基于动态感受野的航拍图像目标检测算法

针对现有基于平视图像目标检测算法在航拍图像上检测精度不高的问题,提出一种具有动态感受野的单阶段目标检测算法。该算法采用SE-ResNeXt作为特征提取网络,在RetinaNet结构中添加bottom-up短连接通路和全局上下文上采样模块,增强了检测层特征的结构性和语义性。构造具有动态感受野的检测子网络,动态选取适当尺度的感受野特征进行目标检测。在实景航拍数据集上进行实验评测,并与相关算法作对比,结果表明改进算法在数据集上表现良好,性能指标具有明显提升,即使在光线昏暗、下视视角、斜下视视角和密集目标等场景图像中,也具有较好的检测效果。     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

结合人眼微动的新型非经典感受野模型

基于眼球微动机理,提出了一种结合静态、动态机理的贴近非经典感受野的模型。该模型以感受野轴两侧的两个半椭圆环为非经典感受野抑制区,并在其中设立子区域。通过抑制方向角度模拟微动,结合抑制权值与图像亮度特征,得到最后能量值。研究结果表明,利用该模型提取目标轮廓时,可较好地抑制背景纹理,保留较多轮廓,相比于传统模型有较好的效果。     

一种基于图像融合的运动目标快速检测算法

提出了一种新的运动目标检测方法,这种方法可以有效的提取目标轮廓。应用一种图像差分技术得到运动目标的初始轮廓线。使用了动态轮廓线使其收敛到目标轮廓。提出了一种新的目标轮廓特征级融合方法,求解两类模式图像的收敛动态轮廓线控制点向量差的范数平方极小化。这种方法不需要图像配准降低了融合的计算复杂度,有效提高了可见光图像中目标轮廓提取的精度。对比检测实验证实了算法的有效性。设计了一种基于Newmark方法的动态轮廓线快速迭代算法,将该方法和方法作了比较,对比实验表明这种方法的时间复杂度降低了22%。     

基于Contourlet域持续性和聚集性的合成孔径雷达图像融合分割算法

针对合成孔径雷达(SAR)图像含有大量斑点噪声的特点,基于Contourlet的多尺度、局部化、方向性和各向异性等优点,并结合隐马尔科夫树(HMT)模型和隐马尔科夫场(MRF),提出了一种基于Contourlet域持续性和聚集性的SAR图像模糊融合分割算法。该算法有效捕获了Contourlet子带的持续性和聚集性,并分别用HMT和MRF来刻画,再依据模糊测度,将多尺度HMT和MRF有机融合,建立Contourlet域HMT-MRF融合模型,并导出新模型下的最大后验概率(MAP)分割公式。对实测SAR图像进行了仿真,仿真结果和分析表明:与小波域上的HMT-MRF融合分割及Contourlet域上HMT和MRF分割算法相比,该算法在抑制斑点噪声的同时,有效地提高了SAR图像的分割精度。     

基于多属性融合的高分辨率遥感图像云检测方法

针对全色CCD光学遥感卫星成像平台,提出了一种基于多属性融合的高分辨率图像云检测方法。首先根据云的物理特性和成像特性展开多属性分析,并提出了基于可分离度的特征选择准则来进行特征参量提取;然后针对两类样本的分布结构差异,结合LDA线性特征压缩算法,削减特征空间的维度;最后利用SVM分类器完成云检测。实验结果表明,该方法适用于高分辨率全色遥感图像的云检测,具有较高的检测概率和较低的虚警概率以及较高的算法执行效率。     

基于积分图像的人体肢体检测算法

 为了实现视频序列图像中运动人体肢体的检测,提出了一种基于积分图像和类哈尔特征的检测方法,类哈尔特征(Haar like feature)因其固有的特点,适用于检测矩形或类矩形的图像区域,积分图像的特点是可以利用类哈尔特征快速定位人体肢体在图像中的位置。积分图像用于表示视频中的原始图像,边缘检测模板与原始视频每一帧进行卷积之后,通过累加计算可以得到该图像的积分图像,然后利用类哈尔算子,根据设定的阈值,即可以准确定位人体肢体位置。实验结果表明：该方法较背景减除法检测人体肢体准确。     

基于空间分离表征GAN的遥感图像模式互转

针对合成孔径雷达图像与光学遥感图像模式差异大、相互转换困难的问题,基于现有空间分离图像转换框架,提出了一种基于空间分离表征的循环一致性生成对抗网络(GAN).以更深的网络层和跳跃连接完成图像风格和内容分离,通过学习内容映射关系,完成内容特征转换,而后组合目标风格特性实现图像转换.利用PatchGAN判别器,强化模型的图...     

