特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

遥感图像配准算法评述

图像配准是众多具体应用的共性核心技术，如图像融合、变化检测等。其在遥感、军事、医学、计算机视觉等众多领域都有广泛的应用。本文具体分析了几种遥感中的配准方法，对图像配准在遥感领域中的技术现状进行了归纳总结，讨论了图像配准在遥感领域中的发展趋势。     

应用Hessian-Affine的遥感图像配准实验

针对存在云雾遮挡、仿射变形的遥感影像,本文提出应用Hessian-Affine与最大信息熵,检测并筛选仿射不变特征,同时选刺同名点估计初始变换参数,对每一个待匹配点预测出一定圆域约束内的对应匹配点集,利用NCC相关系数迭代确定圆域内真同名点,得到初始匹配点集,然后利用均方根误差(RMSE)迭代剔除误匹配,直至完成最佳仿射变换参数估计。结果表明:该算法对发生仿射畸变、气候复杂区域的影像配准表现出较好稳健性和定位精度。     

卷积神经网络多层特征联合的遥感图像检索

针对卷积神经网络的特征表达方法难以满足大规模遥感图像检索需要的问题,该文将卷积层特征和全连接层特征进行联合,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法提取不同卷积层特征作为图像的局部特征,提取全连接层特征作为感兴趣区域,并对二者进行跨层整合得到新的图像特征并应用于图像检索。实验结果表明,与利用单一的全连接层或者卷积层特征以及传统的经典检索方法相比,该方法取得了很好的检索结果,能够更好地保留图像的全局信息和空间结构信息,提高遥感图像检索的性能。     

卷积神经网络在大规模图像分类中的应用

针对大规模无序图像分类处理中成对图像的匹配和几何验证的计算量大的问题,该文通过研究和学习机器学习及图像识别领域先进的方法,提出了一种基于孪生神经网络的大规模图像有序化方法。该算法主要是:通过抽取已训练好的VGG19的网络模型的卷积层作为图像的特征,将提出的特征分别加权后,连接起来,再次卷积和池化,利用响应函数判定图像之间连通性,实现对输入图像对连通性判定。经实验证明,该算法可有效地识别具有场景重叠的图像对,效率和精度上也有所提高,无须执行详尽的推定匹配和几何验证,适用于运动恢复结构,图像连接等各种场景。     

基于卷积神经网络的遥感图像变化检测

主要研究了针对目标区域的基于卷积神经网络的变化检测方法,对比了两种卷积神经网络的方法,包括使用以VGG16为网络结构,将图像裁剪为16×16的图块,以这些图块为单元,为每个图块做变化或不变化的标签,最终生成基于图块的变化图像。基于这种方法适合用于大面积变化明显的区域,对于变化范围较小的图像则不能很好地判断是否变化,其次是由于设置的图像块比较大,因此在提高训练速度的同时,难以保证良好的视觉效果。第二种是以Siamese Network为网络框架,基于编码解码的网络结构对其进行改进,通过两个通道分别输入前后时相的图像,每一次卷积后相减并利用跳跃连接与解码端的图像叠加提取特征,获得了良好的测试结果。     

一种扩展SURF描述符及其在遥感图像配准中的应用

针对经典算法存在着运算时间过长或者匹配正确率不高的情况,提出一种扩展的SURF描述符。在原始SURF描述符的基础上,通过计算特征点相应尺度上的邻域采样点的局部归一化灰度统计信息以及二阶梯度值细节信息,形成新的扩展描述符。该方法不但能传承SURF算法速度快的优良性能,还能充分利用图像的灰度信息和细节信息。通过试验表明,综合考虑算法运行效率与匹配正确率,本文算法较原有经典算法更具稳健性。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

单样本对卷积神经网络遥感图像时空融合

遥感图像时空融合是一种生成兼具高时空分辨率的合成遥感数据的技术。近年来,产生了一些基于卷积神经网络的时空融合方法。这些方法效果良好,但需要较多的图像样本对训练模型,限制了它们的应用。针对此问题,本文提出了一种单样本对卷积神经网络时空融合方法（SS-CNN）。该方法以高空间分辨率图像的波段平均图像提供的空间信息激励卷积神经网络建立高、低空间分辨率图像间的超分关系,进而利用该超分关系映射求解目标高空间分辨率图像。在实验中使用两个模拟数据集和一个真实数据集对该方法进行了测试,并与两种常用的时空融合方法做了比较。实验结果表明,SS-CNN在单样本对训练的情况下,可以较好地预测地物的物候变化和类型的变化,且在异质性高、地块破碎的区域表现良好。其不足之处在于会在地物边界上会造成轻微的模糊,将来需针对此问题做进一步改进。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973,优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

面向海洋应用的无人机遥感图像配准研究

在海洋应用中,大面积水体的同名点匹配相比陆地更加困难,制约了无人机遥感图像的配准精度和收敛速度。本文提出了一种改进算法适用于海洋无人机遥感应用,采用主成分分析（PCA）和水体阈值方法去除水体,获得图像中非水体区域的分块图像,然后利用仿射-尺度不变特征变换算法（ASIFT）进行图像的特征点提取和重叠图像非水体区域的同名点匹配。通过海岛、海岸线的无人机遥感试验结果表明,基于改进算法,在不增加时间开销的情况下,可以增加30%~50%的同名点数量,精度提高约5%~10%。文中方法适应用于海洋无人机遥感的序列图像配准,为海岛、海岸线的遥感监测提供了有效的技术支持。     

