基于深度学习的高分遥感影像典型地物检测方法应用实践

传统的基于高分辨率遥感影像的典型地物检测方法难以兼顾检测精度、处理速度和自动化程度,而深度学习方法在图像处理领域中的应用为解决上述问题提供了可能。选用RSOD-Dataset数据集,基于TensorFlow深度学习框架,采用Faster R-CNN、YOLOv3和SSD三种经典深度学习目标检测算法,对高分辨率遥感影像数据进行预处理并完成模型训练,实现了对高分辨率遥感影像中典型地物目标的自动化检测实践,并对三种深度学习算法进行了对比分析。实验结果表明:SSD算法进行典型地物检测的均值平均精度指标(mAP)达到86.62%,每秒帧数(FPS)达到60.26,均优于Faster R-CNN算法和YOLOv3算法;在对飞机、储油罐、立交桥、体育场等典型地物的检测过程中有效地提升了检测精度、处理速度和计算的自动化水平,具有较为明显的应用价值。     

基于高斯混合模型的遥感影像云检测技术

【目的】高分辨率遥感影像云检测技术一直是遥感影像处理亟待解决的难题,尤其是边缘薄云和散云的检测。针对高分辨率遥感影像的成像特点,利用形态学运算、多边形简化技术,实现含云影像的准确提取。【方法】首先对影像进行高斯低通滤波平滑,取得一致均匀的明暗效果; 然后将影像分为多云、少云、无云3种情况,对多云影像采用Otsu阈值分割,对少云影像采用高斯混合模型进行阈值分割; 最后对云区进行形态学处理得到最终云区。【结果】高分辨遥感影像云检测方法目视效果较好,可有效提高云检测精度,该方法准确率为98.60%,查全率在90%左右,错误率约为2.58%,可以较为准确地检测出厚云、薄云、散云,同时还可有效地减少对房屋、道路、裸地的误判。【结论】基于Otsu阈值分割和高斯混合模型的高分辨率遥感影像云检测技术算法复杂度适中,计算量小,运算速度快,检测精度高,适用性广。     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

改进的Mean-Shift遥感影像分割方法

基于高斯核Mean-Shift(MS)算法因收敛速度慢难以满足遥感图像处理的实时应用要求,提出一种改进的MS算法应用于遥感图像分割.针对传统MS算法需多次人工试用来确定固定带宽的问题,给出几种类型遥感影像的空间带宽参考值,且不同波段影像用plug-in规则分别计算值域带宽.针对遥感影像数据量大、MS迭代计算时间长的不足,使用一些加速策略来加速收敛;由于采用MS算法检测出的模点数较多,采用基于全局模点融合来稳定遥感影像分割结果;可用于分割遥感影像的特征很多,模点检测时用灰度特征,全局模点融合时用纹理特征,这样充分利用了遥感影像多维特征且不降低计算速度.采用Quickbird影像进行分割试验,研究结果表明:本文算法自适应程度高,速度和精度也能满足应用要求,是一种稳健的自动分割方法.     

基于改进单步多框目标检测的道路小目标检测算法

针对SSD目标检测算法运用于自动驾驶领域时,在检测道路上小目标容易发生漏检错检的情况,本文提出一种改进的SSD目标检测算法。本算法首先在SSD模型的主干网络中嵌入感受野增强模块,扩大特征层的感受野,以获取更多小目标的特征信息;然后在主干网络后加入4次U型特征提取结构,构建4个不同层级的特征金字塔,最后合并成一个多层级特征金字塔用于检测。结果表明,该改进SSD模型在KITTI数据集上的检测精度较原始SSD模型提升了6%,检测速度达到了每秒27.9帧。在兼顾检测效率的同时,有效提高了对道路上小目标的检测精度,更适用于自动驾驶领域。     

基于彩色模型的遥感影像阴影检测

依据遥感影像阴影的属性,提出一种基于彩色模型的遥感影像阴影检测方法,以提高阴影检测精度。阴影检测过程中,首先将影像转换到HSV空间。根据阴影区域高色调值、低亮度值和高饱和度的特性,定义M=(S-V)/(H+S+V)。利用光谱比技术和中值滤波,得到初步的阴影区域。其次依据散射理论对蓝光的影响,以及彩色不变特征,提出结合C1C2C3空间的C3分量和RGB空间的B分量进行双阈值阴影检测。为降低阈值选择的主观性,提出将上述两种方法进行与运算,并结合小区域去除和数学形态学处理,进行阴影提取。最后对多幅带有阴影的遥感影像进行实验。结果表明所提出的方法明显优于传统的直方图阈值法和同态滤波检测法,克服了阈值选择的主观性,提高了阴影检测精度。     

