高分辨率遥感影像飞机目标的双阶段检测方法

针对现有方法进行真实应用场景中大批量的遥感影像进行特定目标检测时耗时且困难的问题,该文根据由粗到精的思路提出了一种遥感影像飞机目标的双阶段检测框架。首先,对预训练模型进行迁移训练,在下采样影像中利用机场检测模型搜索机场区域,实现对目标区域的锁定。然后,对机场场景,利用第二次迁移的模型进行飞机目标检测。结果表明,所提方法可以提高遥感影像检测飞机目标的效率和精度。通过不同阶段的筛选可以去除大部分无效区域,有效避免了在非机场区域产生的误检,提高了准确率。     

一种高分辨率可见光遥感影像中车辆目标检测方法

在高分辨率遥感影像中检测车辆目标是影像识别和检测的重要研究方向,能够为宏观交通状态判别提供支撑.本文设计了一种快速有效的基于高分卫星影像的车辆目标检测方法.该方法首先将与遥感影像对应区域的已有矢量面状道路对影像进行掩膜处理,仅留下影像中道路部分,再采用Otsu双阈值法分割道路中的暗色车目标和亮色车目标,最后利用车辆目标的形态特征对其进行检索,以获得车辆目标的检索结果.试验表明,本文方法具有较好的检测效果.     

一种高分辨率遥感影像汽车识别检测方法

地物的自动识别一直是遥感影像处理领域的研究热点,目前已经形成了一些比较成熟的地物识别方法,如面向对象、支持向量机和BP神经网络等方法,均可得到较好的识别效果,但大都存在算法效率低,精度差、自动程度不高,需要大量人工参与等问题。本文尝试将基于机器学习算法的目标自动识别标注技术应用于遥感影像信息提取,在利用worldview2全色影像数据进行汽车识别研究的基础上,提出了在Microsoft Visual C++平台下利用OpenCV函数库,提取样本图像Haar特征,并采用Adaboost算法训练分类器,在高分辨率遥感影像上进行汽车自动识别、提取的新方法,并总结归纳了技术方法流程及相关程序。     

一种高分辨率彩色遥感影像的道路检测方法

提出了一种采用FLD特征抽取分类和形状特征相结合的道路检测方法。首先,对标记的样本进行颜色信息的抽取;其次,利用Fisher线性判别对抽取的信息进行遥感影像特征分类,将影像分为道路和非道路两类;然后根据分类结果进行阈值分割检测初步道路网;最后利用道路的形状特征和形态学处理去除误提的信息优化检测结果。实验证明,该方法可以实现具有颜色信息的遥感影像主干道路的检测。     

一种高分辨率遥感影像阴影去除方法

基于阴影属性提出了一种全自动彩色影像阴影去除算法。首先将影像变换到HSI空间,依据阴影区域亮度值低和饱和度高的特性,结合小区域去除和数学形态学处理,得到精确的阴影区域。然后,分别对I、H、S分量图上各个独立阴影区域与其邻近的非阴影区域进行匹配补偿,再反变换回RGB空间,完成阴影去除操作。实验结果表明,该方法能在不改变非阴影区域信息的情况下,有效地去除阴影的影响。     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进...     

多特征融合的高分辨率遥感影像飞机目标变化检测

为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。     

一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

一种新的高分辨率遥感影像城区提取方法

利用城区特有的局部特征,提出了一种新的高分辨率遥感影像城区提取方法。该方法首先对原图像做多角度和多频率组合的Gabor变换,然后利用Ostu方法阈值分割所有变换结果,并在每个中心频率上对各个方向的阈值分割图做逻辑与运算,其次根据运算结果图上Gabor特征的分布情况,确定适合影像的最优中心频率,最后利用滤波器在最优中心频率上的特征提取结果,结合高斯函数构建空间投票矩阵,最终提取城市区域。实验表明,该方法可以成功地提取高分辨率影像城市区域,且具有较高的准确度。     

基于深度学习的高分辨率遥感影像目标检测

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一种分层的深度学习模型,通过设定特定意义的分层方法建立目标语义表征及上下文约束表征,以实现高精度目标检测。通过对高分遥感影像目标检测的试验,证明了该方法的有效性。     