高光谱图像中基于端元提取的小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于端元提取的目标检测算法。该算法利用主成分分析的变换矩阵来构造投影算子,把原始图像投影到该算子构成的正交子空间后,大概率的背景信息得到抑制,从而突出了小概率的目标;在完成背景信息抑制的基础上,利用迭代误差分析方法进行端元的自动提取;根据所提取出的目标端元的光谱,结合光谱角度匹配技术完成目标物的检测。为了验证新方法的有效性,利用高光谱数据进行了实验研究,并与经典的RX算法的检测结果相比较。实验结果表明提出的基于端元提取的算法不需要目标的任何先验知识就能达到比较好的目标探测效果,对RX算法检测效果不太理想的小目标也能准确识别。     

基于旋转不变特征的遥感图像飞机目标检测方法

为了解决在动态飞机监管系统中,遥感图像飞机多目标检测准确率低的问题,提出一种目标检测方法.首先引入两种全新的旋转不变性特征,中心质点角与H向量;接着对遥感飞机图像进行滑窗检测,分别计算每一重叠块的中心质点角集、H向量相关系数;根据模板特征匹配度设计了相应的得分系统,再结合非极大值抑制等算法确定检测窗口内是否存在飞机.用不同场景下的遥感图像飞机进行多目标检测实验,结果表明该方法平均F1分数达到90%以上,相比传统方法,召回率与查准率更高,且适用范围更为广泛.     

基于小波变换的红外热波无损检测融合算法

在红外热波无损检测中获取的热像序列存在着背景噪声大、缺陷边缘模糊、对比度低等特点。为了提高由红外热像序列重构的数字图像的缺陷显示能力,以小波变换为热像处理工具,采用基于像素级和特征级的图像融合算法对热像序列进行了处理,并采用基于统计学的图像评估标准对处理效果作了定量评价。通过对铝合金试件的检测实验说明该方法可用于材料内部缺陷的红外热波无损检测。研究结果表明,此种图像融合算法可对不同深度缺陷所对应的两幅最佳热像进行有效地融合,在一幅融合图像中直观地反映出全部缺陷,并能有效地减少加热不均和背景噪声对缺陷识别的不利影响。     

基于多模态数据特征融合的舰船识别算法研究

在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合,以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题,提出一种有效的多模态数据特征提取和特征融合的舰船识别算法,然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比,相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%,有效地提升了舰船识别准确率,对相关船舶领域的研发工作具有借鉴意义。     

改进YOLO轻量化网络的行人检测算法

针对当前行人检测方法计算量大、检测精度低的问题,基于YOLOv4-tiny提出一种改进的行人检测算法.引入通道注意力和空间注意力模块(CBAM)至CSPDarknet53-tiny网络中,通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块,能够极大...     

基于对数双曲余弦比差异图构造与多区域特征卷积极限学习机的合成孔径雷达图像变化检测

针对合成孔径雷达（SAR）图像变化检测中差异图质量不佳、检测精度偏低以及检测时间长等问题,提出了一种基于对数双曲余弦比（LHCR）差异图构造与多区域特征卷积极限学习机的无监督变化检测新方法。该方法主要由差异图生成和差异图分析两个阶段组成。在差异图生成阶段,利用各向异性扩散滤波器对同一地区不同时间的两幅SAR图像分别滤波,使用对数双曲余弦变换对滤波后的图像进行增强,通过对数比处理得到LHCR差异图,在抑制相干斑噪声的同时,增强差异图的对比度。在差异图分析阶段,应用分层模糊C均值聚类得到变化类、不变类和中间不确定类的预分类结果;进而从差异图、双时相SAR图像中获取多区域样本块,构成三通道数据输入卷积层进行特征提取。特征具有强调中心区域、抑制边缘噪声的特点;最后,使用变化类和不变类的特征向量进行极限学习机分类训练,再用训练好的模型对中间不确定类像素自动分类实现变化检测。Radarsat-2和高分三号数据集的实验结果表明了所提方法的有效性。