粒度Hough变换及其在遥感影像直线检测中的应用

在基于Hough变换的遥感影像直线检测的过程中引入粒度计算的概念,利用粒度计算具有多角度、多层次观察问题的能力,对遥感影像中的直线边缘特征进行不同粗细的粒度分析,建立粒度计算概念下的直线检测算法,实现对不同长短、粗细直线的识别。真实的IKONOS遥感影像机场跑道提取试验证明了该方法的有效性。     

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。     

基于随机森林的遥感影像雪冰云信息检测方法

结合随机森林(random forest,RF),提出了一种检测遥感影像雪冰云信息方法.建立有效区分影像中冰凌、雪、云的特征组合,采用随机森林算法和形态学操作得到初步分类检测结果,进一步对分类检测流程优化,增加了"二次检测".实验结果表明,采用优化后的算法总体分类精度均为90％以上、Kappa系数均为0.8以上,精度较...     

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。     

结合RPN网络与SSD算法的遥感影像目标检测算法

利用传统方法对遥感影像的目标检测,过程复杂并且耗时.随着深度学习的发展,用深度学习的方法进行目标检测,为遥感影像的检测开辟了新的思路.当前目标检测的方法主要包括以Faster R-CNN为代表的两阶段检测算法和以SSD为代表的单阶段算法,两阶段算法精度高速度慢,单阶段算法速度快精度低.针对两种算法的优势,该文将Faster R-CNN中的RPN与SSD算法相结合,融合单阶段和两阶段算法的优势,在提高精度的情况下保证速度,并加入特征金字塔结构,利用多个卷积层融合低层特征和高层特征的信息,提高预测效果.在NWPUVHR-10高分辨率数据集上进行训练和测试,对结果进行算法评估.同时选用测试集将该文算法与Faster R-CNN和SSD算法进行对比,实验表明该文算法提高了对小目标物体的检测精度,获得了更优的性能.     

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。     

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。     

基于形状特征的高分辨率遥感影像目标分割

高分辨率遥感影像可以提供更多的地面目标的形状结构与纹理信息,但由于其细节信息特别丰富,因此为相关地物目标的特征检测与提取带来了一定的复杂性.综合梯度边缘检测、区域标识处理与目标形状特征分析技术,提出一种高分辨率遥感影像上建筑物快速提取的方法,并通过试验证明该方法的可行性、快速性和有效性.     

基于改进ShuffleNetv2的轻量化遥感影像地面目标检测方法

提出一种用于遥感影像地面目标检测的轻量化检测模型,以ShuffleNetv2作为模型的特征提取骨干网络,在网络前三层引入基于风格重新校准通道注意力模块来提高模型对小尺寸样本的学习能力;使用多级特征图融合机制构建特征图金字塔,将浅层特征与深层充分融合,以进一步增强模型对不同尺寸目标特征的学习能力。基于RSOD Dataset创建训练和测试数据集,并在消融实验中验证了所使用改进策略对精度提高的实际效果,在模型对比试验中验证了本文模型在检测精度、速度以及模型体量方面的优越性。     

一种基于Hough变换直线检测的城区影像SGM改进算法

在众多双目影像密集匹配算法中,半全局匹配(Semi-Global Matching, SGM)算法相比局部匹配算法和全局匹配算法在精度和效率方面具有较高优势。相较于一般影像,城市场景影像往往存在大量人造建筑物。针对城市区域立体影像的这一特点,本文提出一种基于Hough变换直线检测的城区影像SGM改进算法,将Hough变换获得的直线信息融入SGM的匹配框架,提高密集匹配算法的精确度和准确度。     

一种改进YOLOv4的遥感影像典型目标检测算法

如何使传统神经网络算法对遥感影像典型目标检测表现出良好的适应性是当前遥感领域的一项难点.在深入解析最新YOLOv4网络结构及算法核心思想前提下,首先通过增加104×104的特征层尺度并嵌入SE模块进行网络结构改进;继而根据待检测目标尺度特点调整锚点框,提高YOLOv4算法对遥感影像典型目标检测性能;最后设计对照实验进行...     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度,而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时,没有考虑特征图各自的重要性,没有强调目标区域的特征,为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先,使用通道拼接方式融合不同深度的特征图,给用于检测的特征图提供不同大小感受野的特征,并基于通道注意力对融合的特征图在通道维度重标定,根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重,强化感受野大小与待检测目标尺度匹配度较高的特征,弱化匹配度较低的特征。其次,使用叠加的扩张空间金字塔池化结构,结合弱监督分割网络建模位置注意力,强化目标区域特征,弱化背景区域特征,进一步提升目标检测方法的性能。实验结果表明,相较于RetinaNet,针对汽车目标,所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%,针对多类目标所提方法在各目标上取得了较优的AP结果,且mAP结果优于其他比较方法。     

基于随机森林的遥感影像云雪雾分类检测

遥感影像中的云、雪、雾会遮盖地表的有用信息导致影像无法使用,为了提高有效遥感影像的使用效率,需要检测遥感影像中云、雪、雾的范围并剔除无用的影像.以自动检测卫星遥感影像中的云、雪、雾为目的,研究基于随机森林的遥感影像云、雪、雾分类检测方法,并通过增加"二次检测"减少有效区域与云、雪、雾间的错检.实验表明该方法具有较高的检...     

卫星遥感影像解译目标警示系统的设计

针对工程化的卫星遥感影像应用处理需求，将遥感技术与地理信息系统技术相结合，设计建立目标警示系统，给影像快速筛选与解译工作提供支持。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。     

轻量卷积神经网络遥感影像目标检测方法

针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法.采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标.利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模...     

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。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。