邻域级和超像素级差异图融合方法

考虑到传统代数运算法生成的合成孔径雷达(Synthetic Aperture Radar, SAR)图像的差异图变化区域和未变化区域对比度差,噪声鲁棒性弱,提出一种邻域级和超像素级差异图融合方法。首先通过对两期图像进行超像素分割,利用超像素结合对数运算获取超像素差异图;其次将相似性差异图和超像素差异图在邻域内进行融合;最后利用迭代阈值技术获取变化检测结果。真实的SAR数据集变化检测结果表明:该方法获取的差异图在噪声鲁棒性和对比度上均展现不错的优势,变化检测结果的kappa值在0.8以上,其可视化结果和评价指标均优于对比方法。

基于邻域相似性和超像元增强的SAR影像差异图生成

差异图的质量是影响合成孔径雷达(synthetic aperture radar,SAR)影像变化检测性能的关键因素之一。文章针对SAR影像,提出了一种全新的基于邻域相似性和超像元增强的差异图生成方法。首先,将邻域信息引入到相似性算子,利用邻域相似性生成初步差异图;然后,对初步差异图进行超像元分割,并基于分割结果利用性质“差异图中像元灰度值越大,对应区域发生变化的可能性越大”对初步差异图进行增强。4组真实SAR影像数据的实验结果表明,与4组先进水平的差异图生成方法相比:该方法能够明显提高变化区域和未变化区域的对比度,得到更高质量的差异图;能够得到更优的变化检测结果。

基于随机森林SAR图像变化检测方法

训练样本标签的正确选择对合成孔径雷达(Synthetic aperture radar,SAR)图像变化检测任务的准确性至关重要。现有的标签获取方法易受噪声影响,导致产生噪声标签进而影响网络性能。而深度神经网络通常需要大量的样本来训练网络参数,在优化参数方面花费了大量时间,计算复杂度高。为了克服这些问题,提出了一种基于随机森林SAR图像变化检测方法。该方法使用邻域比算子生成差异图,利用阈值法获取初始变化检测结果;接着在初始变化检测结果上利用引导滤波获取目标区域,对目标区域进行预分类,获取可靠样本标签;最后选取随机森林作为分类器,对预分类结果进一步分类。在三组SAR图像数据集上利用三种方法证实了本方法的有效性。

基于二级聚类的遥感影像变化检测

为了提高现有基于二级聚类变化检测方法中第一级聚类结果的准确性以及解决第二级聚类时分类器计算复杂度高、耗时久的问题,提出一种基于引入信息熵的模糊C均值(Fuzzy C-means,FCM)算法和K近邻(K-Nearest Neighbor,KNN)算法级联的变化检测方法。首先通过FCM算法对差分影像(Differential imagery,DI)聚类并引入信息熵计算出DI中每个像元的不确定性,通过分析不确定性强弱得到更为可靠的训练样本,第二级聚类时使用计算复杂度更低的KNN算法代替深度学习方法进行分类得到最终变化检测结果。三组真实遥感影像数据集上的实验结果表明该方法能够有效在降低计算复杂度的同时提高变化检测性能:在Sulzberger数据集上的Kappa系数为96.83%,比其他方法提高2.69%~4.55%;在Madeirinha1数据集上的Kappa系数为85.69%,比其他方法提高0.18%~1.99%;在Madeirinha2数据集上的Kappa系数为87.47%,比其他方法提高0.20%~3.53%。

轻量化无人机航拍目标检测算法

针对无人机航拍背景复杂、检测目标小且密集。提出一种基于YOLOv5的轻量化无人机航拍目标检测算法SDS-YOLO。首先,SDS-YOLO算法重构轻量化网络结构,对特征提取网络和特征融合网络进行重构。调节检测层和感受野架构,建立深层语义与浅层语义多尺度检测信息依赖关系,增加浅层网络特征层的权重,提高对微小目标的检测能力;其次,利用聚类算法对预选框进行调整,实现重构网络最优的预选框选择机制,加快模型收敛速度。最后,使用Varifocal loss训练SDS-YOLO使IACS回归,提高模型对密集物体的检测能力。结果表明,模型经过优化后,精度提高了7.64%;模型体积4.25 MB,相较于原模型大幅下降;模型计算量和推理速度均有提高。相较于当前主流算法,SDS-YOLO在各方面均取得了不错的改进,满足无人机航拍实时目标检测要求。