深度学习的遥感影像舰船目标检测

针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。     

一种结合非顶层特征图和自适应阈值的飞机目标检测算法

针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。     

基于全卷积网络的高分辨遥感影像目标检测

目标检测是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值。传统遥感影像目标检测方法多使用人工构造的浅层次特征,结合支持向量机、随机森林、Adaboost等分类器进行目标识别,难以充分挖掘和利用影像中的深层特征。近年来,深度学习,特别是卷积神经网络在图像认知方面取得了巨大成功。在目标检测领域,以Faster R-CNN算法为代表的方法取得了突破性进展,检测精度大幅提高,检测速度达到了近实时的性能。但是,Faster R-CNN算法由于使用了感兴趣区域（RoI）池化层,各个RoI计算不共享,因此检测速度依然有待提高。R-FCN基于全卷积网络结构,同时采用位置敏感池化来引入平移变化,抵消全卷积网络造成的平移不变形问题,检测精度和效率都有了很大的提高。本文阐述了R-FCN算法原理,并运用于高分辨遥感影像目标检测分析了不同参数和网络结构对R-FCN检测效果的影响,比较了利用Fast R-CNN、Faster R-CNN和R-FCN 3种算法进行飞机识别的性能。试验结果表明,利用R-FCN进行飞机识别定位可以达到99.3%的准确率和每张图180 ms的检测速度。     

基于改进Faster R-CNN的码头自动识别

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题。本文基于公开遥感数据集及Google Earth高分遥感影像构建了3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进：（1）采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;（2）采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率。实验结果表明,本文改进的Faster R-CNN算法FKSN（Faster R-CNN+K-Means+Soft-NMS）识别精度达到92.6%,相较Faster R-CNN算法精度提高了8.3%。将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2%和7.6%,说明本文方法对于各类码头目标识别具有更好的效果。基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径。     

基于Faster R-CNN的高分辨率图像目标检测技术

为提升传统算法对高分辨率遥感图像中地物目标的检测效果,将深度学习目标检测框架快速区域卷积神经网络(faster regions with convolutional neural network,Faster R-CNN)应用于高分辨率遥感图像目标检测任务中。以机场为检测场景、飞机为检测目标进行实验,首先,利用高分辨率遥感图像数据集训练Faster R-CNN框架,得到相应的目标检测模型;然后,采用该模型对高分辨率遥感图像中的飞机目标进行检测;最后,对实验结果进行统计分析及评价。实验结果表明,Faster R-CNN模型能够全面而准确地检测飞机目标,最优F1分数值为0. 976 3,并且同一个模型可以对多种高分辨率遥感图像进行目标检测。     

结合Faster R-CNN模型的遥感影像建筑物检测

高分辨率遥感影像场景复杂,其中建筑物目标种类结构各异且存在大量遮挡,现有检测算法使用特征表达性不强。结合Faster R-CNN模型设计一种针对遥感影像的建筑物检测方法。首先通过共享卷积网络获取原始影像的深层特征图;然后结合区域建议网络生成初步检测结果;最后根据Fast R-CNN检测网络对结果进行进一步判定和边界回归。针对困难样本造成的训练中断,对训练策略进行改进,通过近似联合训练的方法对模型参数同步调优。实验结果表明,该方法准确率和召回率明显优于DPM方法,对非训练测试集遥感影像具有较好鲁棒性,有效实现了针对遥感影像的建筑物检测。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。     

可变形网络与迁移学习相结合的电力塔遥感影像目标检测法

电力塔是电力基础设施的重要组成部分,对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低,效果差的问题,本文基于可变形网络和迁移学习对Faster R-CNN进行改进,提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分:①特征提取子网络,即利用可变形网络模型改进卷积层,来提高模型对于电力塔几何形变的特征提取能力;②目标检测子网络,即通过模型迁移,将由特征提取子网络训练获得的模型参数迁移至此子网络,由RPN网络和可变形区域池化结合非极大值抑制(NMS)精确获取电力塔位置,利用Fine-tuning技术快速训练此子网络,最终实现高精度的遥感影像电力塔检测。本文算法在测试集中对电力塔检测结果为AP_(0.5) 0.886 1,AP_(0.6) 0.839 6,ACC 0.894 8,与SSD、YOLOv3、Faster R-CNN等相比,各检测指标至少高0.2。由对比试验可以看出,该框架对电力塔遥感影像可以实现较高精度检测,表明该方法在电力塔检测上拥有较大应用潜力。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN（Region Proposal Network）机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

