高分辨率SAR图像中建筑物特征融合检测算法

针对高分辨率SAR图像中的建筑物检测问题,提出了一种基于视觉注意和特征融合的检测算法。首先,根据SAR图像中建筑物目标与背景存在较大差异的特点,采用视觉注意机制进行建筑物的感兴趣区分割;然后,提取位于感兴趣区域内的高亮线条和阴影区域;最后,采用D-S证据理论对注意焦点、高亮线条和阴影区域进行特征融合,实现建筑物目标的检测。实验结果表明,本文算法对矩形建筑物具有较高的检测精度。     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势,提高遥感影像建筑物变化检测精度,基于面向对象的分析方法,提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先,在影像分割的基础上,利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异;然后,以Sigmoid函数作为隶属度函数,计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数;最后,利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明,该方法能够有效融合影像的多种特征,提高建筑物变化检测的精度。     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

基于D-S理论的多特征遥感影像变化检测方法

针对当前遥感影像变化检测特征单一与几何配准要求较高的问题,提出了一种将证据理论融合到影像多特征变化检测之中的方法。利用检索窗口与匹配窗口计算前后时相影像的几种特征结构相似度,并运用D-S证据理论计算出基本概论赋值函数,完成对这些特征的融合。通过变化检测实验,发现该法能有效提高变化检测的精度,不失为一种变化检测有效方法。除此之外,该法对辐射校正精度要求不高,这一点明显优于传统的单一特征变化检测方法。     

SAR图像纹理特征相关变化检测的震害建筑物提取

SAR图像变化检测是遥感震害信息识别中的重要方法之一,常规的SAR图像变化检测方法主要以强度图像为主,易受图像中地物目标方位变化、表面粗糙度变化和图像中涵盖地物目标信息量庞大的影响。针对震后强度图像变化复杂无规律、纹理特征参数繁多且难优选的问题,以熊本地震益城町区域的ALOS-2数据为例,提出了一种基于纹理特征主成分变换的相关性变化检测方法,该方法首先提取图像的多个纹理特征参量,其次采用主成分变换的方法获取多个纹理特征参量的第一主成分分量,然后计算第一主成分分量的相关性,最后根据实地调查样本统计分类阈值对图像中不同程度震害建筑物进行检测,并与基于强度图像相关性变化检测方法、强度图像差值变化检测方法结果进行了对比。结果表明,基于纹理特征主成分的相关性变化检测方法能够有效地检测不同震害程度建筑物的分布,总体提取精度可达87.2%,高于基于强度图像的两类变化检测方法检测精度,在保持较高提取精度的同时,也有效降低了震害建筑物的错分概率,证明了该方法的可行性,提出的方法可用于震后灾损评估、救援决策制定、指导灾后重建。     

基于证据理论的遥感图像分类方法探讨

遥感图像分类是一项十分重要而且复杂的问题。传统的图像分类方法多数是基于贝叶斯主观概率理论的图像分类方法,由于其在解决不确定性问题上存在诸多缺陷,近年来,将数学的证据理论应用于遥感图像分类已成为新的发展趋势。本文首先介绍了证据理论与贝叶斯主观概率理论对于解决不确定性问题的差异,证据理论的主要定义和算法。文中还重点介绍了证据理论用于模式识别的支持度函数,并将支持度应用于图像分类,得到像元级按大类（如土地利用的城镇用地、耕地、林地和水体）划分的支持度表面,然后进行硬分类叠加,得到初次分类结果,再进行精度评估。如果不满足精度要求,再对各类支持度小于某域值的像元进行二次分类,如此下去,直到达到分类所要求的精度。该方法的主要优点是可以进行分类后的再分类,且精度非常高,而贝叶斯分类不可以进行分类后的再分类,只能重新训练样本进行整体分类,效率低,精度也难提高。该方法理论可靠,实用性强,易操作,有研究潜力。     

DS证据理论在SAR图像边缘检测中的应用

提出了一种新的基于DS证据理论的SAR图像多尺度边缘检测方法.该方法利用DS证据理论融合多级尺度ROA算子输出响应,在融合过程中引入检测不确定性.并通过分析ROA算子检测门限与虚警率的关系设计基本可信度分配函数(BPAF),使得检测不确定性在门限处达到最大值.实验通过检测结果比较以及列表分析,表明本文算法能够有效降低边缘检测不确定性.     

