结合最近邻和拓展稀疏表示的SAR图像目标识别方法

为了精准地识别合成孔径雷达(Synthetic aperture radar, SAR)图像中的不同目标,该文提出了一种结合最近邻和拓展稀疏表示的分类(Nearest neighbor and extended sparse representation classification, NNSRC)方法。首先对图像进行预处理,抑制斑点噪声,归一化图像以保持有用的信息;接着采用二维主成分分析法来提取图像的特征向量,根据识别能力选取特征向量;最后判断SAR图像目标的类别。NNSRC方法拓展了稀疏表示模型,有效解决已有SAR图像识别方法处理噪声、遮挡问题效果差,以及求解稀疏系数速度慢的问题。标准SAR数据集上的实验结果显示,该文提出的NNSRC方法识别率达92.9%,与其他方法综合对比表明,NNSRC方法具有更加良好的性能。     

基于注意力胶囊网络的合成孔径雷达图像分类模型研究

特征提取是合成孔径雷达(synthetic aperture radar, SAR)图像自动识别与分类中的重要环节。由于SAR图像有相干斑噪声及几何畸变等特性,一般网络模型难以提取到有判别性的特征。为增强特征提取能力,提高分类准确率,提出将注意力机制与胶囊网络结合的一种注意力胶囊网络模型。注意力机制可聚焦寻找具有重要局部信息的特征,在图像识别过程中抑制干扰特征,定位重要特征。胶囊网络可捕捉图像中目标的位置与空间关系,使提取到的SAR图像特征含有更多便于分类的重要信息。结果表明：文中方法对SAR图像分类数据集中运动和静止目标的获取与识别(moving and stationary target acquisition and recognition, MSTAR)有显著效果。     

基于小波域中心矩特征的SAR图像识别

为克服合成孔径雷达(SAR: Synthetic Aperture Radar)图像的方位敏感性和平移敏感性给识别带来的困难, 提出一种基于二维离散小波变换与中心矩特征提取的SAR图像目标识别方法。该方法通过对图像的二维离散小波分解提取低频子带图像, 同时提取具有平移不变性的中心矩作为特征向量, 利用支持向量机进行目标分类和识别。实验结果表明, 该方法在有效抑制噪声的情况下, 很好地克服了SAR图像对目标方位的敏感性, 在减少计算量的同时具有较高的识别率。     

基于局部多分辨特征的SAR图像自动目标识别

合成孔径雷达(SAR)图像自动目标识别是图像识别领域的一个重要方向。受视觉细胞感受野模型的启发,该文提出了一种从图像局部点出发,对图像进行多分辨分解的图像处理方法。采用一组简单的八邻域正交基对图像进行多级滤波采样处理,得到原图像的多级类Gauss差分图像尺度空间,并将其应用到MSTAR数据集中的SAR图像目标的特征提取;同时,基于多级特征的整合思想,运用基于多尺度核方法的SVM模型,对不同级别图像特征采用不同尺度的核函数分别映射,然后进行合成,实现多类目标的分类。对MSTAR数据集的实验结果表明,该方法具有很高的正确率,并且实现简单快速。此外,该方法还可方便地应用于SAR图像场景中多类、多个目标的分割与自动目标识别,并且对相干斑噪声具有较强的鲁棒性。     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.     

基于MARMA模型的SAR图像SVM分割

在分析SAR图像特征的基础上,提出一种新的基于多尺度自回归滑动平均(multiscale autoregressive moving average,MARMA)模型的SAR图像分割方法.首先建立多尺度序列,然后通过研究SAR纹理图像的MARMA模型,建立适合SAR图像的多尺度特征矢量,最后采用提出的广义加权支持向量机进行特征分类.实验结果表明,采用此分割方法可以获得很好的分割结果.     

基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)

为避免传统SAR图像特征分类算法中所需的目标方位角精确估计,提出了一种新的基于稀疏表示与空域金字塔环形描述相结合的SAR目标分类方法.该方法引入bag of features思想,利用密集采样SIFT描述特征训练过完备字典,对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述,得到旋转不变特征,最后输入线性SVM分类器进行分类.MSTAR实测数据的对比实验表明,在无需目标方位角估计的前提下,所提出的算法识别率达到96%以上,取得了很好的目标分类效果.     

基于高分辨率SAR的目标识别技术研究

本文以高分辨率SAR在舰船目标识别方面的应用为研究对象,论文首先分析了SAR成像的特点,提出一种基于Radon变换和直方图分析等方法改善舰船目标几何特征提取的性能,在此基础上,结合SAR图像舰船目标分类自身存在的问题和特点,引入稀疏表示理论,提出一种基于特征字典的稀疏表示分类算法,将其应用于Terra SAR-X SAR图像中三类典型舰船目标分类识别,验证了稀疏表示分类对SAR图像舰船目标分类识别的有效性。     

基于距离度量学习的SAR图像识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）图像样本数据有限,且不同类别间的图像区分度不高导致识别困难的问题,提出一种应用于SAR图像识别的距离度量学习方法.该方法使用CNN网络得到图像的特征分布,利用LSTM网络加强图像间的关联性,基于余弦相似距离度量方法计算图像之间的匹配度,通过注意力机制后对结果进行分类.训练过程结合小样本学习的训练方式,采取预训练的策略进行实验.实验以公开的MSTAR数据集进行SAR图像识别,结果表明该方法准确率达到99.3%,比SVM方法提升2.5%.      