遥感图像目标检测的数据增广研究

针对目标检测的遥感图像样本数据量匮乏问题,使用几何和色彩两种数据变化方法对数据集进行增广,并利用Faster R-CNN目标检测算法分析了数据集增广对遥感图像目标检测的影响。在不同遥感图像数据集上进行实验,结果表明,相比于原始的训练集,增广后的训练集训练出的模型在测试集上的表现更好,目标检测准确度更高,且模型的泛化性得到明显提升。     

基于SURF算法和改进RANSAC算法的无人机影像匹配

影像匹配是诸多遥感影像处理和影像分析的一个关键环节,结合加速鲁棒性特征(SURF)算法和随机采样一致性(RANSAC)算法对影像进行处理,得到特征稳定、匹配点可靠的配准影像。首先提取影像的SURF特征,利用特征点的欧式距离比来完成影像之间的粗匹配;然后使用RANSAC算法对粗匹配点进行筛选;最后计算出图像间的变换矩阵,完成匹配。文中选择某城郊地区的无人机航拍影像,结合SURF算法,并改进RANSAC算法来对影像进行处理,实现影像的匹配,验证文中方法的可行性。     

基于AF-PSO求解缓和曲线非线性方程组

在线路测设工程中,根据缓和曲线内外侧地面点的实测坐标,推导出曲线非线性方程,解算出对应的曲线长具有一定的实际意义。针对传统牛顿迭代解法计算量大,对形式复杂方程不适用等问题,提出一种基于人工鱼群和粒子群的协同优化算法,该算法综合利用人工鱼群算法的良好全局收敛性和粒子群算法的局部快速收敛性、易实现性等优点,发挥两者的优越性。实例表明,人工鱼群和粒子群协同优化算法可以很好地应用到缓和曲线非线性方程组的求解中,且收敛速度快,求解精度高。     

接收机自主完好性监测的算法分析

RAIM技术在接收机端实现卫星完好性监测,因此,监测算法的原理、正确性和灵敏度值得分析与研究。文中给出了RAIM故障检测和识别的数学模型,同时给出了两者的完好性保证算法。对告警门限值、误警率、漏检率之间的关系进行了较为全面的分析,分析了故障检测和故障识别功能与误警率、漏检率之间的关系。分析结果表明:可视卫星数相同时,误警概率越低,FD和FI的精度越低;误警概率相同时,可视卫星数越多,FD的灵敏度越高,FI的灵敏度越低;RAIM可用性一定时,同时满足低漏检率和低误警率是不可能的。     

结合LOG算子和大津法的遥感影像边缘检测方法

针对遥感影像具有丰富的细节和混合噪声,采用传统高斯拉普拉斯(LOG)算子难以有效地提取遥感影像地物边缘信息,文章提出一种结合LOG算子和大津法(Otsu法)的遥感影像地物边缘信息提取算法。此算法采用中值滤波对原始影像进行消噪,利用Otsu算法对滤波后影像进行自适应阈值分割得到目标影像,采用LOG算子对目标影像进行边缘信息提取。以安宁某区域的遥感影像为例,实验结果表明,提出的算法与传统LOG算子相比,具有更高的提取精度,能有效地提取出遥感影像的真实边缘、减少伪边缘。     

GNSS观测值域增强PPP定位中综合改正数质量控制算法

若全球卫星导航系统(GNSS)观测值域综合改正数中存在粗差或周跳则不可避免地会影响精密单点定位(PPP)增强的定位结果. 针对综合改正数中可能存在的异常,对综合改正数质量控制方法开展研究并提出异常识别与控制算法. 该算法根据综合改正数特点,利用经过频间和二阶历元间差分后的综合改正数组合值采用中位数法进行异常识别与定位,并对使用该异常值的卫星采用模糊度重新初始化、降权或剔除方法进行控制处理,以减少异常值对结果的影响. 以平均边长为26 km的部分香港连续运行参考站(CORS)组成的参考网以及科廷大学提供的零基线数据对该方法验证,结果表明:对30 s采样间隔的数据该方法能够有效探测出差分组合值中大部分1周以上的较大异常和部分1周以内的异常,有效控制部分异常值对定位结果的影响.      

