基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

基于深层次特征增强网络的SAR图像舰船检测

针对合成孔径雷达图像中舰船目标检测困难的问题,提出了一种基于深层次特征增强网络的多尺度目标检测框架.利用Darknet53提取原始图像特征,自上而下建立四尺度特征金字塔;特别设计基于注意力机制的特征融合结构,自下而上衔接相邻特征层,构建增强型特征金字塔;利用候选区域及其周边上下文信息为检测器计算分类置信度和目标分数提供更高质量的判定依据.所提算法在SSDD公开数据集和SAR-Ship自建数据集上的平均检测精度分别为94.43%和91.92%.实验结果表明,该算法设定合理且检测性能优越.      

基于分块信息熵和特征尺度的图像配准算法

针对当前图像配准技术中特征点的检测和匹配存在的问题,提出了一种基于分块信息熵和特征尺度的图像配准算法.通过对图像进行分块,结合每块图像的信息熵,改善了Harris-Laplace算子提取的特征点分布过于集中的问题.通过比较角点响应函数的值,剔除了特征点中的冗余点.通过结合特征点的尺度信息、Hu矩和双向匹配策略,提高了初始匹配点对的准确率.仿真结果表明,改进的配准算法可以实现高精度的图像配准,对图像的几何变换具有很强的鲁棒性.      

一种改进的ORB特征点匹配算法

针对ORB特征描述算法没有解决尺度不变性的问题,提出了一种将具有尺度不变性的BRISK特征描述符与ORB特征检测子相结合的特征点匹配算法;利用ORB特征检测子检测待测图像中的特征点,并借鉴BRISK特征描述算法的思想对检测到的特征点进行均匀采样,然后对采样到的特征点进行特征描述,最后使用暴力匹配的方法计算汉明距离从而完成特征匹配;通过实验验证了改进算法,有效地解决了ORB特征描述算法不具备尺度不变性的问题,相较于原ORB算法,改进算法的尺度不变性得到了有效提高且更加稳定、可靠,同时,改进算法的实时性也略优于原算法,适合于要求实时性高且尺度变化大的应用中。     

基于多尺度小波变换的图像边缘检测

图像边缘是图像中的重要信息,为了检测图像中的边缘信息,提出了一种基于多尺度小波变换的图像边缘检测算法．该算法充分利用了图像边缘在多尺度下的信息,首先选用二次B样条小波对原始图像进行多尺度小波分解,提取出图像中的高频信息,包括真实的图像边缘和噪声,然后根据图像边缘和噪声在不同尺度下具有不同的传递性,抑制噪声分量,保留图像边缘分量．实验结果表明,该算法获得了较好的图像边缘检测效果．     

图像边缘检测二维小波算法研究与实现

边沿作为图像视觉的最主要特征，成为图像信息获取的重要内容。小波变换具有检测局域突变的能力，而且可以结合多尺度信息进行检测，因此成为图像信息边缘检测的优良工具。根据二维小波变换的特点,分析了利用二维小波进行图像边缘检测的基本原理，并设计了利用二维小波变换进行多尺度边缘匹配的检测算法。基于研究结果，编写了计算机应用程序，进行实例分析。     

基于非下采样contourlet变换的纹理图像检索算法

提出一种应用非下采样contourlet变换(nonsubsampled contourlet transform,NSCT)进行图像检索的算法,以获取一种兼顾纹理图像概貌和细节信息的特征,从而提高图像检索的性能.该算法利用NSCT对图像进行多尺度、多方向分解,获得子带系数矩阵;对低频子带系数提取能量和方差作为全局纹理特征,并对高频子带系数分别提取尺度间和尺度内纹理信息;通过非高斯双变量模型拟合子带系数,利用信息熵描述尺度间特征;尺度内特征通过对同一层子带图像按主方向排序,获得直方图图像,计算其加权信息熵作为特征向量.对Brodatz标准纹理库的检索实验结果表明,与同类算法相比,该文方法具有更高的检索性能.     

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.     

