基于CNN-CBIR的遥感图像分类检索方法

遥感图像海量性、复杂性与多样性特征导致现有方法出现查全率、查准率低的问题,无法满足现今遥感图像应用的需求,故提出基于卷积神经网络-图像检索(Convolutional Neural Networks-Content-Based Image Retrieval,CNN-CBIR)的遥感图像分类检索方法研究.为了精确分类遥感图像,基于卷积神经网络-深度卷积神经网络-16(Convolutional Neural Networks-Visual Geometry Group Net-16,CNN-VGGNet-16)模型提取遥感图像卷积特征与池化特征,通过有效融合得到遥感图像高层聚合特征,以此为基础,采用模糊分类算法分类处理遥感图像,依据遥感图像分类结果,利用基于内容的图像检索(Content-Based Image Retrieval,CBIR)技术制定遥感图像分类检索程序,实现了遥感图像的分类检索.选取数据集图像遥感数据集(UC-Merced)与武大遥感数据集(WHU-RS)作为实验数据集,确定最佳池化区域尺寸与最佳输入尺寸,采用MATLAB软件进行仿真实验.仿真实验数据显示:与标准数值相比较,提出方法的查全率与查准率较高,充分说明提出方法具备更好的检索性能.     

基于目标关联的多源卫星遥感图像兵营融合检测方法

目前的目标融合检测方法大都是基于多源遥感图像配准的,然而在实际的应用中,成像机理不同的多源遥感图像的精校正和图像间的配准是十分复杂的,难以确保其配准精度.为此,本文提出了一种基于目标关联的多源卫星遥感图像的兵营融合检测方法.该方法不对图像进行配准,而是根据单源图像的目标自动检测结果,利用图像的大地坐标信息,截取包含目标的同一地区的局部遥感图像,再分别提取多源遥感图像目标的特征,并根据其中冗余的特征,对提取的目标区域建立关联,再由关联检验确保特征关联的正确性,最后对目标特征进行融合决策,得到目标融合检测结果.实验结果表明,该方法能有效地利用多源遥感图像的信息,降低遥感图像目标检测的误判率,提高目标特征的准确度.     

高分一号多光谱遥感数据的面向对象分类

文章针对高分一号(GF-1)高分辨率遥感数据,提出了一种基于多特征的面向对象遥感图像分类算法:首先,对GF-1卫星数据进行分水岭分割,并利用仿射不变矩形状特征算子获得遥感图像的几何特征;其次,利用主成分分析和灰度共生矩阵获得遥感图像的纹理特征;然后,基于多特征数据进行均值漂移滤波,并利用自动标记分水岭分割方法实现遥感图像分割;最后,结合基于像元的最大似然监督分类结果做投票分类处理,从而实现面向像元与面向对象相结合的遥感数据分类.以高分一号遥感数据进行分类实验,结果表明:本文方法可有效地提高遥感图像分类精度.     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

一种频域高分辨率遥感图像线状特征检测方法

高分辨遥感图像中线状特征等的自动识别与提取是进行遥感图像分析与理解等高层次图像工程的前提和基础,但由于高分辨率遥感图像中细节信息异常丰富,这给特征的提取带来很大干扰。本文引入了一种基于方向和频率特征的遥感图像频域线状特征检测方法,该方法首先通过傅氏变换将图像变换到频率域,在详细分析线状特征和谱线的关系,线状特征和图像频率之间关系的基础上,基于分析得到的方向和频率的参数构造Gabor滤波器进行图像线状特征的提取。并以Quick bird高分辨率遥感图像进行相关提取实验,实验结果表明该方法较好地提取了图像的线状特征,为基于具体频谱分析的高分辨率遥感图像特征的精确提取提供了新思路和方法上的借鉴。     

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.     

基于压缩感知的无人机航拍遥感图像动态重构方法

针对当前无人机航拍遥感图像动态重构效果不佳,图像清晰度较低的问题,提出基于压缩感知的无人机航拍遥感图像动态重构方法.构建无人机航拍遥感影像降质模型,获取图像特征信息,进一步对无人机航拍遥感图像进行降噪预处理,更好地提高无人机航拍遥感图像的分辨率、光谱和多时相趋势,有效解决采样数据量大、采样时间长、数据传输存储量大等资源浪费问题.最大程度上提高无人机航拍遥感图像的采样率、降低无人机航拍遥感图像动态重构复杂度,有效获得高质量的图像重建的研究要求.实验结果表明,提出的基于压缩感知的无人机航拍遥感图像动态重构方法正确有效,优于目前的主流方法.     