基于深度卷积神经网络的遥感图像船只识别

根据遥感图像的特点,针对海面目标难以准确识别的问题,提出了一种基于深度卷积神经网络的船只识别方法.首先利用分类网络进行图像的预分类,然后在分类结果的基础上,构成双通道的识别体制,识别网络采用Faster R-CNN.针对受云雾遮挡的船只识别问题,利用改进的深度卷积神经网络结构开展网络训练与调优,处理结果的F1-Scor...     

基于SIFT的遥感图像配准技术综述

遥感图像配准是图像融合、变化检测、图像镶嵌等应用中不可缺少的步骤。近年来,出现了大量基于尺度不变特征变换(scale invariant feature transform,SIFT)的遥感图像配准方法。在对已有基于SIFT的遥感图像配准文献的调研分析基础上,对各种SIFT遥感图像配准技术进行了系统性评述,将各种改进方法分为SIFT提升算法、针对遥感图像性质的改进、混合方法以及针对算法流程的改进等4类;分析了不同类型改进方法的适用范围和优缺点;指出了SIFT遥感图像配准技术存在的主要问题和难点,对其未来的发展方向进行了展望,为后续研究提供参考。     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.0500s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。     

利用Fourier-Mellin变换的遥感图像自动配准

提出了一种利用Fourier-Mellin变换的遥感图像配准方法。首先,进行Fourier变换求取频谱能量值并进行高通滤波,将滤波后的能量转换成对数极坐标,通过计算互功率谱,运用相位相关技术得到比例系数和旋转角,两幅图像按照得到的参数进行旋转缩放变换得到变换图像;然后,进行相位相关运算得到平移量,作平移变换;最终叠加显示,可以得到配准图像。实验结果表明,该算法具有很好的有效性和可靠性。     

无人机影像与卫星影像配准的卷积神经网络方法

针对不依赖于位姿测量的无人机视频影像上目标绝对定位的问题,提出一种基于改进R2D2算法的无人机影像与参考卫星影像配准的方法。首先在R2D2网络生成128通道稠密特征图的基础上,进行双三次函数插值,以获得子像素级位置精度的关键点,并内插描述符;其次利用KD树快速最近邻特征搜索,结合快速采样一致性算法进行误匹配剔除,计算变换模型并对无人机影像进行纠正,完成配准;最后利用两个典型区域对算法进行了测试,并与SIFT和DELF算法进行了对比。实验结果表明,本文算法在正确匹配点数量和计算效率方面优于其他两种算法,对纹理、视角以及尺度差异也具有较好的适应性。     

基于ImageNet预训练卷积神经网络的遥感图像检索

高分辨率遥感图像内容复杂,细节信息丰富,传统的浅层特征在描述这类图像上存在一定难度,容易导致检索中存在较大的语义鸿沟。本文将大规模数据集ImageNet上预训练的4种不同卷积神经网络用于遥感图像检索,首先分别提取4种网络中不同层次的输出值作为高层特征,再对高层特征进行高斯归一化,然后采用欧氏距离作为相似性度量进行检索。在UC-Merced和WHU-RS数据集上的一系列实验结果表明,4种卷积神经网络的高层特征中,以CNN-M特征的检索性能最好;与视觉词袋和全局形态纹理描述子这两种浅层特征相比,高层特征的检索平均准确率提高了15.7%~25.6%,平均归一化修改检索等级减少了17%~22.1%。因此将ImageNet上预训练的卷积神经网络用于遥感图像检索是一种有效的方法。     

基于MATLAB图像处理工具箱IPT函数的遥感图像配准

遥感图像配准是遥感图像拼接、信息融合的基础,是对遥感图像定量应用和研究的关键环节.MATLAB的图像处理工具箱IPT(Image Processing Toolbox)提供有基于点特征进行图像配准的函数,利用这些函数可以方便快捷地完成图像之间的配准.论文首先对图像配准及基于点特征的遥感图像配准作了详细的介绍,然后对IPT中配准函数的语法格式作了详尽的分析,并对两幅遥感图像进行了配准操作,最后对该方法进行了结论性分析,阐明该方法的应用价值与可改进之处.     

多源遥感影像配准中的SIFT特征匹配改进

针对尺度不变特征变换算法应用于多源遥感影像配准时面临的低效率和误匹配问题,从特征点提取和特征点匹配两个方面对其进行改进。在特征点提取阶段,通过控制特征点数量和分布情况获取均匀分布的特征点;在特征点匹配阶段,采用特征点仿射变换粗匹配、精匹配和误匹配点剔除策略,由粗到精地获取准确的同名点。对多源遥感影像进行配准实验,结果表明,此方法在匹配效率及匹配性能上均优于原始SIFT算法,且配准精度更高。