基于深度学习和复杂空间关系特征的多尺度遥感图像检索

深度学习技术逐渐成为解决图像检索和图像分类问题的主流技术,然而现有算法不能有效地处理遥感图像中的复杂空间关系以及多尺度特征问题.为有效解决遥感图像检索问题,提出了一种综合考虑空间关系与尺度特征的新方法.首先,用深度学习方法检测过的遥感图像抽象为点集;其次,构造Delaunay三角网以描述全局空间关系特征;最后,在空间特征相同的部分中使用模糊性状模型匹配局部空间特征.该模型有效地规避了因尺度不同而产生的视觉差异.在UC Merced Land-Use和RS19等公开数据集上进行实验,结果表明,该算法在多尺度遥感图像检索精度方面的表现优于其他相关方法.     

一种融合信息熵和改进SIFT算法的图像检索方法

针对图像检索中基于单一全局颜色特征或局部特征的检索方法存在查准率和查全率低等问题,提出了一种融合信息熵和改进尺度不变特征变换算法的图像检索方法。首先,利用改进的尺度不变特征变换算法提取图像的局部特征;然后,计算图像的全局颜色特征和信息熵;最后,利用信息熵动态分配全局颜色特征和局部特征的权重,计算图像间的相似度进行图像检索。实验结果表明:该方法的检索性能优于颜色直方图法和尺度不变特征变换算法。     

一种基于多尺度分形新特征的目标检测方法

研究复杂自然背景下单帧图像的小目标检测问题.根据人造目标的分形特征随尺度变化比自然背景剧烈这一特点,提出一种多尺度分形新特征.该特征比标准分形维数更好地突出自然背景中的人造目标,对三种图像不同的背景干扰起到了较好的抑制作用.在多尺度分形新特征图像中采用局部直方图统计方法进行目标检测.实验结果表明,基于该特征的目标检测算法对复杂地面背景、海面背景的红外图像和电视图像具有较好的稳健性和普适性,能从单帧图像中较好地检测定位小目标,检测准确率达95%以上.     

基于多尺度相位谱的显著性运动目标检测

针对视频序列中的显著性运动目标检测问题,提出一种基于图像频域中的多尺度多特征显著性运动目标的快速检测方法.所提算法在对视频序列多尺度运算的基础上,通过提取视频序列底层特征,分析其离散余弦频域中的时空域相位信息,最终构建时空域显著性视频序列,完成序列中的显著性运动目标检测.实验结果表明,所提算法在复杂背景环境下,特别是各...     

基于ASIFT和圆投影特征的图像被动取证

文中针对图像篡改中最常见的复制粘贴篡改被动取证问题展开图像分析研究,提出了一种基于仿射尺度不变特征变换(ASIFT)和圆投影特征的算法,用于检测图像中是否存在复制粘贴篡改.实验结果表明:基于仿射尺度不变特征的算法对具有明显角点特征的篡改图像的取证效果较好,而基于改进圆投影特征的算法对不具备明显角点特征的篡改图像(如随机性纹理、平坦区域)的取证效果较好,因此联合使用基于这两种特征的算法对常见的复制粘贴型图像篡改进行被动取证能达到较好效果.     

结合图像信息和几何关系的配准算法

对图像配准中的特征点检测方法和描述方法进行了研究,提出了一种快速准确的图像配准算法.使用尺度空间理论进行特征点的检测,通过两种不同的特征点描述子对特征点进行描述:一种是基于图像信息的描述子,该描述子使用尺度空间理论上的尺度不变Harris算子的自相关矩阵来描述特征点;第二种是基于空间上的几何关系的描述子,提出了一种融合局部结构特征和全局信息的描述子.在图像配准的目标函数里,将特征点匹配矩阵和图像变换矩阵分解,分别使用两种不同的描述子对二者进行迭代求解.该算法结合了两种特征点描述方法的优点,实验结果表明该方法快速、准确,具有配准精度高和计算时间短的优点.     

基于多尺度超像素融合的RGB-D单幅图像阴影检测算法

针对单幅复杂环境图像阴影检测问题, 提出一种基于多尺度超像素融合的自动阴影检测快速算法. 首先利用深度图像计算各点的法向量及空间坐标, 同时利用简单线性迭代聚类算法对彩色图像进行多个尺度的超像素分割; 然后使用阴影置信度算法结合图像的色度、法线和空间位置信息分别估计各尺度下的超像素阴影置信度; 最后采用Adaboost训练的分类器对各尺度下的超像素阴影置信度进行融合, 得到最终的判决结果. 实验结果表明, 该算法的准确度明显高于原阴影置信度算法, 运行时间约为原阴影置信度算法的10%, 对于小块阴影、 大面积阴影及边缘不清晰的软阴影检测表现较突出, 适合对光线复杂环境下的图像进行前期预处理.     

