勺型网络：用于 Landsat 遥感图像云检测的新型网络

针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络(spoon-net, S-Net),应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。     

基于光场渲染的动态3D目标重构技术

提出了一种基于光场渲染的动态3D目标重构的方法.目前基于图像建模的方法对于复杂场景难以建模,而基于图像渲染的方法因数据量大不利于动态场景的实时渲染.因此采用了模型和图像相结合的方法,从多视点视频图像中重建动态3D模型,采用光场映射算法对重建的3D模型进行光场采样,然后对样本分解压缩.实验结果表明,在保证真实感的同时,减少了数据量,并可实现动态3D目标的重构.     

基于2D-3D泛轮廓点对应的三维刚体目标的迭代姿态估计

以单目观测下三维刚体目标的姿态估计为研究对象,针对现有迭代估计方法存在的收敛半径小和收敛速度慢的问题,提出一种新的基于2D-3D泛轮廓点对应的迭代姿态估计方法.与现有的基于数值优化的方法不同,本方法从输入图像的2D泛轮廓点出发,着眼于显性地建立输入图像到目标三维模型的2D-3D特征投影对应关系,进而以此显性投影对应关系对目标的三维姿态参数进行估计.实验结果表明,该方法在算法复杂性、收敛半径和收敛速度上均有明显改进.     

基于深度学习的t-f MRI脑状态解码

针对传统方法在解码大脑状态中由特征提取带来的可重复性差和耗时问题,采用基于3D卷积神经网络（3D-CNN）模型对任务态功能磁共振成像（t-fMRI）进行分类,从不同数据粒度分别采用梯度加权类激活映射（GradCAM）算法和导向梯度加权类激活映射（Guided Grad-CAM）算法探索分类结果与大脑不同脑区的功能相关性。采用4种不同t-f MRI数据验证算法的有效性,结果显示：3D-CNN分类模型准确度达97.8%,特征可视化能够准确映射到分类结果对应的功能脑区,且可有效解码大脑任务状态。     

基于视频关键帧提取和三维卷积的行为识别

为提高行为识别的准确率,在C3D网络模型的基础上,提出一种基于视频关帧提取的三维卷积网络模型。该模型采用C3D网络模型的卷积层部分,结合CBAM注意力机制对人体行为视频提取特征进行行为识别;针对人体行为视频处理部分,采用视频聚类关键帧提取算法,对UCF101数据集进行关键帧提取,改善了原始模型不易关注视频中人体行为的关键帧情况,并利用水平翻转的方法对已经提取的关键帧进行数据增强。实验结果表明：本文提出的算法比原始C3D模型在UTF101数据集上的准确率（accuracy）提高了29.35%,网络中的参数量（params）比原有的C3D模型减少了26.06×106,性能也较其他常用方法有明显的提高。     

基于卷积神经网络与主动学习的高光谱图像分类

在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。     

基于长时间间隔序贯SAR图像的运动舰船跟踪方法

针对长时间间隔序贯SAR图像中运动舰船位置变化大、不易跟踪的难题,提出一种融合航迹起始和图像特征的匹配跟踪方法.首先从SAR图像中检测出舰船,得到舰船图像切片,并提取舰船的图像特征、空间位置信息;然后根据速度和加速度约束,将不同时刻的舰船关联,形成多条候选航迹;最后采用特征匹配差异最小原则筛选出舰船航迹,实现运动舰船跟...     

一种基于活动围道的纹理图像分割方法

将Gabor滤波器和各向异性扩散方程相结合,提出了一种基于活动围道的无监督纹理图像分割算法.采用基于总变分流的扩散函数,各向异性扩散方程可以有效地在保留纹理图像大尺度边界信息的同时,对图像纹理区域进行平滑,获得比原始图像更易分割的简化图像.但是平滑过程中纹理信息的丧失,限制了该方法的通用性和有效性.为了在利用各向异性扩散方法的同时,有效地提取和利用纹理信息,我们利用Gabor滤波器提取一组表征纹理方向性和尺度性的特征图像;同时将原始图像作为表征纹理灰度信息的一个特征通道考虑;再利用矢量形式的各向异性扩散方程,对特征图像进行边界保持的各向异性平滑.将基于区域灰度统计参数估计的活动围道分割方法扩展到矢量空间,来对平滑后的纹理特征量进行分割.实验证明,利用该纹理分割算法可以获得较好的效果.     

基于改进RA-CNN的舰船光电目标识别方法

针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。     

基于卷积神经网络的时空融合的无参考视频质量评价方法

无参考视频质量评价是指在不借助原始无损参考视频信息的条件下,对于给定的任意一段视频,直接评测出其质量程度。传统的无参考视频质量评价方法大都基于统计分析,绝大多数都针对特定的视频失真类型,对视频的时域信息考虑较少,导致现有的基于统计分析的方法应用范围局限,实时性较差。提出一种融合视频时空信息的基于卷积神经网络的无参考视频质量评价方法。该方法不针对特定失真类型。将方法分为空域和时域两部分进行处理,空域上提出一种基于卷积神经网络的方法学习空域失真特征,时域上设计一组基于邻帧块结构相似度的特征用以表征视频的时域失真信息。最后将视频的时空特征进行融合,送至线性回归模型进行视频质量的预测。实验表明,所提方法的多项指标均达到主流视频质量评价方法的性能,且方法运行速度大大提高,显示出较好的实时应用前景。     

