基于形状与纹理特征的高分辨率SAR影像桥梁目标自动提取方法

基于高分辨率SAR影像中桥梁目标特征的分析,提出了一种桥梁目标自动提取方法。首先使用多影像时序平均法对SAR影像进行预处理,去除SAR影像噪声;再使用阈值法对水体分割;最后采用形状特征与纹理特征相结合的方法提取桥梁目标。本方法在提取效果上明显优于传统桥梁目标提取方法,其提取准确率可达87.5%。证明本文方法在面向高分辨率雷达影像的桥梁目标自动提取应用上的可靠性和可行性。     

基于Encoder-Decoder网络的遥感影像道路提取方法

针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。     

多层特征与上下文信息相结合的光学遥感影像目标检测

目标检测是遥感影像分析的基础和关键。针对光学遥感影像中目标尺度多样、小目标居多、相似性及背景复杂等问题,本文提出一种将卷积神经网络(CNN)和混合波尔兹曼机(HRBM)相结合的遥感影像目标检测方法。首先设计细节—语义特征融合网络(D-SFN)提取卷积神经网络低层和高层融合特征,提升目标特征的判别力,特别是小目标;其次考虑上下文信息对目标检测的影响,结合上下文信息进一步加强目标表征的准确性,提升检测精度。在NWPU数据集上试验表明,本文方法能够显著提升目标检测精度且具有一定程度的稳健性。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

面向对象高分辨率影像信息提取中的尺度效应研究

研究了遥感信息提取中的尺度效应问题,进行了影像对象分形维数、紧凑度、面积、均值、标准差和与邻域均值差分等指标的实验研究,发现所有类别对象的这些指标值都会随尺度变化发生不同程度的变化,相同的地物在不同的尺度上的表现均是不同的,不同目标在影像上具有的特征值、尺度是不同的,需要在最佳尺度影像中提取感兴趣信息。     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。     

分水岭变换在遥感影像线状特征提取中的应用

在现有目标识别方法的基础上 ,提出一种结合目标的特性进行分水岭变换提取目标的方法。试验结果表明 ,这种方法可以有效地从遥感影像中提取线状特征。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

Small target extraction based on independent component analysis for hyperspectral imagery

A small target detection approach based on independent component analysis for hyperspectral data is put forward. In this algorithm, firstly the fast independent component analysis(FICA) is used to collect target information hided in high-dimensional data and projects them into low-dimensional space. Secondly, the feature images are selected with kurtosis. At last, small targets are extracted with histogram image segmentation which has been labeled by skewness.     

Small target extraction based on independent component analysis for hyperspectral imagery

IntroductionFeature extraction or transformation is a key stepfor target detection in hyperspectral imagery. Thepurpose is to transform the high-dimensional imageinto low-dimensional image series so that the differ-ences between the targets and the backgr…     

基于分布异常的高光谱遥感影像小目标检测算法

提出一种基于分布异常的高光谱遥感影像小目标检测方法。该算法用基于近似相对熵的实码遗传优化投影寻踪方法(RCGOA-PP),有效地将高维数据中隐藏的目标信息集中投影到低维空间中,并用直方图分割的方法提取出小目标。实验证明,此算法精度较高,适用于对高光谱影像中的小目标进行检测。     

独立成分分析的高光谱异常变化检测

遥感探测到的小目标信号一般是弱信号,利用传统的高光谱异常变化检测方法直接抑制背景来突出异常变化目标,往往导致小目标弱信号同时被抑制,造成目标探测率低、虚警率高。基于独立成分分析方法,研究了弱信号小目标的高光谱变化检测模型,该模型首先通过投影寻踪将异常变化影像投影到独立成分,突出异常变化目标,然后再抑制背景,从而达到异常变化目标和背景的有效分离。该模型可以有效降低虚警率,提高探测率。利用模拟数据和真实数据进行了精度验证,结果表明,利用模拟数据得到的探测精度为99%,利用真实数据得到的检测精度为86%,与传统异常变化检测算法相比,精度最高提高了9%。本文研究方法适用于弱信号小目标的高光谱异常变化检测。     

利用主成分背景抑制的红外目标检测

提出了一种基于主成分背景抑制的红外目标检测算法。首先分析了红外成像的时空相关性,采用主成分分析技术分解时域关联信息抑制背景杂波;接着采用空间关联模糊自适应共振神经网络建立时空背景模型检测目标。实验结果显示,该算法能有效地抑制背景突显目标和检测出复杂场景下的红外目标,其F1指标值高达94.2%。     

