多光谱目标偏振信息探测系统设计

针对目标偏振探测的应用研究,将多光谱分析方法与偏振信息测量技术相结合,设计了一种多光谱目标偏振信息探测系统.该系统采用滤光片和偏振片独立切换协同工作方式,从可见光至近红外的450 nm、550 nm、650 nm、850 nm和950 nm等多个波段,实现了对目标偏振信息的有效获取.利用该探测系统在室外雾天环境下进行了目标偏振信息探测实验,获得了目标场景的多光谱偏振信息,验证了系统的有效性.     

基于邻域加权稀疏表示的高光谱图像目标探测

提出了一种基于邻域加权稀疏表示的高光谱图像目标探测方法。在构造稀疏模型时,以单位化像元的内积表示像元的相似性,据此对重构图像中测试像元空间邻域的像元进行加权约束,保证了空间的平滑性;并提出基于加权最小二乘的正交匹配追踪算法求解该稀疏模型,它使得每次迭代中参数估计有效。实验结果表明,该探测算法是有效可行的。     

无人机多机动目标自主探测与跟踪

无人机机载相机图像中机动目标尺寸较小而且会发生显著变化,加上大量的背景噪声干扰,给目标探测和跟踪带来很大困难.针对这些问题,本文提出了一种在无人机机载相机图像序列中自主探测与跟踪多个机动目标的方法.首先,提取目标的图像数字特征并采用级联分类算法进行特征分类,得到目标的强分类器,对目标进行自主探测搜索.然后,基于全局最优关联算法对探测回波进行关联滤波,实现对多个机动目标的跟踪与识别,其中最优关联代价矩阵融合了距离和方向信息,提高了关联和跟踪的鲁棒性.将无人机航拍图像序列中的地面坦克作为目标进行实验,结果表明本文算法可以实现对多个机动目标的自主探测和跟踪,并具有较好的跟踪鲁棒性.     

一种基于数学形态学的空间遥感图像中弱目标检测算法

从弱目标图像(空间遥感图像)的复杂背景中提取弱小目标一直是一个重要而复杂的课题。遥感图像具有灰度变化丰富，所含信息量较大，背景噪声复杂的特点。针对以上问题，章讨论了在低对比度、强干扰的情况下，对弱目标的提取方法。采用基于数学形态学理论的方法来对遥感图像中的弱目标进行检测处理，提出了一种从遥感图像中提取具有一定外形的弱小目标，并可以在实际系统上实现的算法。给出在具典型意义的SAR图像上的实验分析和实验模拟处理结果，验证了这种算法在强噪声和复杂背景下的有效性。也证明了该算法具有理论完备、算法简单、抗噪能力强和运算速度较快的优点。     

雷达探测空间目标效能仿真系统设计与实现

空间目标的日益增多给观测太空和发射卫星都带来了很大难度,因此有必要利用一定的手段对空间目标进行探测,而雷达探测具有独特的优势。以VC++和STK为主要工具,开发针对低轨卫星和空间碎片的雷达探测效能仿真系统。该系统能够方便快捷地从雷达对空间目标的探测能力、雷达空域内同时存在的目标数目和雷达对目标观测弧段长度等3个方面分析雷达探测空间目标的效能。     

多目标空间探测智能轨迹优化方法综述

多目标空间探测是经济理性的太空探索与开发方案,它能以较低的花费获取巨大的收益.多目标空间探测轨迹优化的优化空间巨大,优化难度高,始终是航天动力学中的研究热点,而智能方法面对这些难点有着优异的表现.本文首先通过轨迹优化竞赛介绍多目标空间探测轨迹优化国际研究趋势,从中可以看出智能方法发挥着越来越重要的作用,然后从多目标空间...     

比较研究目标探测算法在地质小目标探测上的性能

受图像分辨率的影响,一些蚀变矿物信息在遥感影像上以亚像元的形式存在,在整个场景中为低概率存在目标,需要从蚀变矿物与背景物的光谱差异上来寻找目标物。将目标算法用于探测地质小目标--蚀变矿物。通过比较各种目标探测算法对试验区内绢云母的探测效果,初步评估和优选适合于探测地质小目标的探测算法。     

基于背景约束机制的目标识别方法及图像语义抽取

多数图像目标识别过程只对主要目标物进行提取,再分类识别,造成图像背景信息丢失,为此提出一种背景约束机制(background restraint mechanism)下的目标识别方法。通过视觉注意模型分别提取图像的前景目标物和背景信息,实现图像的前景目标物与背景分离,通过对背景图像信息的提取识别形成对前景目标物的概率约束。将此约束机制引入分类器中形成一种BRM_GAM(background-restraint-mechanism_Gaussian ARTMAP)分类模型,对前景目标物进行分类识别。实验结果表明,该方法有较好识别效率和时效性,符合人类认知。此外,提出一种利用GAM模型提取图像语义字典直方图,进行图像语义抽取的方法。     

雷达对可探测空间目标的快速筛选方法

研究提高雷达探测效率问题,空间目标的轨道参数满足一定条件时则永远不能进入雷达的探测空域,可以定为被筛选掉,并可以提高雷达探测效率.为了解决快速筛选,首先明确雷达的距离与能探测目标高度之间的关系,并且给出了星下点轨迹的计算方法,根据雷达与空间目标的相对几何关系,并引入“轨道天球”的新概念,从静态和动态两个方面深入分析了雷达对空间目标的筛选原理和过程,准确推导了雷达对可探测目标的快速筛选方法,最后根据2009年2月公布的空间目标数据进行试验,并将结果与卫星工具包可见性分析结果进行比对,结果表明,算法可以比较有效地将不进入雷达可探测范围的空间目标筛选掉,从而验证了方法的有效性.     

