共查询到20条相似文献，搜索用时 118 毫秒
1.
目前的目标融合检测方法大都是基于多源遥感图像配准的,然而在实际的应用中,成像机理不同的多源遥感图像的精校正和图像间的配准是十分复杂的,难以确保其配准精度.为此,本文提出了一种基于目标关联的多源卫星遥感图像的兵营融合检测方法.该方法不对图像进行配准,而是根据单源图像的目标自动检测结果,利用图像的大地坐标信息,截取包含目标的同一地区的局部遥感图像,再分别提取多源遥感图像目标的特征,并根据其中冗余的特征,对提取的目标区域建立关联,再由关联检验确保特征关联的正确性,最后对目标特征进行融合决策,得到目标融合检测结果.实验结果表明,该方法能有效地利用多源遥感图像的信息,降低遥感图像目标检测的误判率,提高目标特征的准确度. 相似文献
2.
多分辨率特征融合的光学遥感图像目标检测 总被引：1，自引：0，他引：1
高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。 相似文献
3.
飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题，本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架，采用轻量级基础网络提取多尺度特征信息；然后设计反卷积特征融合模块，通过跳跃连接将高层语义特征与低层细节特征进行特征融合，得到结构层次丰富的多尺度融合特征；最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验，结果表明，MultDet512在飞机数据集上取得了94.8%的平均检测精度（average precision，AP），在Titan Xp GPU上达到0.050 0 s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中，能够实现多尺度飞机目标的高精度稳健检测。 相似文献
4.
5.
为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN（Region Proposal Network）机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。 相似文献
6.
7.
遥感图像目标检测是对目标视觉特征的描述与图像先验知识的表达,解译得到的信息无论在军事领域还是在民用领域都有着广泛的应用。针对复杂场景下遥感图像目标特征提取能力不足,目标尺度差异较大、方向任意且紧密排列,传统目标检测所使用的水平框难以准确定向等问题,提出了一种精细化多尺度特征的遥感图像定向目标检测算法。首先,设计了一种基于空洞卷积的上下文注意力网络,能够利用不同空洞率的卷积核捕获局部和全局语义信息,并利用注意力机制将语义信息整合到原始特征上,提升目标特征提取能力;其次,提出了一个精细化的特征金字塔网络,通过像素混洗的方式减少特征金字塔中的通道信息损失,强化网络对差异性大的多尺度目标特征信息的理解能力;最后,研究利用滑动顶点的方式回归定向的矩形框,更好地表示遥感图像内有向目标的位置。本文以Fast R-CNN OBB为基准,通过在目标检测公开数据集DOTA和HRSC2016上验证了算法的有效性,结果显示本文算法在DOTA数据集上与基准算法比较,平均精度(mAP)提升了22.65%,最终检测精度mAP达到了76.78%。在HRSC2016数据集上,最终检测精度mAP达到了89.95%。此外,本文算法较多种先进算法相比均有具有较好的提升。 相似文献
8.
在遥感图像检索中,光谱特征的应用最为广泛。本文研究了基于光谱特征进行遥感图像检索的方法。针对目前应用越来越广泛的多光谱、高光谱遥感图像波段多的特点,提出了基于K-L变换的检索方法,将多维图像降维处理,在此基础上提取遥感图像的光谱特征,通过检索图像与目标图像的光谱特征对比实现多光谱遥感图像的检索,并通过实验验证了本文方法的有效性。 相似文献
9.
叶异冬 《测绘与空间地理信息》2024,(3):127-129
提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。 相似文献
10.
深度残差网络的多光谱遥感图像显著目标检测 总被引：2，自引：2，他引：0
本文侧重于介绍智能化摄影测量深度学习的深度残差方法。显著目标检测致力于自动检测和定位图像中人最感兴趣的目标区域。多波段遥感图像因其更加丰富的光谱信息和揭示观测目标物理属性的能力在目标检测中获得重要应用。传统的显著目标检测方法通过手工设计特征,计算图像各像素或者超像素与邻域像素或者超像素之间的对比度检测显著目标。随着深度学习的巨大发展,特别是全卷积神经网络的引入,基于深度卷积网络的显著目标检测算法取得重要进步。然而,由于数据获取和标记的困难,多波段遥感图像显著目标检测的研究依然主要采用手工设计特征。本文研究基于深度卷积神经网络的多波段遥感图像显著目标检测算法,提出一种基于深度残差网络的自上而下的多光波段遥感图像显著目标检测网络,该网络可以有效挖掘深度残差网络不同层次上的显著性特征,以端对端方式实现显著目标检测。为了应对多波段遥感图像数据量有限、无法训练深度残差网络的问题,本文提出通过浅层神经网络从RGB图像直接生成多波段遥感图像,实现光谱方向的超分辨率。在现有多波段遥感图像和可见光图像显著目标检测数据集上的试验结果超过当前最好方法10%以上,验证了本文方法的有效性。 相似文献
11.
