基于多尺度视觉特征组合的高分遥感影像目标检测

针对高空间分辨率(高分)遥感影像中目标空间结构明显、颜色丰富的特点,提出一种基于多尺度视觉特征组合的目标检测方法.首先采用两组特征描述子来表达目标的颜色与空间结构特征,其中,一组是彩色变换后的密集空间金字塔尺度不变特征变换(scale-invariant feature transform,SIFT)描述子,另一组是多尺度方向梯度直方图(histogram of oriented gradient,HOG)与色度、饱和度、明度(hue,saturation and value,HSV)颜色模型组合的特征描述子,然后用支持向量机(support vector machine,SVM)对两组特征分别进行模型训练与目标检测,对于彩色变换密集空间金字塔SIFT描述子,采用视觉词袋空间金字塔匹配核(spatial pyramid matching kernel,SPMK)构建SVM的输入,对于HOG与HSV特征,直接将特征向量按顺序合成作为SVM的输入,最后取两组检测结果的交集作为最终检测结果.为验证方法的有效性,分别以航空影像中的建筑物和鱼排,以及高分卫星影像中的游艇为目标进行检测.结果表明,该方法的目标检测精度可达到90%以上.     

基于动态BoW模型的密文JPEG图像检索

为了实现高效的密文JPEG图像检索,提出了一种基于加密图像AC系数统计直方图的动态检索方案.首先,根据密文图像的AC系数采用自适应k-均值聚类构建动态词袋(bag-of-word,BoW)模型.其次,借助BoW模型将图像块的AC系数统计特征转化为全局直方图特征.最后,由服务器根据直方图特征来判断相似性,从而提高检索效率.即使密文图像库动态更新,如密文图像的新增与删除,该检索方案也是鲁棒高效的.实验结果表明,该方案在保证检索准确度的同时大大提高了检索效率,具有实际应用价值.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

应用商空间理论的遥感影像多粒度合成分割

传统影像分割方法只能对影像进行单一粒度空间的分割,分割结果的准确性限于单一粒度空间,该文运用商空间理论提出一种遥感影像多粒度合成分割方法. 首先探讨多粒度影像分割的商空间模型,用影像数据场表达像元空间关系,用分形维数特征增强人工地物和自然场景的区分能力. 对灰度特征、影像数据场、分形维数分别进行分水岭分割和迭代自组织数据分析(ISODATA)聚类,获得多粒度分割结果. 最后基于粒度合成原理给出一个具体的多粒度影像分割的商空间合成算法. 实验表明该方法能充分利用各个粒度空间分割结果的优点,纠正了单一粒度空间的分割错误,分割结果更准确.     

SIFT特征匹配无人飞艇多光谱影像拼接

无人飞艇抗风能力弱、稳定性差且不符合航摄规范,采用传统方法对其所获取的影像进行拼接往往达不到较高的精度. 为此,该文提出一种基于尺度不变的特征变换进行多光谱遥感影像特征匹配的拼接. 将多光谱信息引入SIFT特征向量集,采用BBF(best-bin-first)算法和随机抽样一致性方法进行粗、精匹配处理和误差剔除,以SIFT特征匹配计算的最优变换矩阵实现光谱影像拼接. 对无人飞艇获取的多光谱影像拼接实验结果表明,所提出的方法能获取大量匹配特征点,且影像间的变换矩阵稳健,光谱影像拼接精度和效果能满足判读解译的需求.     

一种结合全局和局部特征的图像描述生成模型

针对局部特征的图像描述模型存在的不足之处,提出了一种结合局部和全局特征的带有注意力机制的图像描述生成模型.在编码器-解码器结构框架下,在编码器端利用InceptionV3和VGG16网络模型分别提取图像的局部特征和全局特征,将两种不同尺度的图像特征融合形成编码结果.在解码器端,利用长短期记忆网络将提取的图像特征翻译为自然语言,借助微软COCO数据集进行模型训练和测试.实验结果表明:与基于局部特征的图像描述生成模型相比,该方法能够从图像中提取更加丰富完整的信息,生成表达图像内容更加准确的句子.     

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine, SVM) 分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析. 实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.     