一种基于高分辨率遥感影像的建筑物提取方法

在总结各种传统基于像素统计特征建筑物提取方法优缺点的基础上,本文结合高分辨率遥感影像的特点,通过对高分辨率遥感影像房屋的光谱特征和几何特征的分析,提出了一种基于高分辨率遥感影像的建筑物提取方法;并采用ERDAS,PCI等遥感软件,结合VC编程工具对该方法的可行性和有效性进行了实验分析与验证。     

一种新的高分辨率遥感影像模糊监督分类方法

针对高分辨率遥感影像分类中由于细节特征突出、同质区域光谱测度变异性增大所带来的像素类属的不确定性及模型的不确定性等造成的误分结果,提出一种基于模糊隶属函数的监督分类方法。对同质区域定义高斯隶属函数模型用来表征像素类属不确定性;模糊化该隶属函数参数建立影像模糊隶属函数,以建模同质区域光谱测度的不确定性;用训练样本在所有类别中的模糊隶属函数及原隶属函数（高斯隶属函数）中的隶属度为输入,建立模糊线性神经网络模型作为目标函数,实现分类决策。该算法和经典算法对World View-2全色合成影像及真实影像进行定性和定量分类实验,分类结果验证了文中方法具有更高的分类精度。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

一种高分辨率遥感图像舰船检测方法研究

本文针对传统舰船检测方法在复杂海况条件下检测结果不佳,易造成大量虚警的问题,提出了在利用自适应分割算法进行舰船快速筛选的基础上采用方向梯度直方图(HOG)特征提取舰船的边缘结构信息,通过监督学习进行舰船检测虚警滤除的新算法。与现有算法相比,这种算法克服了由云、浪造成的舰船目标虚警滤除问题,在保证鲁棒性的同时兼顾了算法效率,并使用该方法对遥感图像进行了检测试验。     

一种飞机目标的遥感识别方法

高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。     

一种高分辨率卫星影像自动云检测方法

针对多数已有的卫星影像云检测方法利用云独特的光谱特征、构造指数图像进行云识别的方法,对传感器、环境参数、云层类型等比较敏感的问题,提出了一种改进HIS模型的高分辨率卫星影像自动云检测方法,以有效弥补传统纹理分析方法计算精度低、效率低下的问题.采用两景国产高分二号遥感影像进行试验.结果 表明,该方法错误率低于5％、查全率高于92％、查准率高于95％.     

结合高效通道注意力的轻量级遥感影像目标检测方法

针对常规遥感影像目标检测模型难以在机载、星载等低算力场景下部署的问题,本文提出一种轻量级遥感影像目标检测模型。模型通过Ghost特征提取模块与高效通道注意力机制组成轻量级骨干网络来进行特征提取与筛选,然后将获取到的特征图送入融合金字塔中生成3张语义特征更为丰富的特征图参与多尺度目标检测。在多源混合数据集上的测试结果表明,本文模型对各类别目标的检测精度均优于其余对比模型,对不同场景下的目标具有良好的泛化能力。训练后模型占用内存小,推理参数量低,在低算力的测试场景下也能够进行实时检测,适合部署于算力较低的边缘计算场景。     

一种遥感影像机场ROI检测方法

提出了一种卫星遥感影像中机场兴趣区(ROI)检测的方法.该方法采用由上而下的知识驱动策略,以机场知识库为基础,根据遥感影像中机场ROI检测的原则,有针对性地选择和组织影像处理的成熟算法提取影像中的感兴趣特征;并将其与机场知识模型进行多层次的推理和判断,最终确定机场ROI影像位置并输出结果.实验表明,基于知识的机场ROI检测方法在提高检测速度,增强可靠性方面具有一定的优势,并能够有效地降低大幅面遥感影像的处理难度.     

一种融合光谱匹配和张量分析的高分辨率遥感影像目标探测器

提出了一种基于光谱分析理论和张量代数理论的高分辨率遥感影像目标探测器。首先在向量空间中对目标光谱进行特征匹配;然后对光谱特征与目标相似的像素进行空间\\|光谱特征一体化张量描述,进而在张量特征空间中对目标和背景进行分类。实验表明,张量学习机能够有效地对高分辨率影像进行目标识别。加入光谱特征匹配后的目标探测器能够极大地降低目标探测时间,同时进一步提高目标探测精度。