高斯Wasserstein距离改进轻量YOLOv7模型的遥感影像道路交叉口检测

YOLOv7是目前目标检测任务中性能较优的模型,但在处理遥感影像中的道路交叉口时,出现目标背景复杂、先验框定位误差以及模型训练参数量增多的问题。本文针对复杂场景的道路交叉口提出一种结合归一化高斯Wasserstein距离与轻量级YOLOv7的遥感影像道路交叉口检测模型。首先,使用归一化高斯Wasserstein距离与CIOU进行先验框定位损失函数的改进,以提高网络模型对于目标尺寸的鲁棒性;其次,在加强网络特征提取模块中加入三维注意力机制,实现网络处理的特征优化;最后,在主干特征提取网络与加强特征提取网络中加入改进的FasterNet模块,提升网络模型的训练速度,减少了模型训练的参数。实验结果表明,改进后的 YOLOv7 网络模型相比原网络模型,漏检测情况得到明显改善,P、R、AP及F1值分别提升了6.2%,4.9%,6.7%,6.5%,对道路交叉口的检测效果优于原网络模型。其成果对不同环境的影像具有较强适应能力,为道路交叉口检测的发展提供了参考。     

E-SSD:目标特征增强检测算法

针对SSD目标检测算法在检测目标过程中存在漏检的现象,提出一种特征增强的SSD目标检测算法。该算法通过将特定连续特征层进行特征融合,获取更为丰富的目标细节特征信息,以此来改善目标的特征表达效果,提升目标检测正确率。经仿真测试,该算法对车辆、自行车和行人等道路参与者检测效果均有提高,在PASCAL VOC2007数据集上的测试结果与原有SSD检测算法相比,mAP提高0.78%,适合于车载与移动机器人等场景的目标检测应用环境。     

结合PCNN和LOG算子的高分辨率遥感影像边缘检测方法

提出一种结合PCNN(Pulse-Coupled Neural Network)和LOG(Laplacian of Gaussian)算子的高分辨率遥感影像边缘检测方法。该方法首先采用中值滤波器对遥感影像进行消噪处理;然后采用PCNN模型对滤波后影像进行分割得到目标影像;最后采用LOG算子对目标影像进行边缘检测,并对边缘检测结果进行精度评价。实验结果显示,提出的边缘检测方法是一种有效地、可靠地边缘检测方法。     

一种虚拟场景车辆检测与测距方法

为了提升前方车辆测距精度,提出了一种基于改进目标检测(SSD)算法的车辆检测与测距方法。采用场景仿真软件PreScan搭建测试场景,使用改进的SSD算法,对摄像头采集的视频进行车辆目标检测。将检测框下边缘的中心点坐标作为图像中车辆坐标,根据单目视觉测距算法进行车辆目标测距。实验结果表明:在网络阈值为0.9时,改进的SSD算法对小车辆目标检测精度提升了6.6%。可以检测到70 m左右的目标,提出的测距方法可以达到2%的精度。     

基于最优区域生成的深度多尺度融合遥感飞机检测方法

遥感图像中典型目标的检测是当前图像处理领域的研究热点,飞机在战场监视、航空管制和交通运输等领域发挥着重要作用。为了提高遥感图像中飞机检测的正确率,提出了一种基于多特征融合的遥感飞机检测方法,将深层特征经过上采样操作后与浅层特征进行融合,解决了遥感飞机目标较小造成的检测困难的问题。首先,对于锚框尺寸和个数由人为确定而造成目标位置检测不准的问题,采用K-均值聚类(K-means)算法对数据集的目标框大小进行聚类分析并获得适合飞机遥感图像的锚框(anchor boxes)个数以及宽高维度;其次,采用上采样的方法扩大感受野,以提高网络对小目标的检测准确率。采用多尺度融合的卷积神经网络,以适应不同尺度目标的检测,最终提出一种基于最优区域生成的深度多尺度融合遥感飞机检测方法。仿真结果表明:与典型的飞机检测方法相比,所提方法在测试集上取得了更高的的检测精度。     

基于霍夫变换的烧结矿粒度识别研究

针对烧结矿生产时无法直接得到粒度大小和分布,人工检测的准确性和即时性不高等问题,提 出了一种基于图像增强和霍夫变换的烧结矿粒度识别方法。 该方法首先使用形态学开操作、图像像素点分 割、拉普拉斯图像锐化算子等方法进行图像增强,然后应用高斯滤波和图像边缘检测算法,最后用霍夫圆检 测算法进行烧结矿粒度检测,实时处理获取的图像,并检测出烧结矿的粒度大小和分布。 该方法可以快速检 测出图像中的烧结矿,其中图像像素点分割方法是根据烧结矿和背景的像素值设置分段函数进行分割,大幅 度减少图像中的噪声,提升了烧结矿和背景的对比度以及亮度,并且检测的准确性和即时性高,克服了人工 检测的弊端,准确率可达到 98%以上。 通过实验表明:该方法对提高烧结矿的生产效率、改善资源的利用、 降低人员成本具有积极作用。     