压缩感知稀疏识别用于多视角图像目标分类

针对多视角条件下的图像目标分类问题,提出一种基于压缩感知特征的稀疏识别方法. 该方法以原始图像的感知数据为特征描述,将测试样本与训练样本集的压缩感知特征纳入稀疏识别的框架,并通过求解一个l1范数优化问题来获取分类结果. 实验表明,该方法不仅有效利用了压缩感知特征的信息冗余性来保证稀疏识别的性能,而且无需进行预处理就能较好地实现多视角图像的目标分类.     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.     

基于多分类器组合的湿地类型信息提取

针对如何提高遥感影像分类精度等问题,该文选取覆盖友好自然保护区的Landsat_5TM遥感影像为数据源,提出了将多个分类器进行组合的遥感影像分类方法.该方法将熵权法引入到湿地遥感分类研究中,选取最大似然、支持向量机(SVM)、神经网络(NN) 3种分类器作为子分类器,利用熵权法确定组合分类器的组合规则,采用多分类器组合的方法对友好自然保护区进行湿地类型信息提取,以提高湿地的分类精度.结果表明:与单一分类器相比,多分类器组合的遥感影像分类方法能够有效的提高分类精度.     

基于多特征卷积神经网络的哨兵二号影像地物分类

空间分辨率为10 m的哨兵二号影像在原始的GoogLeNet中以影像的光谱值作为输入，没有将影像中的地物视为一个整体对象，为了利用影像的面向对象特征，提出了基于多特征的Object-oriented GoogLeNet网络结构。Object-oriented GoogLeNet在原有模型的基础上，引入了面向对象的光谱特征和形状特征，充分利用了不同地物间差异的形状特征进行分类。在武汉市及其周边的无云影像制作的数据集上，Object-oriented GoogLeNet模型的分类结果总体精度在GoogLeNet基础上提升了1.773%。结果表明，引入面向对象的特征模型在哨兵二号遥感影像分类中效果更好。     

特征描述子在目标伪装效果评价中的应用

为了实现目标伪装效果评价的客观化和定量化,基于表征人眼视觉注意机制的特征描述子建立了特征相似度模型.人眼视觉注意机制模型量化了视觉注意焦点的转移过程.基于特征尺度值,提取了注意焦点的特征描述子.建立了基于特征描述子的特征相似度模型,实现了目标与背景在亮度、颜色和空间分布等方面融合程度的定量评价.拟合了特征相似度与目标发现概率的关系式.实际应用结果表明,该模型具有可操作性强、量化准确等优点.     

HOG结合傅立叶局部二值模式特征的行人检测

针对局部二值模式(Local binary patterns,LBP)和梯度方向直方图(Histogram of Gradients,HOG)的联合特征,在行人检测中易受行人肢体偏转影响的问题,本文将傅立叶局部二值模式算子(Local binary patterns-HF,LBPHF)与HOG算子联合对行人进行特征描述。在每个滑动窗口中,分别计算HOG特征与LBPHF特征,将两者结合,构成联合特征。利用线性支持向量机训练分类器,通过自举法不断更新优化分类器,获得最优判别模型。将提取所得的联合特征输入分类器中进行判别,采用非极大值抑制的融合方法对重叠检测窗口进行融合。实验结果表明,LBPHF算子与HOG相结合的方法检出率高,计算复杂度低,抗行人肢体偏转干扰能力强。     

基于语义分割的遥感影像建筑变化检测

遥感影像变化检测是利用多时相影像确定一定时间内地物或现象的变化，提供地物空间变化的定性与定量信息。传统遥感影像变化检测方法主要基于地面纹理及空间特征的方法，存在着难以精确识别遥感影像中新增建筑物的问题，为此该文提出了一种基于UNet网络的遥感影像建筑物变化检测方法。首先，将轻量级高效通道注意力机制网络（efficient channel attention network, ECANet），注入到原UNet网络模型，调整并优化网络结构，提升影像分割的准确度。然后改进SENet网络参数，提高遥感影像中的建筑物变化检测的精度。该文在高分辨率数据集LIVER-CD上进行实验，结果表明，所提方法的语义分割准确度达到99.03%，建筑变化检测准确率达到98.62%。相比于其他方法，该方法增强了影像的有效特征，提升了遥感影像中地面建筑物的检测精度。     

