高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

基于局部中值拟合C-V模型的SAR图像分割算法

针对SAR图像特点,提出了一种基于局部中值拟合(LMF)C-V模型的新的SAR图像分割算法LMFCV-SIS.该算法核心是利用像素点及以其为中心的邻域内的像素点的局部中值拟合来构造能量函数,极小化该能量函数,得到轮廓的最终演化结果.一系列对比实验的结果表明,该算法充分利用了SAR图像的特征信息,对真实机载SAR图像进行分割具有分割边界定位准确、收敛速度较快等优势.     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

嵌入特征预提取和注意力机制的SAR图像目标检测

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别技术广泛应用于道路、船舶等检测任务中,但合成孔径雷达图像易受散斑噪声干扰,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在SAR数据集上难以高效准确地提取有效特征.针对以上问题,提出了一种嵌入特征预提取和注意力机制的SAR图像目标识别算法(Convolutional Automatic Encoder-Convolutional Neural Network-Channel and Spatial Atten-tion Mechanism,CAE-CNN-CSAM),即利用优化的Lee滤波算法降低SAR图像斑点噪声,通过编解码技术对SAR图像进行特征预提取,而后在卷积神经网络中引入注意力机制,提高算法对通道和空间特征的表达能力.在公开的Statoil/C-CORE数据集上,该算法对目标的识别准确率达到了94％,相比于目标识别准确率约为88％的CNN等基准模型具有更高的目标识别性能.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于目标检测结果的轮廓及颜色识别研究

基于深度学习方法给出的目标矩形框检测结果,针对实时目标轮廓提取和颜色识别问题,提出了一种基于边缘提取和形态学操作的方法.首先通过Canny边缘检测算法提取图像大致轮廓,应用多次形态学闭操作将目标主体与背景、噪声等加以区分,找出最大轮廓即目标轮廓,然后利用目标轮廓所包含的区域,在HSI颜色空间中完成目标颜色的统计和识别,并采用真实场景中的无人机、小汽车和人的图像来进行实验验证.实验结果表明,所提出的方法相比纯粹基于深度神经网络的方法在效率上有较大提升,相比纯粹的底层图像处理方法在精度上有较大提高,既保证了实时性,又确保了较高的精度.     

改进的阈值加权平均HSV与小波变换图像融合

为提高图像的空间分辨率、增加图像的细节信息,改善HSV融合和小波融合中存在的光谱失真、原SAR与ETM图像的纹理特征保持不良等现象.提出一种改进加权平均法的HSV与小波变换融合方法.将ETM图像转换到HSV彩色空间,得到亮度分量V.将高分辨率的SAR图像与该分量进行小波分解,得到高低频信息,将低频信息按照提出的改进的加权平均法进行融合,高频信息按照绝对值最大法进行融合,得到新的亮度分量,再通过HSV逆变换得到新的融合图像.实验采用3 m分辨率的Cosmo-Sky Med图像和30 m分辨率的Landsat8图像进行实验.研究结果表明:该融合方法能够提高图像空间分辨率,在地物细节和光谱特征方面保持良好.     

基于全局活动轮廓模型的SAR图像分割方法

图像分割是SAR图像处理的一个基础问题,也是影响SAR图像自动解译性能的关键步骤之一．由于斑点噪声的存在,SAR图像分割一直是一个公认的难题．针对这一难题,文中基于短程活动轮廓模型和统计活动轮廓模型,提出了一种具有全局极小值解的新活动轮廓模型,并详细地给出了该模型的理论求解方法、数值近似方案以及基于该模型的分割算法．该模型的新颖之处在于：（1）同时结合边缘信息和区域信息定位目标边界,更有利于实现图像的精确分割;（2）基于SAR图像边缘检测算子的边缘信息项,有利于将活动轮廓线吸引到真实的图像边界;（3）基于G^0分布的区域统计信息项,可提高模型对SAR图像数据的拟合能力;（4）基于总变分对偶公式的全局快速求解算法,显著地增强了模型的实用性．针对仿真图像以及MSTAR,ERS,Radarsat和NASA／JPL AIRSAR等实测数据的实验结果表明,基于新模型的图像分割算法具有分割边界定位准确、分割区域内部均匀、运行高效、无需后续处理、对参数设置不敏感和对初始条件鲁棒等优点．     

基于环绕数约束模型的轮廓识别算法研究

为了解决当前图像轮廓识别算法中由于区域标记和轮廓标记性质不同,导致难以将多标记融合识别技术应用于图像轮廓识别中的问题,本文提出了一种基于环绕数约束的能量最小化模型,用以精确识别目标轮廓.在这种模型中,区域标记(如颜色和纹理均匀性)和轮廓标记(如局部对比度和连续性)通过一个目标函数进行描述,实现多标记融合识别.首先,将环绕数作为约束,将其引入到能量最小化模型中,得到区域标记与轮廓标记的线性约束;然后,对区域标记、轮廓标记以及曲率标记进行融合,实现对图像中目标轮廓的识别;最后,将能量最小化模型与标记相结合,通过比率能量函数对算法进行实例应用分析,验证算法的有效性.实验结果表明:与传统轮廓识别算法相比,所提算法具有更高的轮廓识别精度.     

