融合差异图与高斯混合模型相结合的SAR图像变化检测

在SAR图像变化检测过程中,假设差异图类别服从单一分布,构造单一类型的差异图不能完好地保留变化信息,从而影响SAR图像变化检测的精度。针对上述问题,提出一种基于差异图融合和高斯混合模型GMM(Gaussian Mixture Model)的非监督SAR图像变化检测方法。该方法利用给定的融合因子进行差值和比值图融合,采用最大期望算法EM(Expection Maximum)求解融合差异图的GMM参数,并根据后验概率将图像像素分配到GMM各个分量,从而获得SAR实验区域的变化检测图。3组SAR数据集的变化检测实验验证了所提方法的可行性和有效性。     

基于热红外图像的海面油膜面积的测算方法

针对现有油膜检测技术难以准确测算油膜面积且检测精度受天气条件影响大的问题,本文提出了一种基于热红外图像的海面油膜面积测算方法。采用波段为 8耀14 滋m 的红外热像仪获取海面油膜的热红外图像,对采集的油膜图像进行预处 理 （灰度化、中值滤波和锐化）;基于图像灰度分布特征分割油膜区域 （感兴趣区域,ROI）,采用形态学操作对 ROI 进行填充、腐蚀与膨胀,并对 ROI 进行数学表征;通过像素面积法计算 ROI 实际物理面积。实验结果表明：在不同的外界天气环境下 （如海浪、海风、海雾、不同光照等环境）,该方法对不同黏度的石油样品在海面形成的油膜均有良好的检测精度, ROI 面积计算平均误差为 3.77%。     

基于生成对抗网络的声呐图像超分辨率算法

由于受到复杂水声信道影响,侧扫声呐生成图像一般存在分辨率低、细节模糊等问题,这给基于侧扫声呐图像的小目标检测与识别过程带来了一定难度。常见的图像超分辨率处理算法大致可以分为插值算法、稀疏表示的重建算法等。传统插值算法存在图像边缘模糊、细节不清楚的问题,因此提出了一种改进型超分辨率生成对抗网络（SRGAN）结构。该结构可在保留图像中的小目标细节的基础上提升细节特征显示度,并且可使目标边缘更加清晰,可为后续的小目标检测和识别在一定程度上提供技术支持。     

水下图像目标检测研究综述

在海洋开发的环境下,水下物体探测技术得到广泛应用,随着水下机器人与计算机技术的发展,该技术越来越受到研究人员的重视。根据当前的水下图像目标检测研究进展,简要介绍水下图像目标检测流程（即图像采集、图像的预处理、以及图像检测的方法）,对总结发展现状、发现技术的不足及挖掘未来的研究方向有重要意义。针对基于光学图像的水下目标识别问题,论述了图像采集、图像的预处理、以及图像检测等方面的主要进展,阐述了基于深度学习实现水下图像目标识别的技术发展现状。通过对水下目标处理过程的讨论和分析,指出水下图像目标识别领域中需要解决的问题,并预测该领域技术发展趋势。     

川南地区龙马溪组页岩储层裂缝特征

我国页岩气资源储量巨大,四川盆地更是我国主要的页岩气产区.在页岩气勘探开发中一个重要指标便是裂缝,它承载着气体储存和运输通道两大功能.因此了解储层裂缝的微观性质对于判断储层含气量以及开采远景具有重要意义.本文以页岩气主要产区——川南地区页岩气气田泸201井的岩芯为主要研究对象,以手持显微镜、体式显微镜为主要观察工具,对...     

锥束CT图像重建算法的快速实现

本文基于锥束CT滤波反投影重建的FDK算法,通过两种算法改进并结合基于共享内存的OpenMP并行技术和代码优化,实现了锥束CT图像的快速重建.基于锥束CT实际投影数据的重建结果表明,图像重建速度得到了较大的提高,断层图像重建质量与FDK原型算法相当.     

地理图像信息阅读能力的培养策略

地理图像是地理学的骨架,能够提供比文字描述更为丰富的地理信息,其中蕴藏着丰富的地理现象、知识、技能以及智慧,是地理学科特有的信息综合载体和教学工具。本文主要从图像信息的阅读与观察、图像信息的发现与获取、图像信息的描述与阐释三个方面来谈谈地理图像信息阅读能力的培养策略。     

一种快速的天文图像模拟方法及分析

图像模拟在天文学研究中已经发挥越来越重要的作用,其重要性主要表现在以下几方面:通过模拟可以为准备研制的天文观测设备评估提供重要的依据;通过对模拟数据的处理可以验证数据处理的算法。对图像模拟的整个过程进行描述,并在计算上对图像模拟的局部方法进行优化,使模拟结果能够高效准确的生成。主要工作包含以下几方面:对天体形态的模拟,包括点源(如恒星)和展源(星系),这里主要对展源建模;模拟观测条件,主要是仪器和天光背景等产生的噪声;模拟点扩散函数;从计算和程序的方法对计算流程进行优化;对结果进行分析。采用的数据是哈勃超深空场(HUDF) ACS WFC i(F775)波段的数据,其极限星等达到29等。通过对模拟结果的分析,可以看出该方法能够快速并且较为准确地对星系图像进行模拟。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。