遥感图像分割是对遥感图像进行处理的最为关键的一步.马尔科夫随机场模型作为先验模型,在图像分割领域已经得到了广泛的应用,实践证明该模型有助于提高图像分割的效果.但是由于环境和传感器的影响,遥感图像具有灰度变化大、纹理复杂及边界模糊等特点,经典的马尔科夫随机场模型在遥感图像分割中的分割效果通常并不理想.本文针对遥感图像分割中某些像素分类的不确定性,建立了模糊马尔可夫随机场模型(FMRF).该模型结合分割问题中的随机性与模糊性,更合理地获取了图像的先验知识,较好地符合了遥感图像的特点,因而使得图像分割过程中使用先验知识更为准确.同时算法针对遥感图像的特点,结合了图像的灰度特征和纹理特征,从而使其能更准确地区分图像中的不同类.为使两种特征能够很好地结合,本文采用了贝叶斯分割方法,使用权值对图像特征进行权衡.同时本文采用最大期望算法(EM)对不完整的数据进行估计,应用模拟退火算法(SA)获得全局最优解,从而实现了无监督分割.实验证明,对于SAR图像,该方法较经典的马尔可夫随机场(MRF)算法和模糊C-均值(FCM)算法更好地处理了边缘的混叠,明显减少了斑点噪声,使分割结果更加准确. 相似文献
12.
遥感影像预分类精度对地物面积空间抽样估算的敏感性分析 总被引：3，自引：1，他引：2
传统的地物面积测量受精度和效率制约,为此引入了结合遥感影像的空间分层抽样方法.首先以遥感影像的预分类结果作为模拟地物的真实分布,在地物外沿等概率随机添加不同比例的错分像元,从而获得准真实地物区的摸拟预分类结果,并依此设定各层等比例取样的样本人层标志,指导地物样本的选取,然后以抽中样本地物的准真实值之和按比例推算出总量.通过比较分析各水平含量的地物类别、不同预分类精度、层内随机和系统抽样下的多次总量估计精度及其稳定性变化情况,结果表明:该方法不需要背景数据库等先验知识,在预分类达到一定精度之上时,依分类区域设立层标志的分层抽样方法所获得的总量估计精度及标准差均好于无分类支持的随机和系统抽样;当预分类精度达到50%以上时,具有较高的成本效率比,其中在60%时,各类地物在0.5%抽样率、95%的置信度下可以保证估计量精度在92%以上. 相似文献
13.
基于核Fisher判别分析的高光谱遥感影像分类 总被引：5，自引：2，他引：3
高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起.高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别.在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器.通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短. 相似文献
14.
一种在长时间序列SAR影像上提取稳定目标点的多级探测法 总被引：2，自引：0，他引：2
基于长时间序列上的差分雷达地表形变检测技术是近年来形变监测领域中一项重要的关键技术,而在长时间序列上稳定目标点的准确提取则是其中的一项重要环节,在此本文提出了一个有效的提取稳定目标点的多级探测方法.该方法以传统的振幅探测法为基础提取稳定目标点,同时针对振幅探测中稳定目标点的分布密度低、不均匀等问题,建立时间相干性计算模型,并利用目标点时间相干信息提取更多满足要求的稳定点目标.本文选用上海地区的26幅ERS-1/2 C波段SAR图像(1992-2000年获取)进行了目标点的提取实验,证实了该方法的有效性和可靠性. 相似文献
15.