基于主动轮廓模型的合成孔径雷达图像分割方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像中的乘性相干斑噪声影响分割效果的问题,提出了一种基于主动轮廓模型的分割方法。该方法将改进的细节保持各向异性扩散(IDPAD)滤波和SBGFRLS模型相融合,构造了一个边迭代演化边抑噪的改进的演化微分方程。在每一次迭代演化中,先借助改进的演化微分方程演化水平集函数,然后利用高斯滤波器正则化水平集函数,最后通过检查水平集函数的收敛性判定分割是否完成。实验结果表明,与经典的分割方法相比,本文方法在保护边缘的同时减少了乘性相干斑噪声对SAR图像分割的影响,减少了误检轮廓,且对初始轮廓不敏感。     

基于复杂网络和图像轮廓的形状识别方法

基于轮廓的图像识别方法具有过程简单、识别效率高等特点.但随着人脸表情变化、光照强度以及遮挡等因素的改变,提取图像轮廓形状的难度增大,从而使方法的有效性受到影响.本文提出一种基于复杂网络和图像轮廓的形状识别方法,通过提取形状图像的轮廓点,建立相应的复杂网络模型,计算相关参数来识别图像.实验表明,该方法具有对轮廓图精确度依赖性低、复杂网络规模小、阈值参数少、能有效适应边界形状改变等优点.     

单像素人体轮廓提取方法研究

在步态识别中,常用轮廓信息来描述人体运动的细节,而单像素人体轮廓是决定步态识别精度的一个关键环节。提出了一种单像素人体轮廓提取方法。首先,使用灰度图像背景差法获取人体区域图像;然后利用数学形态学的方法对人体区域图像进行修复处理;最后,利用边缘像素邻域信息提取单像素的人体轮廓。仿真实验结果表明,提出的方法能够有效地提取不同步态图像的单像素人体轮廓。     

一种SAR图像分割新方法

合成孔径雷达（SAR）图像中固有的相干斑噪声,严重影响了图像分割算法性能。为了改善SAR图像分割质量,本文提出了一种联合PM扩散模型和各向异性MRF模型的图像分割方法。首先对传统PM扩散模型的扩散系数进行简化和近似,限制模型的解的唯一;然后使用改进后的模型对原始SAR图像进行非线性扩散,在抑制噪声的同时保持图像结构细节;继而,通过在标记场势能函数中引入观测数据灰度信息,将经典的基团势能改进为基于灰度加权的各向异性势能,提高边缘像素和图像奇异点的分割准确率。实验表明,本文算法的分割结果区域连通性更好,边缘轮廓分割更精细。     

SAR与可见光图像融合效果客观评价

合成孔径雷达(SAR)与可见光图像融合效果的客观评价指标可以对图像融合方法的效果进行客观、定量的分析。研究了SAR与可见光图像融合效果的客观评价指标,并对这些指标进行了分类。为了对融合效果给出简洁的评价,利用多种融合方法对多组SAR图像和可见光图像进行融合。以实验结果作为依据,对客观评价指标进行了筛选,并利用选取的指标对不同融合方法的效果进行分析和评价。实验结果表明了选取的客观评价指标的科学性和有效性。     

基于人工免疫算法的光学影像与SAR影像配准方法

提出了一种基于人工免疫算法的光学影像和SAR影像配准方法,该方法从影像上的面状地物入手,仅从识别性较好的光学影像上提取面状地物,先随机给定一组配准参数,将光学影像上面状地物的坐标经仿射变换获得新的坐标,以转换后新坐标在SAR影像上对应区域的均质性为评价标准,并利用人工免疫算法对配准参数进行优化,从而得到影像配准结果.最后,利用WorldView-2和RadarSat-2影像的配准实验验证该方法的有效性,结果表明该方法配准精度可优于2像素.     

基于区域特征的光学图像与SAR图像配准算法

图像配准是进行图像融合、变化检测等图像处理应用的前处理步骤,其配准效果将直接影响到后续图像处理工作的质量．针对光学图像与SAR图像成像特性差异,提出了一种基于区域特征的配准算法,通过实验结果证明了本算法的有效性．