改进Yolo-v3的视频图像火焰实时检测算法

为解决现有视频图像火焰检测方法精度低、速度慢的问题,提出了改进Yolo-v3的视频火焰实时检测算法.首先,在特征提取阶段,通过进一步融合多尺度特征提高网络对图像浅层信息的学习能力,以实现小火焰区域的精准识别;其次,在目标检测阶段,利用改进的K-means聚类算法优化多尺度先验框以适应火焰不同尺寸;最后,在改进Yolo-...     

无人机采场图像二维经验小波变换降噪研究

针对传统图像降噪方法难以适用于露天矿无人机(UAV)图像降噪的问题,该文提出了一种基于经验小波变换(EWT)算法思想的露天矿UAV图像快速降噪方法。采用Littlewood-Paley小波算子检测提取UAV图像噪声特征,以提高阈值函数匹配精度;借助改进的自适应H阈值函数对UAV图像噪声进行计算,提高UAV图像边缘细节度;并通过二维经验小波变换逆重构,从而提高UAV图像纹理精度。实验结果表明,本文算法能够实现露天矿UAV图像的快速降噪,保留边缘细节和纹理特征,并具有较好的降噪效果。     

基于改进YOLOv5的无人机影像道路裂缝检测方法

道路裂缝的出现对道路使用寿命和人车安全带来明显影响,需及时检测出道路裂缝。针对无人机影像中裂缝目标小、图像背景复杂导致检测精度低等问题,本文以无人机采集裂缝图像作为研究数据,提出了一种改进YOLOv5模型的深度学习道路裂缝检测方法。在YOLOv5模型骨干网络中分别加入CBAM、SimAM、CA注意力机制,提高模型对裂缝的识别能力及检测精度,通过消融试验进行对比分析,同时在YOLOv5模型上融入自适应空间特征融合算法,改善裂缝特征提取能力。研究表明,改进后的YOLOv5网络模型相比于原模型,精度得到明显提高,均值平均精度(mAP)提升20.6%,在保证准确性的同时有效提高了检测精度,可为道路裂缝检测提供新的方法。     

融合多特征的遥感影像变化检测

常规多时相遥感影像变化检测主要基于光谱信息,没有充分利用纹理、几何、形状等多种特征信息,不足以体现检测目标的完整性和准确性。本文针对不同特征在变化检测中应用的优势,在提取影像多种特征的基础上,构建了1维和多维两种基于信息融合策略的变化检测方法,即利用1维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测。利用多时相QuickBird高分辨率遥感影像进行城市土地覆盖变化检测试验,结果表明,本文方法可以有效集成不同特征的优势与表征变化信息的能力,提高变化检测过程的稳定性和适用性,同时能够更好地保持变化地物的结构和形状,突出主要变化目标。     

融合多特征的遥感影像变化检测方法

本文提出了一种面向对象的多特征融合的变化检测方法。首先通过影像分割获取像斑,然后统计各像斑的光谱直方图和LBP(local binary patterns)纹理直方图,利用G统计量计算不同时期像斑之间的光谱距离和纹理距离,采用自适应的方法将光谱距离和纹理距离加权构建像斑的异质性,最后结合EM(expectation maximization)算法和贝叶斯最小错误率理论获取像斑的变化类别。在QuickBird影像上的实验表明该方法能够充分融合光谱特征和纹理特征,从而提高变化检测的精度。     

COSMO-SkyMed颜色变换强度RC法南京建设用地变化检测

基于非局部滤波的SAR强度RC合成变化检测法对小图斑、线型地物等动态监测灵敏,且对数据获取无时空基线要求,在多云多雨城市地表要素变化检测中具备潜力。本文研究以多时相SAR强度RC合成图为数据源,提出一种基于色彩空间变换的变化图斑半自动提取方法,即通过色彩空间转换、训练样本选取、监督分类影像分割、变化区域提取4步骤,可实现基于SAR强度图的城市建设用地动态监测与图斑高效更新。选取南京河西新城与江北新区为示范,以最优参数配置（3特征向量与10样本类别）进行试验,实现了优于88%的建设用地查准率指标。     

