基于空谱信息协同与Gram-Schmidt变换的多源遥感图像融合方法

多光谱和合成孔径雷达图像的融合可以保留每个数据的优势, 有利于提高土地覆盖分类精度。然而, 当前的一些图像融合方法不能完全利用原始数据的光谱信息与纹理细节。为了克服上述问题, 提出一种基于空谱信息协同和Gram-Schmidt变换的融合方法。在所提方法中, Sentinel-2A图像和高分三号(GaoFen-3, GF-3)图像分别经过不同的预处理操作。由于灰度共生矩阵能有效提取图像的纹理信息, 因此将其应用于Sentinel-2A图像以提取结构特征, 并将空谱信息协同的多光谱图像与GF-3图像通过Gram-Schmidt变换进行融合。实验采用主成分分析法和传统的Gram-Schmidt变换作为比较方法。为了确定融合算法的有效性, 采用5项评价指标(包括平均梯度、空间频率、均值、标准差和相关系数)来衡量融合图像的质量。此外, 由于随机森林具有优秀的训练速度和出色的分类性能, 将其用于土地覆盖分类。随机森林的分类精度、Kappa系数和分类结果图作为融合方法的评价标准。实验结果表明, 与单独使用原始Sentinel-2A相比, 所提方法可以将整体精度提高多达5%, 具有提高遥感卫星图像土地覆盖分类精度的潜力。     

基于超分辨极化SAR图像的舰船检测算法

极化合成孔径雷达(synthetic aperture radar, SAR)图像超分辨处理具有聚集目标能量,提高图像分辨率,抑制相干斑噪声的能力。扩展了多通道幅度和相位估计(amplitude and phase estimation, APES)谱估计算法,并以此实现了极化SAR图像的超分辨处理。运用基于K分布的单极化检测器和基于SPAN、PWF的全极化检测器对实测SAR图像进行了舰船检测。通过分析超分辨极化SAR图像杂波统计分布、弱小目标检测性能、目标区域区分精度、目标轮廓及拓扑结构提取效果等,验证了基于多通道APES谱估计的超分辨极化SAR图像的舰船检测性能。     

基于YOLOv5的光学遥感图像舰船目标检测算法

针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况,提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进,设计语义信息增强模块提取更富语义信息的浅层特征,增强对小目标特征的表达能力;然后使用Swish函数作为激活函数,提高网络对数据非线性特征的表征能力,加快模型的收敛速度;最后针对舰船目标的尺寸特点优化检测端结构,移除大目标检测头以减少推理计算量。测试集上的实验表明,该方法相较改进前将检测精度提高了5.2%且推理时间有所减少,在保证检测实时性的同时增强了模型的小目标辨别能力。     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%,达到了94.8%, 虚警率降低4.8%。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题,提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时,使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

小波域多聚焦图像融合算法

研究了小波域多聚焦图像融合方法中滤波器、分解层数、融合规则的选取问题,提出一种基于小波变换的简单融合规则。利用小波变换将图像分解成最低频逼近和不同尺度、不同方向的高频细节信息,最低频逼近反映图像的平均信息,细节包含图像的边缘。根据多聚焦图像中细节信息互补的特点,对多个待融合图像简单地取模值较大的小波系数,得到了很好的融合图像。详细讨论了不同的小波滤波器、分解深度、融合算子对融合结果的影响。对小波域图像融合算法与其它一些多分辨图像融合算法:如Laplace塔、比率塔、对比度塔、梯度塔等进行比较,得到了一些定性结论,对该领域的研究和实验有一定的指导意义。     

基于多小波域对比度的图像融合算法

针对多小渡理论在图像处理领域的应用,给出了多小波域中图像的方向对比度的定义,并提出了基于多小波变换的、使用方向对比度进行自适应加权平均融合和选择性融合的算法.该算法利用多小渡变换对原图像进行分解,根据得到的分解系数计算相应的对比度,然后建立基于对比度的融合规则.使用这些算法对多谱图像进行了融合实验,并给出了评价融合质量的对比结果.结果表明,基于多小波变换的方向对比度的图像融舍算法在保留图像细节信息、增加信息量方面都有明显的提高.     

基于感知向量的光学遥感图像舰船检测

针对光学遥感图像中近岸舰船目标检测干扰大、虚警率高的问题, 在基于包围框边缘感知向量(box boundary-aware vectors, BBAVectors)检测网络的基础上提出了改进方法。首先在特征融合网络后加入一个有监督的注意力模块来增强目标区域信息, 削弱无关背景信息干扰; 然后利用边界感知向量间的几何关系设计了一个自监督损失函数, 用以加强向量间的耦合关系, 防止向量独立性导致包围框出现不规则形状。实验结果显示, 在HRSC2016数据集L₂级检测任务中, 改进模型检测结果的平均精度相较于原网络提高了6.91%, 有效抑制了背景噪声的干扰, 降低了近岸舰船目标检测的虚警率, 证明了改进方法的有效性。     

