先,提出了一种高效算法来计算一段区间内的分形维数,使用树状数组作为数据结构,利用已经计算出来的信息,在O(logN)的时间内得到结果;然后,通过计算...     

基于快速视网膜局部特征的遥感图像目标识别

针对目前航天遥感图像信息复杂、数据量大,导致目标识别中特征检测准确度低、特征匹配识别时间长的问题,提出了一种基于差分加速分割角点检测算法(AGAST-Difference)和快速视网膜关键点描述算法(FREAK)相结合的目标识别方法。在特征检测阶段,建立AGAST-Difference特征检测算子,将尺度空间理论融合到加速分割角点检测算法(AGAST)中,生成具有强仿射不变性的特征点;再利用简化的FREAK采样模型描述局部特征,并构建二进制特征向量,通过计算向量间的汉明距离,完成特征匹配及目标的快速识别;最后选用美国Quick Bird卫星的遥感图片进行验证,实验结果表明,所提特征检测算子仿射不变性能较强,不仅提高了检测的可重复率,而且特征描述符区分性较强,平均匹配正确率提高了9.91%,识别用时仅为35 ms。该方法识别效率高、速度快,能够满足遥感图像实时识别的需求。     

利用一维纹理特征值及MRF模型分割道路影像

提出了一种从遥感影像中分割出道路的新方法.通过比较多个方向上纹理和灰度的一致性,可以在每一点处筛选出一致性最优方向,此方向上的Gabor滤波响应以及作为衡量一致性指标的方差值共同构成该方法的特征矢量.鉴于MRF的独特优点,选择其作为分割模型,并结合最大期望(EM)原理实现非监督分割,构建MRF的相应能量项时加入了方向信息以提高分割质量,同时用置信传递法(BP)代替传统的模拟退火法以提高能量最小化过程的速度.实验表明新方法可以更为有效地从高分辨率遥感影像中分割出道路目标.     

基于阴影特征的前向车辆检测和测距方法研究

车辆检测汽车安全的重要课题之一。提出了一种基于阴影特征的车辆检测和测距方法:首先分析车辆底部阴影的特征,通过基于路面灰度信息的阈值分割方法分离阴影区域,然后检测阴影下边界并构建车辆的感兴趣区域,并利用归一化转动惯量特征实现车辆验证,最后根据摄像机成像模型和几何透视变换原理建立了车距测量模型,测得与前向车辆之间的距离。实验结果表明,该方法可在不同交通环境下对前向车辆实现一定的范围内的有效检测和准确测距。     

基于改进多尺度分形特征的红外图像弱小目标检测

为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上,提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。     

面向遥感建筑物提取的轻型多尺度差异网络

针对高分辨率遥感影像中建筑物形状多样、大小不一引起建筑物提取精度低及传统分割模型存在参数量大等问题，提出一种基于编码-解码的轻型多尺度差异网络LMD-Net(Lightweight Multi-scale Difference Network)。首先，为了避免单一的特征处理单元堆叠使得模型性能弱化而产生无效参数，通过融合编解码结构的功能差异性，设计出一种轻型差异模型优化性能。其次，引入一种多尺度膨胀感知模块（Multi-Scale Dilation Perception,MSDP）来增强网络捕捉多尺度目标特征的能力。最后，通过双融合机制有效聚合深层跳跃连接和深层解码器两组的特征信息，从而实现增强解码器的特征恢复能力。为验证轻型多尺度差异网络LMD-Net的有效性和适用性，以开源WHU building dataset数据集作为数据源，对LMD-Net网络与常用语义分割网络及近年相关文献研究成果进行了精度、效率方面的评估实验。结果表明：LMD-Net网络在效率与精度两方面均表现出明显优势，不仅很大程度上减少模型的参数量和计算量，而且交并比、准确率分别提高了3.23%,2.57%。表明在基...     

基于多重分形和PSO-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非线性和非平稳性,提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用短时分维作为模糊控制参数的分形滤波器对背景噪声较大的齿轮箱振动信号进行滤波降噪;其次引入多重分形谱算法对滤波后信号进行分析,发现多重分形特征量Δa(q)、f(a(q))max、盒子维数Db能很好地反映齿轮箱工作状态;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将多重分形特征量分别作为SVM和PSOSVM的输入参数以识别齿轮箱故障。结果表明,基于粒子群优化的支持向量机可以提高分类正确率。同时证明了基于多重分形和PSO-SVM在齿轮箱故障诊断中的有效性。