海洋二号卫星微波散射计面元匹配

面元匹配是散射计海面风场反演的重要预处理步骤。为保障海洋二号卫星散射计(HSCAT)业务化海面风场反演,提出了一种可业务化运行的HSCAT面元匹配算法。HSCAT面元匹配算法包括地面网格划分和后向散射系数观测结果重采样两个关键部分。为简化计算,HSCAT采用以星下点轨迹为中心,以顺轨向及交轨向为坐标轴,分辨率为25 km×25 km的网格划分方式。重采样利用卫星星下点经纬度数据,对每个后向散射系数观测结果,以后向散射系数与各星下点球面距离的最小值为依据进行交轨向重采样,并以取得距离最小值所对应的星下点与该轨数据星下点起始位置的距离为依据进行顺轨向重采样,实现对后向散射系数观测结果的面元匹配。实验和对比结果表明,提出的面元匹配算法可对后向散射系数进行有效的重采样,风矢量面元的位置分布均匀,每个风矢量面元均有足够数量的独立观测后向散射系数,可在全球范围内满足高质量海面风场反演的要求。     

A progressive line simplification algorithm

An application of line simplification considering spatial knowledge is described. A method for identifying potential conflict regions, in order to avoid the self-intersection of generalized, lines, is also discussed. Further-more, a new progressive line simplification algorithm is presented. From the view point of spatial cognition, a spatial hierarchical structure is proposed, and its application to construction of spatial knowledge related to a line is explained.     

BEMD-based two-dimensional SAR autofocus algorithm

The two-dimensional (2D) autofocus algorithm simultaneously compensates both the residual range migration and propagation-induced phase errors. However, the unsuitable selection of prominent points would reduce the performance of autofocus. Bi-dimensional empirical mode decomposition (BEMD) can decompose a synthetic aperture radar (SAR) image into some different sub-images corresponding to different frequency components. Using proposed 2D autofocus algorithm along with BEMD would help us in selecting the suitable prominent points and give a considerable improvement in the performance of SAR autofocus. In further support of that conclusion, some simulations using real SAR data are demonstrated.     

A progressive line simplification algorithm

1　ＩｎｔｒｏｄｕｃｔｉｏｎＭａｐｇｅｎｅｒａｌｉｚａｔｉｏｎｉｓｏｎｅｏｆｔｈｅｃｌａｓｓｉｃａｌｃａｒｔｏｇｒａｐｈｉｃｐｒｏｂ ｌｅｍｓ.Ａｌｌｍａｐｓ,ａｒｅｇｅｎｅｒａｌｉｚｅｄｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｏｆｔｈｅｒｅａｌｉｔｙ.Ｇｅｎｅｒａｌｉｚａｔｉｏｎｉｓｎｅｃｅｓｓａｒｙｔｏｉｍｐｒｏｖｅｔｈｅｄｉｓｐｌａｙｑｕａｌｉｔｙｏｆｓｍａｌｌｓｃａｌｅｍａｐｓ,ａｌｌｏｗａｎａｌｙｓｉｓｗｉｔｈｄｉｆｆｅｒｅｎｔｇｒａｄｅｓｏｆｄｅｔａｉｌ;ａｎｄｒｅｄｕｃｅｄａｔａｓｔｏｒａｇｅｒｅ…     

顾及误差的宗地合并算法

地籍信息系统的宗地合并操作时常会失效,其原因是实际测量的宗地图形与系统要求的理想化宗地图形有一定的差异。本文针对该问题,讨论了公共点的匹配与公共边的匹配,构造了顾及误差的宗地合并算法。该算法在地籍信息系统GBland中得到应用,应用结果表明了该算法的有效性。