基于Matlab的同态滤波算法的研究

研究了基于FFT的同态滤波算法和基于WT的同态滤波法算法,并应用Matlab软件仿真实现了上述算法.仿真结果表明采用基于FFT的同态滤波后,图像整体的对比度提高了,但是局部对比度增强效果不理想;而采用基于WT的同态滤波算法后,有效地消除了光照不均带来的影响,特别是在图像的边缘附近局部对比度有明显增强.     

基于卷积神经网络的卫星遥感图像拼接

针对传统算法不适用于外观发生较大变化的图像拼接问题, 提出一种基于卷积神经网络的遥感图像拼接方法, 通过深度学习使模型实现对遥感图像的配准和拼接. 通过两次实验将该算法与传统算法进行对比. 首先, 以欧氏距离作为评价指标, 分别通过两种算法在不同图像数据集上进行统计, 对它们的图像配准能力进行评估. 其次, 在真实的遥感图像拼接应用场景下对比两种算法实现的遥感图像拼接效果. 实验结果表明, 卷积神经网络模型对外观发生较大形变的图像具有更好的配准能力, 因此对于外观产生较大变化的遥感图像, 可采用该算法代替传统算法实现图像拼接, 得到更精确的全景图像.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

采用图像增强的图像特征点匹配算法

首先,利用直方图均衡化、基于照明-反射模型的同态滤波和基于Retinex理论的3种图像增强方法,对收集到的图像进行预处理;然后,对预处理后的图像应用SIFT,SURF和ASIFT算法进行图像特征提取和匹配.研究结果表明:经直方图均衡化处理的图像,用SURF提取的图像特征点匹配率较高;同态滤波预处理图像的方法,经SIFT算法提取图像特征点的匹配率较高.     

一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

高光谱影像端元数目估计的HAHT模型

端元提取是高光谱遥感研究的重点内容之一,在高光谱影像信息识别、环境监测、资源探测和丰度反演等领域有着重要运用。为了实现有效的端元提取,如何准确估计（尤其是未知区域）高光谱影像中端元数目就显得更为关键,特别是在无人或境外地区的遥感探测方面极有实际价值。端元数目估计过多或者过少都会影响端元提取和混合像元分解的精度。本文基于谐波分析（Harmonic Analysis,HA）理论实现了高光谱影像有效去噪,并结合二元假设检验方法构建了一种高光谱影像端元数目估计的谐波分析假设检验（HA-Hypothesis Testing,HAHT）模型。通过AVIRIS和Hyperion高光谱影像的可行性分析与普适性验证,并与HFC（Harsanyi Farrand Chang）、特征值极大似然函数（Eigenvalue Likelihood Maximization, ELM）和最小误差高光谱信号辨识法（Hyperspectral Signal Identification by Minimum Error, Hysime）等常规的端元数估计算法应用成果相对比,表明HAHT模型所估计的端元数目与实际地物数具有更高的吻合度。同时,采用较成熟的连续最大角凸锥（Sequential Maximum Angle Convex Cone,SMACC）方法提取了端元波谱曲线,通过比较设置2（HFC估计数）、8（HAHT估计数）和14（Hysime估计数）不同端元数的提取结果,也证明HAHT模型在估计端元数目时具有较高准确性,以及较好的适用性和应用前景。     

气门几何尺寸的多种边缘高精度检测

目前边缘检测算法只能检测水平边缘、垂直边缘,且检测精度低、处理速度慢、抗噪性能差;针对上述存在的缺陷,提出一种气门几何尺寸的多种边缘高精度尺寸检测算法。首先采用中值滤波和高斯滤波对气门采集图像进行预处理,然后针对不同的边缘使用不同检测算法实现图像边缘的像素级定位。在像素级边缘定位的基础上采用几何质心法亚像素边缘定位实现图像边缘的亚像素级精确定位。最后采用畸变校正技术对图像中边缘像素点的坐标进行校正,得到没有畸变情况下边缘像素点的理想坐标,根据像素当量计算得到气门的各个尺寸。通过在光学图像检测系统中的实际应用,证明提出的算法精确且稳定,满足高精度视觉检测的要求。