基于区域分割的NSCT域SAR与全色图像融合算法

提出了一种基于多阈值分割和无下采样Contourlet变换(nonsubsampled Contourlet transform, NSCT)的SAR与全色图像融合算法。首先对降斑SAR图像作多阈值分割,并定义了区域均值比量测算子将SAR图像进行区域划分;然后采用NSCT对降斑SAR图像和全色图像进行多尺度、多方向分解,分解后的低频部分根据区域均值比量测算子进行区域融合,高频部分则采用区域与窗口邻域相结合的融合策略;最后对融合系数进行重构得到融合图像。实验结果表明,该算法的融合图像既可保持全色图像的空间分辨率,又可有效获取SAR图像的目标信息,融合效果优于小波变换法以及基于像素的NSCT法。     

基于决策融合的多无人机协同目标检测识别算法

针对现阶段单无人机不能高效完成大区域巡视的问题,提出一种多无人机决策融合的目标检测识别算法。首先改进Retinanet算法进行单无人机的目标检测,根据航拍图像目标特性,调整anchor参数和训练策略。同时利用特征提取算子配准多无人机航拍图像,实现多机图像坐标一致,并进行图像拼接。然后综合目标的位置信息和属性信息对多机图像进行目标关联。最后提出一种基于冲突度量的动态切换策略,自适应选择DST(dempster-shafer theory)或DSmT(desert-smarandache theory)融合关联目标信息。在多无人机协同目标识别数据集上进行实验,结果表明所提算法能在增大单次巡视范围的同时,提高无人机巡视系统的检测精度。     

基于关键点的遥感图像舰船目标检测

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题, 提出基于关键点的遥感图像舰船目标检测方法, 通过预估舰船中心点实现目标检测。首先, 引入深度可分离卷积降低参数冗余, 结合SimAM无参注意力机制, 增强对舰船目标的关注度。其次, 引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图, 增强网络对旋转目标的适应能力。最后, 考虑到遥感图像舰船目标任意方向密集排列, 但舰船目标中心点不变的特点, 采用直接预测目标的中心点, 再回归偏移量、目标尺度和角度的思路, 摆脱锚框遍历机制, 提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验, 实验结果充分说明了本文方法的有效性和先进性。     

基于极化合成孔径雷达的舰船检测方法

特征提取是极化合成孔径雷达图像处理的一个重要问题,也是海上目标检测的关键。相似性参数和极化熵可以表征目标的电磁散射特性。为了增强目标与背景的对比,提出了一种基于特征融合的新参数。这种参数可表达区域的差异性,处理后目标与背景的对比更加明显。研究了该参量在海杂波区域的分布模型,进而提出了一种新的海上船只检测方法,该方法可用于多视情况下的舰船检测。最后用机载合成孔径雷达(airborne synthetic aperture radar, AirSAR) 数据验证了该方法的有效性。     

基于改进型YOLOv3的SAR图像舰船目标检测

传统合成孔径雷达(synthetic aperture radar, SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰, 泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性, 对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络, 本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法, 该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证, 在检测效果方面, 相较于原YOLOv3模型, 平均精度从93.21%提高至96.94%, 检测概率从95.51%提高至97.75%;在模型大小方面, 轻量化设计模型仅为原YOLOv3模型的八分之一, 可实现嵌入式的使用。     

基于语义分割实现的SAR图像舰船目标检测

基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测逐步成为新的趋势。如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向。不同于当前已有方法,本文对存在的深度学习SAR图像舰船目标检测方法进行了再思考,提出了基于语义分割实现的检测、分割一体化方法。通过语义分割实现的检测方式能够有效地避免当前诸多检测网络的复杂解码过程,具有生成的预测框更加贴合目标、精度以及召回率更高等特点。该方法虽属于无锚框检测,但实验结果表明,达到了双阶段检测效果,且具有更加精细化的分割结果,适用于复杂背景检测与分割问题。     

多源图像实时配准融合系统

多源图像配准融合方法的理论研究较多,已有的融合系统往往针对特定应用通用性差,并且不具备实时性,而具有并行分布式计算机体系结构的通用实时图像融合系统有望解决这一问题。该系统的核心是基于标准总线上实时操作系统,以ADSP并行完成多源图像实时配准和融合,CPLD实现总线和视频同步控制。具有运算能力强、I/O带宽大、可扩展性和通用性强的特点,并以此构成了高速实时融合系统。实用表明此方案是可行的。     

基于成像机理的多小波多聚焦图像融合

针对可见光成像系统的聚焦范围有限,该物体前后一定距离外所有物体都将呈现不同程度的模糊的问题,探讨了可见光多聚焦图像的融合问题。分析了多聚焦图像的成像机理,提出了一种基于多小波变换的融合方法。实验结果表明,该方法可有效综合多聚焦图像,从而获得场景内所有物体都清晰的图像。     

基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。     

融合多源先验信息的舰船备件可靠性评估

舰船工作环境常导致备件的实际可靠性规律与设计参数不一致。在实际使用消耗量较小的条件下,全面分析备件可靠性信息来源,通过定义似然权重系数,融合多源先验信息,建立指数型备件可靠性的贝叶斯评估方法。最后,通过仿真分析验证方法的合理性。结果表明,所提出的基于似然权重的先验信息融合方法可以较好地融合不同信息源的可靠性信息,估计方法具有较好的稳定性。