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像,目前已经有很多有效的色彩校正算法,但是这些算法需要人工经验或对场景的先验知识,无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题,提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K,从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层,用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到,损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证,校正后的图像与原图像仅有很小的色偏角,且与真实地物颜色吻合。与传统方法相比,该方法在训练后,可直接使用生成的模型对训练集中未出现的图像进行颜色校正,无需对场景的先验知识和人工经验,也无需参考图像,可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比,基于DCN的模型拥有更少的参数和更好的泛化能力,而且不受输入图像大小的限制,在测试集上有更好的结果。     

基于图像全局和局部颜色特征的图像检索

图像检索是一项新型的技术,该项技术在多个领域得到广泛应用,并取得了诸多优秀成果。近年来,国内外越来越多专家学者置身于图像检索层面研究,并推出一种基于图像全局和局部颜色特征的图像检索方法:(1)从符合视觉感知特征的Lab颜色空间中提取全局颜色特征;(2)采用一定的手段将图像划分为若干个图像子块,并依托于具有人眼视觉特征的高斯加权系数对各图像子块予以加权;(3)将局部颜色特征定位于凭借二值化获取的颜色位图,同时,对各图像子块作垂直与水平投影处理;(4)基于全局和局部颜色特征做出图像检索。大量的实践研究验证了基于图像全局和局部颜色特征的图像检索具备高质量性、高效率性。     

一种改进的基于小波变换的图像融合方法

提出并且详细分析了一种基于小波变换的图像融合技术的改进方法的优越性.对两幅需要融合的图像通过直方图均衡化的方法进行处理,且利用一种基于小波变换的图像融合技术的改进方法进行融合,对融合后所得的新图像的结果与质量进行分析与评价,证明了改进的融合方法能够取得更优越的效果.     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.781 6、0.877 4、0.850 4和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则...     

基于点圆理论的2D/3D点包含高效判定

针对2D/3D点包含判定方法的复杂和低效问题,提出基于点圆理论的方法：分类描述奇异情形在点圆中的投影、叠加特征及判定方法,将3D点包含测试转换为与2D点包含测试一致的算法（除子平面方程系数计算外）。筛选和累加与射线相交的射线以上或以下的线段,据此奇偶性判定3D或2D点包含;解析2D射线与多边形相交连续线段内节点的几何特征,即y坐标要么都大于、要么都小于测试点,构建高效2D点包含增量筛选射线法。实验结果表明所建2D/3D点包含方法高效、稳定,可用于处理任意奇异性,适合于任意多面体（流形、非流形、表面为平面或曲面等）或多边形。     

浅谈神经网络的图像识别技术及方法

神经网络图像识别技术是一种新型图像识别技术，是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。神经网络用于图像识别一般都要提取图像特征，然后把提取好的图像特征送入神经网络识别器进行识别。BP神经网络图像识别方法不对图像作特征提取，直接把图像数据作为神经网络识别器的输入。通过用MATLAB完成的网络的训练与测试表明，不作特征提取的神经网络图像识别系统具有很强的抗干扰能力。     

建筑物的高分辨率SAR图像仿真方法

提出一种基于建筑物几何特征的高分辨率（VHR）SAR图像仿真方法。该方法首先构建成像场景模型,以改进的光学着色模型近似散射模型;然后在场景间进行射线追踪,得到目标的散射强度信息和位置信息;为使仿真图像更加真实,引入后处理过程;最后经二维成像,得到逼真的建筑物SAR仿真图像。分析和仿真结果表明,该方法准确高效地仿真建筑物在SAR图像中的几何特征和辐射特征,可为理解和解译SAR建筑物图像提供有效的数据支撑。     

基于灰度共生矩阵的烟雾图像纹理分析

烟雾的准确检测,对于火灾的实时检测和预警具有重要的作用。为克服火灾燃烧时烟雾在浓度低、离监控地远、同时受风速等因素干扰情况下,提出一种基于灰度共生矩阵的视频烟雾检测方法。该方法首先利用背景差方法提取运动区域,对运动区域进行分块处理以获取局部信息;然后利用灰度共生矩阵提取每块的纹理特征;最后利用这些烟雾纹理特征（能量、熵、相关性）进行训练获取其内在关系,最终实现烟雾图像提取。实验表明灰度共生矩阵纹理特征在颜色相似的动目标干扰下表现出较好的属性特征,相关试验数据和对比结果表明这种纹理特征对于烟雾的检测是有效的。     

基于深度学习的SSD模型尾矿库自动提取

针对华北地区尾矿库自动提取问题,将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本,随机挑选1 500个作为训练样本,剩余样本作为测试样本,验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系,发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构,提出增加额外卷积层的策略,提高对大型尾矿库目标的检测精度。实验表明,在置信度阈值为0.3时,改进的SSD模型相比原始模型,检测精确率提高10.0%,召回率提高14.4%,提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。     

基于内容图像检索技术框架分析

介绍了基于内容图像检索技术的概念,从图像特征的提取与表达、图像的相似度比较、图像检索的相关反馈机制,分析了基于内容图像检索技术的框架。