一种基于小波系数特征的遥感图像融合算法

多光谱图像和全色图像是目前卫星遥感领域最常见的传感器图像.为了更充分地发挥这两类遥感图像数据的价值,人们利用两类数据的互补性,将多传感器融合技术引进了遥感图像处理领域.在IHS彩色空间变换和小波多分辨率分析的基础上,利用图像高频小波系数的多个特征来定义特征量积,并利用特征量积作为依据提出了一种图像融合新算法.通过一组多光谱图像和全色图像数据进行融合仿真试验,并将该算法与IHS,HPF等算法和归一化矩算法作了比较.证明该方法能在保留多光谱图像光谱信息的基础上,有效地提高多光谱图像的空间分辨率.     

基于模糊马尔可夫随机场的无监督遥感图像分割算法

遥感图像分割是对遥感图像进行处理的最为关键的一步.马尔科夫随机场模型作为先验模型,在图像分割领域已经得到了广泛的应用,实践证明该模型有助于提高图像分割的效果.但是由于环境和传感器的影响,遥感图像具有灰度变化大、纹理复杂及边界模糊等特点,经典的马尔科夫随机场模型在遥感图像分割中的分割效果通常并不理想.本文针对遥感图像分割中某些像素分类的不确定性,建立了模糊马尔可夫随机场模型(FMRF).该模型结合分割问题中的随机性与模糊性,更合理地获取了图像的先验知识,较好地符合了遥感图像的特点,因而使得图像分割过程中使用先验知识更为准确.同时算法针对遥感图像的特点,结合了图像的灰度特征和纹理特征,从而使其能更准确地区分图像中的不同类.为使两种特征能够很好地结合,本文采用了贝叶斯分割方法,使用权值对图像特征进行权衡.同时本文采用最大期望算法(EM)对不完整的数据进行估计,应用模拟退火算法(SA)获得全局最优解,从而实现了无监督分割.实验证明,对于SAR图像,该方法较经典的马尔可夫随机场(MRF)算法和模糊C-均值(FCM)算法更好地处理了边缘的混叠,明显减少了斑点噪声,使分割结果更加准确.     

高分辨率遥感图像频域特征提取与图像分割研究

遥感图像分割是面向对象识别的关键,论文基于频谱分析理论与频域滤波方法,对IKONOS卫星图像的特征提取与图像分割技术进行了研究,根据振幅和相位信息提取遥感图像的纹理和边缘特征,并提出多频段标记算法实现了结合纹理和边缘特征的图像分割.论文主要研究内容与结论包括:     

基于生成对抗网络的遥感样本生成方法

针对扩充建筑垃圾遥感图像样本集问题,本文基于Wasserstein对抗生成网络,在网络整体流程中加入结合自适应直方图均衡化与图像融合的对比度调整方法,并对网络内部模型生成器与判别器模型进行调整。经原始网络与改进网络生成图像试验后,使用CS-LBP算子与颜色直方图进行评估分析。试验证明,经过改进的WGAN网络生成图像有显著的纹理特征与颜色特征,均方根误差降低22.6%,更符合原始图像的特征分布,边界明显色块鲜明,符合现实世界遥感图像特点。可生成大量样本进行后续的基于大样本的建筑垃圾识别研究。     

聚合CNN特征的遥感图像检索

针对高分辨率遥感图像检索中手工特征难以准确描述图像的问题,提出聚合卷积神经网络(convolutional neural network,CNN)特征的方法来改进特征表达。首先,将预训练的CNN参数迁移到遥感图像,并针对不同尺寸的输入图像,提取表达局部信息的CNN特征;然后,对该CNN特征采用池化区域尺寸不同的均值池化和视觉词袋(bag of visual words,Bo VW) 2种聚合方法,分别得到池化特征和Bo VW特征;最后,将2种聚合特征用于遥感图像检索。实验结果表明:合理的输入图像尺寸能提高聚合特征的表达能力;当池化区域为特征图的60%～80%时,绝大多数池化特征的结果优于传统均值池化方法的结果;池化特征和Bo VW特征的最优平均归一化修改检索等级值比手工特征分别降低了27. 31%和21. 51%,因此,均值池化和Bo VW方法都能有效提高遥感图像的检索性能。     

关于IKONOS卫星遥感图像的分形特征研究

通过计算IKONOS卫星遥感图像多波段数据各种地物类型的分形维数,分析IKONOS卫星遥感图像的空间结构特征.结果显示,IKONOS多光谱数据的空间特征对分析现实世界的空间特征具有重要的意义;不同地物的空间结构差异很大,具有各自的分形特征曲线;同一地物的不同波段图像中的图像结构也有差异.     