结合均值漂移分割与聚类分析的遥感影像变化检测

针对传统遥感影像变化检测方法对前后期影像数据质量要求高、适应范围窄、检测精度较低等问题,本文在引入异常点检测思想的基础上,提出了一种结合均值漂移分割与聚类分析的遥感影像变化检测方法。首先将前期地理国情矢量数据与待监测的遥感影像进行地理配准;然后在地理国情矢量数据的基础上对遥感影像作均值漂移算法二次细分割,获得的矢量图斑继承了原有父级类属性,并对同一父级类的影像图斑进行光谱、空间、纹理、指数等特征提取;最后采用高斯混合模型与最大期望值算法聚类获得多个类别,在父级类下找出异常类别的图斑。通过试验对比分析,表明了本文方法的有效性和可靠性,为遥感影像变化检测提供了新思路。     

半监督离散势理论在遥感影像变化检测中的应用

随着遥感技术的发展,遥感影像变化检测作为一种有效的技术手段,在环境监测、灾害救援等领域发挥了重要作用。然而地物复杂、标记困难等问题导致有效的变化检测存在一定的困难。本文提出了一种基于半监督离散势理论的遥感影像变化检测方法。该方法首先采用一种新的标记样本点的方法得到训练集,然后利用KNN方法构造复杂网络,最后对复杂网络中经典Wu-Huberman算法进行改进并划分网络。所得到的两个社团结构恰好对应了变化部分和不变部分。试验结果表明,基于半监督离散势理论的变化检测方法具有良好的变化检测性能。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

A Remote Sensing Image Fusion Algorithm Based on the Second Generation Curvelet Transform and DS Evidence Theory

A new method of remote sensing image fusion is proposed based on the second generation Curvelet transform and Dempster-Shafer (DS) evidence theory. In this paper, the remote sensing images are decomposed by the Curvelet transform to get the coefficients and optimize the high coefficients with DS evidence theory. Firstly, the high resolution and multispectral remote sensing images are decomposed by the Curvelet transform to get the Curvelet transform coefficients of all layers (Coarse, Detail and Fine scale layer). Secondly, the Coarse scale layer is used the maximum fusion rule. The Detail scale layer is used by the weighted average fusion rule. The Fine scale layer is optimized by the DS evidence theory. Get the three features of the Fine scale layer coefficients. The three features are the variance, information entropy and energy. Use the features to be some parameters belief function and the plausibility function. Then compose the mass function and get new fusion coefficients. Finally, the fused image is obtained by the inverse Curvelet transform. The experimental results show that the new algorithm can more effectively than wavelet and other traditional fusion algorithms such as HIS, brovey in the remote sensing image fusion.     

长时间序列Radarsat图像的神经网络模拟及土地覆盖变化的快速检测

土地覆盖的短期时空变化模式研究,对土地覆盖的快速、动态监测具有重要意义,也是遥感研究的新热点。本文利用2000—2001年的时间序列Radarsat图像,采用功率谱分析方法,对土地覆盖的短期时—空变化的周期特征进行了分析,由此建立了基于时间序列影像分析的神经网络预测模型,从植被主要生长季节的时间序列雷达卫星影像获取训练样本,对研究区域的典型土地覆盖的短期动态变化过程进行了学习。学习后的模型能够利用多个时间序列的Radarsat影像对下一时刻的影像进行模拟,并进一步检测变化。在模拟结果基础上,定义相对变化距离函数和检测门限,对模拟影像及实际影像中的变化区域进行了检测。检测精度范围在66.67%(农村居民点)—91.67%(水体)之间,平均检测精度为81.66%。由于时间序列信号的引入,神经网络模型能够较好地获取土地覆盖的短期动态变化信息。     

面向对象的遥感变化检测研究

通过分析传统的遥感变化检测方法存在的问题,提出了面向对象的遥感变化检测方法。本文利用某地ETM+两个时相的遥感影像,将面向对象和传统变化检测方法进行定性定量的比较,从而得出面向对象的遥感变化检测方法的优势。该方法采用了基于相邻影像区域合并异质性最小的面向对象的多尺度分割方法和模糊分类的方法对变化检测图像进行处理,从而提高了变化检测结果的精度。最终得到较理想的实验分析结果。