hairy和hedgehog在单环刺蜢幼虫体节形成过程中的表达特征分析

hairy作为成对控制基因参与果蝇等体节动物的体节形成;体节极性基因hedgehog是节肢动物和环节动物体节边界维持的关键基因。本研究分析了单环刺螠hairy的序列特征以及hairy和hedgehog在其幼虫体节发生过程中的时空表达特征,结果显示:单环刺螠Hairy序列中含有保守的HLH结构域、Hairy_orange结构域和四肽WRPW;其mRNA在早期体节幼虫中的表达量显著高于晚期担轮幼虫,并且定位于每个体节的边界处。单环刺螠hedgehog mRNA在体节幼虫中的表达水平显著高于早期体节幼虫,并且呈现保守的体节边界表达特征。研究结果表明,hairy和hedgehog在单环刺螠幼虫体节中的表达图式与小头虫等典型体节动物中的表达图式基本一致。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于高分遥感影像的建筑物侧面信息提取及其高度计算

本文选取成都市某一区域建筑物A、B为研究对象,采用分辨率为0.61 m的Quick bird影像,运用图像分割法和LVQ神经网络算法,提取建筑物侧面信息,根据假设法原理,构建高度计算物理模型,求取建筑物高度。对比实测数据,结合可能影响实验结果的实地因素、遥感影像因素进行精度分析与评价,探讨基于高分遥感影像的建筑物侧面信息提取和高度计算的方法。结果表明,LVQ神经网络算法在建筑物侧面提取和高度计算中有更好的应用价值,精度高达94%。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

结合MST划分和RHMRF-FCM算法的高分辨率遥感图像分割

针对基于像素的HMRF-FCM算法抗噪性差以及对地物复杂边界分割精度低的问题,提出一种结合形状信息的静态MST区域划分和RHMRF-FCM算法的高分辨率遥感图像分割方法。该方法定义一种静态MST同质区域划分准则,借助MST能较好表达边界和形状信息、能较好抑制几何噪声的特点,解决地物复杂边界的表达和降低分割结果中几何噪声问题。首先,利用MST静态划分将图像域划分成若干个均质区域,假设每个均质区域内光谱测度服从独立同一的多元高斯分布。然后,在此基础上构建了区域隐马尔可夫随机场模型,以及建立基于信息熵和KL信息正则化项的模糊聚类目标函数。最后,采用偏微分方法对分割模型参数进行求解,从而得到全局最优分割结果。为验证本文方法,对WorldView-3高分遥感图像进行分割试验。定性、定量分析了尺度参数、光谱相似性参数和区域紧致度参数对最优分割结果的影响,并对比分析本文算法和eCognition软件中的多分辨率分割算法、分水岭算法。     

Semantic segmentation of high spatial resolution images with deep neural networks

Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach.     

基于Sentinel-1B SAR数据的洪水提取和监测

洪涝灾害是我国最严重的气象灾害之一,及时准确的洪灾监测是防灾减灾的重要前期工作和基础。本文利用sentinel-1B雷达数据,以黑瞎子岛为研究区,联合使用OSTU阈值分割法和随机森林面向对象分类法针对像素统计单波形、双波形、多波形SAR影像提取洪水要素,实现对洪灾淹没面积的时序监测,为灾情监测提供数据和技术支撑。     

海底小目标声呐图像一维最大熵分割的改进方法

作为海洋高新技术,水声技术日益成为海洋水下探测的主要手段,而且有时是惟一的手段(比如对浑水或对远距离的情况).海底物体搜索、海底救捞、海底探宝、海底“黑烟囱”探测、海底施工以及海洋军事活动(如探测水雷)等多方面都涉及海底小目标(这里的“目标”泛指物体,包括各种人工制造物和自然形成物)探测.对海底小目标探测是一个困难而有意义的课题.高分辨成像声呐在海底小目标探测方面具有良好的应用前景.将高分辨成像声呐应用于海底小目标探测,图像处理是关键.图像分割是图像处理中的主要问题,也是机器视觉领域低层视觉中的主要问题,同时它又是一个经典难题.     

山区遥感图像自动分类研究——以西南地区为例(英文)

In mountainous areas, it is the undulant terrain, various types of geomorphic and land use that make the remote sensing images great metamorphism. Moreover, due to the elevation, there are many areas covered with shadow, clouds and snow that make the images more inaccurate. As a result, it would be very difficult to carry out auto-classification of RS images in these areas. The study took Southwest China as the case study area and the TM images, SPOT images as the basic information sources assisted by the a...     

一种基于分割图斑的海岸带遥感图像分类方法

传统的基于象元的分类方法在处理海岸带这类动态多变、混杂度大的地物时常出现“椒盐现象”,难以矢量化形成专题图。提出了一种新的遥感图像分类方法——基于分割图斑的分类法,即选择一个合适的尺度,利用光谱信息按照一定的策略将图像分割为一系列的图斑,并确保图斑内大多数象元的光谱特征相近,分别对图斑内诸象元进行统计,求出各个波段的均值,用该均值替换图斑内所有象元的原始亮度值,这样分类时可以确保同一图斑内的所有象元被分到同一个类别中,从而有效地避免了“椒盐现象”,使分类结果便于矢量化成图,也便于对特定地物的提取。实验结果表明,该方法还能在一定程度上提高分类精度。