多尺度加权图像块局部对比度的红外小目标检测

为解决传统算法在强杂波背景下,容易造成误检与漏检等问题,从图像块的角度提出一种局部对比度度量方法。提出中心区域与背景区域之间对比度的新度量,在计算对比度时采取行处理,简化算法的复杂性;引入可信度值作为权值,加权处理局部对比度,对加权后的局部对比度进行多尺度处理,生成目标显著图;对显著图进行阈值分割,得到真实目标。通过在实验中的分析对比,验证了该算法的有效性。     

基于对比度检测和识别目标的研究

目标检测和识别是图像分析中的一个难点.本文根据光电知识和相关理论,提出了基于对比度的目标检测和识别.该研究利用二值化、去噪等较成熟的技术,实现目标的检测和识别,在实用中具有广阔的应用前景.     

可见光遥感图像海面目标检测技术综述

基于可见光遥感图像的海面目标检测技术是当前遥感领域的研究热点,为推进基于可见光遥感图像的海面目标检测技术的发展,文中对当前主要的检测方法进行了总结。首先,介绍了可见光遥感图像目标特性以及图像目标检测基本流程,并分析了遥感图像目标检测的研究现状;然后,针对海面目标快速检测问题,详细介绍了视觉显著性方法在遥感图像目标检测方面的研究现状;接着,针对遥感图像分类识别问题,详细介绍了卷积神经网络在遥感图像目标检测方面的研究现状;最后,总结了现有方法应用于海面目标检测存在的问题以及未来的研究方向。     

遥感舰船目标检测识别方法

针对基于经典图像处理方法的目标检测识别方法虚警率高、分类效果差等问题,提出了一种基于深度学习的光学遥感舰船目标检测识别方法。该方法采用形态学运算+深度学习的方法,基于视觉增强技术快速筛选疑似目标,大幅降低需处理的数据量;采用深度学习网络,大幅降低目标检测虚警率。在2片Xilinx FPGA上完成了设计验证,利用FPGA全并行流水处理的特点,大幅提升处理效率和实时性,相对采用i7-CPU和GPU-GTX1050实现该算法,能效比分别提升260倍和28倍。经16景高分2号卫星遥感图像验证,目标检测识别率高于98%,虚警率低于5%。与现有的目标检测识别方法比,该方法在工程化能力、鲁棒性、实时性、准确率、能效比等方面达到较好平衡,性能优越,优于当前业内方法。     

一种遥感目标提取新方法

提出了一种简单实用的目标提取方法:光谱排序编码法。光谱排序编码法就是在对目标光谱与地物光谱按光谱强度大小进行排序的基础上,计算两条光谱曲线的相似度,然后,根据相似度与误差范围进行编码,从而达到识别目标的目的。文章详细介绍了算法提出的背景、原理并对算法的精度进行多种地物类型对比验证,试验结果表明算法最高精度的平均值为0.95,是一种有效的目标提取算法。     

基于自顶向下视觉注意的遥感影像目标检测

针对遥感影像数据量大、背景复杂、目标自身信息不足等问题,提出一种基于自顶向下视觉注意的遥感影像目标检测方法。根据目标外观线索优先选择与其特征相符的图像区域,以提高目标检测的效率,依据上下文线索将搜索集中在最可能出现目标的环境区域,以保证目标检测的可靠性。实验结果证明,该方法能提高目标检测的效率和正确率。     

基于影像区域特征人工目标变化检测方法

提出了一种基于图像区域特征的人工目标变化检测方法,在研究解决区域特征变化准则函数构造、特征量标准化处理、多特征联合变化判定规则确定等问题的基础上,能够抑制单纯由像素灰度差异引起的伪变化,而且对不同尺寸的区域变化有较好的适应性。     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。     

基于特征的遥感影像数据融合方法

基于小波的多分辨率分析理论提出了一种新的遥感影像数据融合方法。它利用区域方差最大和一致性准 则对不同尺度下的子带数据进行融合，采用加权运算对相应基带数据进行复合E文中给出了黑白航空影像与TM 影像、SAR影像的融合结果E通过与基于像素平均的融合方法比较，证明了本方法具有良好的鲁棒性和自适应能 力E     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节.基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法.介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网...     

基于加权策略的高分辨率遥感图像目标检测

针对遥感图像目标检测任务中存在的目标尺度差异大、检测精度低等问题,提出了一种基于加权策略的改进YOLOv3遥感图像目标检测模型.为提高对遥感图像中小目标的检测精度,增加具有较小感受野的特征图像的检测分支.设计了一种多尺度特征图像自适应加权融合方法,通过挖掘特征提取网络的表征能力,综合利用多尺度特征提高了目标检测精度.采...