基于蚁群智能的遥感影像分类新方法 总被引：5，自引：0，他引：5
智能式遥感分类是遥感研究的新热点.提出了一种基于蚁群智能规则挖掘(ant-miner)的遥感影像分类新方法.遥感数据各波段之间存在较强的相关性,这种相关性往往会导致分类产生误差.而ant-miner算法中的信息素是基于规则整体性能的,信息素的动态更新能有效地处理相关性较强的数据,所提供的正反馈信息能纠正启发式函数缺陷所造成的错误.因此,蚁群智能算法应用于遥感分类具有一定的优势.将该方法用于广州市地区的遥感影像,取得了较好的分类结果.并与See5.0决策树方法及最大似然方法(MLH)进行了对比研究,实验结果表明,蚁群智能算法分类精度比后两者的分类精度更高. 相似文献
16.
土壤的发射率具有较大的不确定性,为了准确提取土壤的发射率,利用ASTER光谱库中的58条土壤光谱,模拟产生了热红外高光谱数据集,利用这些数据进行了土壤的发射率提取试验,分析了较为典型的几种温度发射率分离方法,如NEM、ISSTES、α剩余法、MMD、TES在土壤发射率提取中的适用性、稳定性和精度,并根据分析的结果对各种算法在土壤发射率反演中的应用进行了相应改进.对于NEM方法,给出了最优的最大发射率;对于MMD方法,提出了一种比原平均-最小最大发射率之差更好的经验关系;在TES方法中,使用ISSTES代替原先的NEM方法,获得了精确的发射率初始值.基于模拟数据的算法分析结果表明,对于地面测量高光谱数据的土壤发射率信息提取,ISSTES准确度最高.最后给出了使用这5种方法由地面实测高光谱数据提取的土壤发射率光谱实例,提取的发射率光谱的分布情况很好印证了基于模拟数据的算法分析结果. 相似文献
17.
18.
大气程辐射遥感图像与城市大气污染监测研究 总被引：3，自引：0，他引：3
作为对地探测的遥感技术所获取的遥感图像包含了地面和大气信息,并且主要是地面信息.利用地面反射率分布图像将遥感数字图像中弱的大气信息与强的地面目标信息分离,生成仅仅包含大气信息的大气程辐射遥感图像.利用多(高)光谱遥感数字图像中不同波段的大气程辐射遥感图像可以不受地面干扰地对城市大气污染的类型和程度(气溶胶粒径和含量)进行遥感监测.在大气污染地面观测数据(可吸入颗粒物PM10浓度)的支持下,利用MODIS多光谱遥感数字图像生成的对应多光谱大气程辐射遥感数字图像,以上海市为例进行了城市大气污染遥感监测的原理方法研究. 相似文献
19.
本文针对GIS中地物矢量边界更新繁琐、低效的问题, 提出一种以GIS数据作为先验知识的简便矢量边界更新方法.该方法针对GIS线性矢量边界只需有限个拐点描述的特性, 将对边界寻找转化为直接对矢量边界上拐点位置的确定, 简化了变化检测与更新过程.以TM遥感影像为数据源,矢量shape文件为先验知识, 分别利用该方法检测、更新扎龙湿地内克钦湖、东升水库以及一块沼泽地边界.并运用简化的缓冲区检测算法计算拐点更新准确率, 同时对本文结果与手动更新结果的相似性进行计算与分析.实验结果表明, 本方法不但简化了变化检测和更新过程, 而且可以得到接近手动更新方法的准确率, 并且更新后矢量多边形与手动更新所得到的矢量多边形保持了较高相似性, 达到了较好的效果. 相似文献
20.
风速风向对SAR浅海水下地形成像影响的仿真研究 总被引：1，自引：0，他引：1
基于SAR浅海水下地形成像机理和M4S海面微波成像程序,建立了SAR浅海水下地形成像仿真模型,改进了传统浅海水下地形成像仿真模型的缺陷.通过仿真研究和分析浅海水下地形SAR图像特征实例,对风速风向与浅海水下地形SAR图像特征的关系提出了新的认识.低风速条件下,浅海水下地形SAR海面后向散射强度整体偏暗,高风速下整体偏亮;sAR图像条带亮暗的程度与风速有一定的关系,但不是主要的影响因素.风向对SAR浅海水下地形成像的影响明显,表现为,在逆风和顺风情况下,浅海水下地形SAR海面后向散射强度整体偏亮,SAR图像分别以亮条带和暗条带为主;侧风情况下,整体偏暗,SAR图像条带亮暗相当;最佳探测风向是逆风向. 相似文献