Automated Target Detection and Discrimination Using Constrained Kurtosis Maximization

Exploiting hyperspectral imagery without prior information is a challenge. Under this circumstance, unsupervised target detection becomes an anomaly detection problem. We propose an effective algorithm for target detection and discrimination based on the normalized fourth central moment named kurtosis, which can measure the flatness of a distribution. Small targets in hyperspectral imagery contribute to the tail of a distribution, thus making it heavier. The Gaussian distribution is completely determined by the first two order statistics and has zero kurtosis. Consequently, kurtosis measures the deviation of a distribution from the background and is suitable for anomaly/target detection. When imposing appropriate inequality constraints on the kurtosis to be maximized, the resulting constrained kurtosis maximization (CKM) algorithm will be able to quickly detect small targets with several projections. Compared to the widely used unconstrained kurtosis maximization algorithm, i.e., fast independent component analysis, the CKM algorithm may detect small targets with fewer projections and yield a slightly higher detection rate.     

基于ETM+影像的绿地信息提取方法研究

文中以ETM+影像为数据源实现对贵阳市某城区的绿地信息提取。对获取的影像进行预处理,分别通过不同的方法:原始波段组合法、主成分分析法(PCA)、独立分量分析法(ICA)、归一化植被指数法(NDVI)及基于第一独立分量的实验室波段组合法,获取研究区的假彩色合成影像。将以上方法得到的影像数据进行对比分析,表明植被景观目视效果最好的是原始波段组合法。将得到的影像数据进行监督分类,通过目视解译的方法进行精度评价,结果表明,基于第一独立分量的实验室波段组合法绿地信息提取精度最高,是一种有效的绿地信息提取方法。     

时间序列InSAR技术中的形变模型研究

时间序列InSAR技术,包括PS-InSAR技术和小基线集InSAR技术, 能有效克服传统D-InSAR的失相干限制, 逐步成为形变测量中的实用化技术。但是, 现有时间序列InSAR技术主要采用线性函数对真实形变进行模拟, 在真实形变呈现强烈的非线性时, 这种处理将不能得到正确的形变结果。本文就时间序列InSAR的形变模型问题展开研究, 首先从干涉相位模型解算的方法入手, 深入分析了线性形变模型的不足, 当干涉点目标的密度不够并且真实形变的非线性较强时, 干涉相位方程的解将会发散。根据魏尔斯特拉斯逼近定理, 提出以高阶多项式取代线性形变模型, 并给出了基于多项式形变模型的干涉相位方程解算方法。 利用太原市2003-2009年的23景ENVISAT ASAR影像, 分别采用线性形变模型和三次多项式形变模型, 利用小基线集技术进行了形变反演。将这两种方法得到的结果分别与水准测量结果进行了比较。结果表明, 采用多项式形变模型不仅能取得更高的形变测量精度,而且能提高点目标的密度。由于高阶多项式总能比低阶多项式更准确地拟合连续函数, 因此本文提出的多项式形变模型在时间序列InSAR形变监测中具有广泛的应用价值。     

基于主成分抑制的高光谱图像异常目标检测方法

高光谱图像异常目标检测主要用于检测图像中的区别于背景环境的异常目标,为图像目标的判读提供一个初步的判断,是高光谱图像应用的一个重要内容。本文在研究现有异常目标检测算法的基础上,采用基于主成分抑制和顶点成分分析相结合的方法,对实验图像中的异常目标进行了检测,取得了较好的效果。     

Segmented Principal Component Analysis for Parallel Compression of Hyperspectral Imagery

Principal component analysis (PCA) is widely used for spectral decorrelation in the JPEG2000 compression of hyperspectral imagery. However, due to the data-dependent nature of principal components, the principal component transform matrix is stored in the JPEG2000 bitstream, constituting an overhead that is often negligible if the spatial size of the image is large. However, in parallel compression in which the data set is partitioned to multiple independent processing nodes, the overhead may no longer remain negligible. It is shown that a segmented approach to PCA can greatly mitigate the detrimental effects of transform-matrix overhead and can outperform wavelet-based decorrelation which entails no such overhead.