基于形态分割的高分辨率遥感影像道路提取

基于灰度形态学,提出一种从高分辨率遥感图像提取道路网络的方法.首先利用灰度形态特征对遥感影像进行分割,进而得到基本的道路网络轮廓.然后在此基础上,利用线段特征匹配方法提取道路网络.提出的方法能适应于从道路和背景区别不很清楚的遥感图像中提取道路.实验结果也表明,本文方法能有效地从遥感影像中提取道路网络.     

基于K-L变换的多光谱遥感图像检索方法研究

在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法。针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,将多维图像降维处理,在此基础上提取遥感图像的光谱特征,通过检索图像与目标图像的光谱特征对比实现多光谱遥感图像的检索,并通过实验验证了本文方法的有效性。     

基于边缘的多光谱遥感图像分割方法

从Marr视觉计算理论和Tobler地学第一定律出发,提出了基于边缘的多光谱遥感图像分割方法.在基于边缘的多光谱遥感图像分割方法中,由边缘检测、边缘综合、边缘生长、区域标号等环节组成.该遥感图像分割方法在可视化开发平台Delphi中予以编程实现.将之应用于日本熊本市（Kumamoto）的Quickbird多光谱遥感图像中,并与多种遥感分割算法进行了比较：（1）从多光谱遥感图像各波段亮度信息利用的程度上看,提出的遥感图像分割方法能充分利用多波段亮度信息;（2）从遥感图像分割结果上看,由于分别对不同的波段进行边缘检测,并在此基础上进行边缘综合、边缘生长,遥感图像中的细节特征得到了充分体现,遥感图像分割效果更理想;（3）从计算复杂度和计算效率上看,基于边缘的多光谱遥感图像分割法较其他分割方法有一定的优势.     

像素级和对象级高分辨率遥感图像变化检测分析

高分辨率遥感图像具有丰富的纹理信息,而像素级变化检测方法主要分析图像的光谱信息,导致将像素级变化检测方法用于高分辨率遥感图像具有一定的局限性.因此,本文提出了一种像素级与对象级相结合的高分辨率遥感图像变化检测方法,解决了像素级与对象级变化检测方法中存在的椒盐现象、误检等问题.首先,结合高分辨率遥感图像的多维特征,构建遥...     

基于Log-Gabor小波和Krawtchouk矩的遥感图像分类

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

一种遥感图像信噪比评估和度量准则

对遥感图像信噪比的研究,能够很好地反映在轨运行的不同卫星遥感器辐射性能的变化与衰退情况。由于在轨成像环境的差异,如果直接比较不同遥感图像间的信噪比关系,将与实际结果产生较大分歧。通过对遥感图像进行图像块划分、匀值图像块选取以及图像灰度值与成像时传感器入瞳辐亮度的关系转换,提出一种遥感图像间信噪比的评估和度量准则,以进行不同遥感图像信噪比的比较,实现全自动的信噪比评估及度量。并对我国卫星传感器在不同时期所成图像信噪比的关系进行分析,验证该信噪比评估和度量准则的可靠性。     

轮廓波变换在遥感目标图像检索中的应用

除具有纹理属性外,遥感图像中还包含大量的结构性边缘特征.如何有效捕捉这些特征中的信息进行检索,成为提高遥感图像检索效率的关键.依据Contourlet在离散域的多尺度几何分析的功能,提出一种利用Contourlet子带能量分布特性提取原始图像在多个尺度下的边缘方向信息进行检索的方法.针对Contourlet变换响应不同特征方向能力的差别,采用正交补偿法加以改正,经过傅里叶算子的处理,从而实现旋转不变结构性边缘特征的检索.最后,在遥感目标图像上所作的实验证实了该算法的有效性.