Chan-Vese模型下的复合多相水平集图像分割

Chan-Vese模型(C-V模型)能够实现图像的二区域分割,但在多区域分割上存在局限. 目前解决C-V模型多区域分割问题有两种方案：一是采用多水平集同时收敛的并行多相分割;另一种是采用多水平集依次收敛的串行多相分割. 文中将两种方案结合起来,利用并行多相算法表示区域量大和串行多相算法分割效率高的特点,提出基于C-V模型的复合多相水平集分割算法,增加了串行结构下的分割区域量,也提高了并行结构下各水平集的实际分割效率. 实验结果表明,该方法可实现多区域分割,并能检测由弱边缘构成的子目标.     

基于双层回归森林模型的头影测量图像结构特征点自动定位

为了实现X射线头影测量图像中结构特征点的自动定位,提出一种基于双层回归森林模型的头影测量图像结构特征点自动定位方法.首先从图像中提取外观特征训练第1层回归森林模型,通过该模型生成针对当前特征点位置的偏移距离图;然后从偏移距离图中提取上下文特征,并结合外观特征训练第2层回归森林模型;接着将双层回归森林模型用于待检测的X射线头影测量图像,预测出图像中每个像素关于目标特征点的偏移距离;最后根据回归投票方法求得结构特征点位置.实验结果表明,基于双层回归森林模型的自动定位方法能较准确地获得头影测量图像中结构特征点的位置.     

多层记忆增强生成对抗网络二次预测的视频异常检测方法

为了提高视频异常检测的准确率,提出了一种基于多层记忆增强生成对抗网络二次预测的视频异常检测方法。首先利用目标检测提取时空立方体,并将其输入自编码器中得到预测帧;其次将预测帧的表观特征和对应真实帧的光流特征进行融合,形成融合特征;最后利用多层记忆增强生成对抗网络二次预测未来帧,以便学习不同层次特征的正常模式并捕获上下文的语义信息。在UCSD Ped2和CUHK Avenue数据集上进行的实验结果表明：所提出的方法与其他视频异常检测方法相比,可有效提高视频异常检测的性能,使帧级别AUC分别达到99.57%和91.59%。     

一种区域统计信息的格子波尔兹曼图像分割模型

格子波尔兹曼(lattice Boltzmann, LB)分割模型具有算法简单、运算快捷的优点,但对于低对比度和受到噪声污染的图像,经常产生欠分割或者过分割现象.为此,引入图像局部区域统计信息,构建了一种新的格子波尔兹曼图像分割模型.为验证该模型及算法的分割性能,在相似性系数和豪斯多夫距离等评价技术指标下,利用真实脑磁共振图像作为实验数据进行分割,并与现有LB分割模型以及水平集分割模型进行对比.实验结果表明,该模型在分割精度方面比现有LB模型提高10倍,在计算速度方面比传统水平集分割模型提高3倍.     

应用空域局部高斯混合模型的LSB匹配隐写分析

考虑到图像是一个局部平稳信源,提出一种局部内容自适应的LSB(least significant bit)匹配隐写分析方法. 该方法将LSB匹配隐写建模为加性高斯噪声,将图像空域细节分量建模为高斯混合模型. 在局部区域内用期望最大化算法估计模型参数,取最小方差值为局部隐写噪声方差的估计. 然后提取局部方差直方图的加权和特征,以反映图像不同复杂度区域隐写前后的变化. 将原始特征和校准特征相结合,作为分类特征. 对未压缩图像库的实验表明,该方法较现有方法具有更好的检测性能,在嵌入率低至25%时仍有较可靠的检测性能.     

基于GRU与特征嵌入的网络入侵检测

当前基于神经网络的入侵检测方法并没有将数据分类信息考虑在内，无法有效利用网络流量数据的时序信息，为此将门控循环单元（gated recurrent unit，GRU）和基于分类信息的特征嵌入技术结合起来，构建了基于GRU与特征嵌入的网络入侵检测模型。利用UNSW-NB15数据集进行模型仿真实验，结果表明该模型提高了对入侵攻击的检测率，为入侵检测中大规模数据的处理提供了一种全新的思路。