基于小波支持向量机分割的SAR图像桥梁目标检测

针对SAR图像中桥梁和水域的统计特性,提出了基于小波支持向量机分割与先验知识相结合的桥梁目标检测方法.通过对SAR图像中桥梁和背景的分析,首先对水域进行特征提取,再利用小波支持向量机方法对数据进行训练建模,通过模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测.基于真实SAR图像的实验结果显示,此方法不需对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速、准确地检测SAR图像中的桥梁目标.     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

基于深度卷积神经网络的肺结节检测与识别

应用卷积神经网络将肺结节从含有背景、噪声的胸腔区域里检测并识别出来。首先,对图像进行预处理,获得肺实质图像。然后,应用Faster R-CNN多特征融合算法检测肺结节候选区域,再利用多角度特征融合方法滤除假阳性结节。接着,通过数据增强法、残差学习法、优化初始参数等对卷积神经网络的性能进行优化。最后,应用迁移学习方法对数据集进行训练,得出最终的检测结果。抽取LIDC数据集中含有肺结节图像数据,检测并识别肺结节的准确率达到98. 1%。实验结果表明,该算法优于其他3类算法,实现了肺结节的精确检测和识别,在保证检测和识别出正确结节的前提下,降低了过拟合率及训练时间,提高了算法效率,研究成果为早期肺癌的诊断提供参考依据。     

基于GrabCut的免交互图像分割算法

针对GrabCut算法需要用户交互进行初始矩形框的设定而不能做到自动分割,且在前景图像较为复杂时分割效果不佳等问题,提出一种基于GrabCut的免交互图像分割算法。首先,训练Faster R-CNN网络,将待分割图像通过Faster R-CNN进行目标检测来得到前景目标所在区域矩形框;然后在k-means算法初始化高斯混合模型时加入位置信息,进行聚类以得到优化的初始高斯混合模型参数;最后对GrabCut算法分割结果中的边缘像素进行平滑后处理。试验结果表明,该算法无需用户交互即可完成分割且相比原始GrabCut算法具有更好的视觉效果和更高的分割正确率。     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

结合异常检测的X射线安检图像识别方法

针对Faster R-CNN模型对X射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的X射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Proposal Networks, RPN)之前新增一个预分类模块先对X射线安检图像进行异常检测,提高模型对正常图像的识别能力;同时引入兴趣区域对齐(RoIAlign)模块,减小兴趣区域池化层(RoIPooling)引起的量化误差,进而提升Faster R-CNN的检测性能。新模型将浅层卷积层的低级边缘特征输入到预分类模块,使其学习正常图像的高级语义特征,从而改善整个模型的识别性能。实验结果表明,与原始的Faster R-CNN相比,本文模型对危险品的检测精度提升了9.03%,误检率降低了24.03%;同时预分类头部使得模型较大地提高了检测效率,比原始的Faster R-CNN提升了44.54%。     

基于Mask R-CNN的防波堤复杂护面块体检测和分割方法

针对斜坡式防波堤护面层块体个数统计效率和精确率低的问题,提出了基于Mask R-CNN深度学习网络的斜坡式防波堤扭王字块体的识别和分割方法。该方法利用Mask R-CNN深度学习网络学习实验室采集图像的特征信息,通过调整交并比(IOU)阈值得到评价指标最好的模型,并将该模型应用于现场防波堤图像护面块体的识别和分割。测试结果表明,IOU取0.5时,目标分割的平均精确率为91.83%,平均召回率为92.94%;将训练得到的网络用于识别无人机航拍现场的防波堤图像,扭王字块识别率可达90.7%,且拍摄角度和高度对识别精度影响不大。Mask R-CNN深度学习网络可实现密集、复杂护面块体的准确识别,具有良好的移植性和通用性。     

基于改进Mask R-CNN的露天矿边坡裂隙智能检测算法

为了预防因露天矿边坡表面恶化而产生节理、裂隙或断裂等破坏边坡完整性所引发的安全事故,同时解决传统图像处理算法以及经典的深度学习模型直接应用于露天矿边坡裂隙检测效果不甚理想的问题,提出了一种基于改进的Mask R-CNN的露天矿边坡裂隙智能检测算法,运用了Mask R-CNN在目标检测、语义分割以及目标定位方面的集成性特点,改进了其在掩膜分支的边缘不清晰以及误检等缺点,构建了一种针对露天矿边坡裂隙图像的检测分割框架。该方法在掩膜分割分支引入了空洞卷积神经网络以及分类分割迭代上采样操作,能够解决边坡裂隙分割边缘粗糙的问题,实验结果表明,与传统的裂隙分割算法相比,该算法具有更高的识别精度以及更好的分割效果。     

基于鲁棒主元分析的SAR图像目标分割

合成孔径雷达(SAR)图像的目标分割,是SAR图像自动目标识别的关键预处理步骤。与一般SAR图像目标区域分割方法不同,鲁棒主元分析融合了主元分析(PCA)与压缩感知(CS)理论中稀疏矩阵的先进思路,利用多帧具有相似性的SAR图像,构建一个观测矩阵D,通过求解一个凸优化问题,重建出一个低秩矩阵A和一个稀疏矩阵E。将矩阵A和E的列向量矩阵化,即可完成SAR图像目标与背景的分离。实验结果表明,鲁棒主元分析算法避免了复杂的SAR图像背景建模,针对同一目标的多帧SAR图像,所提方法对SAR图像目标和背景的分割问题具有可行性和有效性;与经典的最优阈值分割算法相比,误分率明显降低。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于PANet的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用AP-loss函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071s。与Faster R-CNN算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.