一种基于图像匹配的闭环检测方法

为提高较大规模环境下同时定位与地图创建闭环检测的鲁棒性和实时性,提出一种基于单目视觉的闭环检测方法.利用尺度显著算法选择图像的感兴趣区域,对显著特征区域再选择后,通过提取图像尺度不变特征进行图像匹配以实现闭环检测,解决了特征匹配计算量过大对数据关联的速度影响问题.     

基于多尺度全卷积与CRF的路面裂缝检测算法

针对已有路面裂缝检测算法对细小特征提取不够完善,并且未考虑到全局信息的问题,提出一种具有全局信息的多尺度全卷积神经网络路面裂缝检测算法.该算法融合了3个具有不同空洞卷积率的单尺度空洞卷积,构成多尺度空洞卷积,在不丢失分辨率的情况下扩展感知范围,减少参数计算量.利用反卷积层融合深层信息与浅层信息来扩充图像细节.最后将网络...     

基于LTCP特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法在对图像纹理特征进行鉴别时精度较差的问题, 提出一种基于长期控制计划(LTCP)特征的计算机生成图像鉴别算法. 首先将彩色图像变换到颜色模型中, 对图像进行下采样, 获得较高尺度的纹理信息; 然后采用基于LTCP特征和共生矩阵的计算机生成图像盲鉴别算法, 对不同尺度的纹理图像LTCP特征及相邻像素一致性共生矩阵特征进行采集; 最后通过判别分类器对LTCP特征及相邻像素一致性共生矩阵特征实施分类预测, 根据分类预测结果实现计算机生成图像的鉴别. 实验结果证明, 该算法在计算机上生成的图像特征维度较低, 鉴别率和精度较高, 能实现计算机生成图像的准确鉴别.     

多层特征图堆叠网络及其目标检测方法

随着深度卷积神经网络的快速发展,基于深度学习的目标检测方法由于具有良好的特征表达能力及优良的检测精度,成为当前目标检测算法的主流.为了解决目标检测中小目标漏检问题,往往使用多尺度处理方法.现有的多尺度目标检测方法可以分为基于图像金字塔的方法和基于特征金字塔的方法.相比于基于图像金字塔的方法,基于特征金字塔的方法速度更快,更能充分利用不同卷积层的特征信息.现有的基于特征金字塔的方法采用对应元素相加的方式融合不同尺度的特征图,在特征融合过程中易丢失低层细节特征信息.针对该问题,本文基于特征金字塔网络(featurepyramidnetwork,FPN),提出一种多层特征图堆叠网络(multi-featureconcatenationnetwork,MFCN)及其目标检测方法.该网络以FPN为基础,设计多层特征图堆叠结构,通过不同特征层之间的特征图堆叠融合高层语义特征和低层细节特征,并且在每个层上进行目标检测,保证每层可包含该层及其之上所有层的特征信息,可有效克服低层细节信息丢失.同时,为了能够充分利用ResNet101中的高层特征,在其后添加新的卷积层,并联合其低层特征图,提取多尺度特征.在PASCALVOC2007数据集上的检测精度为80.1%m AP,同时在PASCALVOC2012和MSCOCO数据集上的表现都优于FPN算法.相比于FPN算法,MFCN的检测性能更加优秀.     

多尺度的图像显著性检测方法

为了提高显著性检测算法的准确性与鲁棒性,提出了一种基于多尺度融合的对象显著性检测方法.首先对图像进行平滑处理,过滤掉图像中的高频噪声特征,然后对图像进行尺度划分并分别采用不同的方法对不同尺度上的图像检测其显著性,最后根据条件随机场理论对不同尺度上的显著性检测结果进行加权融合,得到最终的显著性检测结果.在两种公共数据集上与多种经典算法进行定性、量化比较,结果表明该算法具有更好的表现.