面向目标检测的视觉注意机制波段选择研究

近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。

基于空间域目标显著性分析的波段选择方法

作为遥感领域的新兴技术,高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。高光谱图像的优势在于电磁波谱的范围广度与高分辨率,能够将地物目标的光谱反射特性和差异特征更全面地表现出来,广泛地应用于地物分类、目标识别、异常检测等领域。但是,高光谱图像由于数据量繁重、信息重叠冗杂等问题,给图像处理、存储和传输带来一定挑战。选择合适的光谱波段可以在不改变原图像物理信息的情况下,达到较好的图像处理成果。为设计适合数据降维和目标地物分类的波段选择方法,提出将视觉显著性模型应用到波段选择方法中。首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到目标显著图;其次,利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。为避免波段信息重叠,在波段选择之前利用谱聚类算法将波段划分为若干子空间。然后在子空间内依据波段显著性降序排列,选择各子空间中目标显著性表现较好的波段组成波段子集;最后,在GF-5采集的高光谱图像数据进行方法验证,筛选有效的目标显著性算法,与常用的波段选择算法进行分类精度比较。结果表明,基于LC目标显著性算法的波段选择子集,在SVM分类器中具有优异分类结果,总体分类精度和Kappa系数达87.7800%和0.8053,优于应用全波段和其他三种波段选择方法的结果子集。

基于子空间划分和视觉可识别度的波段选择方法研究

面对日益丰富的机载、星载高光谱传感器,及其相伴增多的高光谱数据,产生的数据量过大、波段冗余等问题一直是高光谱图像处理、解译的重难点。同时,利用高光谱遥感技术揭露伪装目标,也一直是现代遥感应用技术研究要点。在探测得到海量的地物光谱数据、具有冗余的光谱信息,设计恰当的数据降维技术具有至关重要的作用。降维处理的主要方法中的波段选择方法,其不但可以使图像数据的光谱信息在不失真的条件下实现数据降维,还能在其基础上对伪装目标及其背景实现精确区分,是当今利用高光谱技术进行军事应用的重要技术手段,同时也是国内外众多学者的研究热点。利用各类指标计算波段间的不同表现,并依据其参数选取代表性强的波段用于地物识别或分类来检验方法的优劣是目前比较常用的研究方式,但是面向特殊地物,如植被伪装目标的特定波段选择方法方面的实验研究现仍较少。研究选取绿色钢板、绿色伪装网、绿色假草皮,置于含有绿色健康植被、湿润裸地、干燥裸地的背景环境中,通过模拟真实环境中的伪装目标和背景地物进行波段选择及分类实验验证。首先通过分析光谱曲线,选取显著特征波段;其次结合根据波段间相关系数划分的子空间进行波段筛选;然后依据地物目标的图像亮度建立视觉模型,最终得到具有相对独立性和最佳可识别度的波段选择集合。并在支持向量机分类器和马氏距离分类器中同两种常用算法选择波段结果与全波段组合进行分类实验对比,实验发现所提出方法的波段选择结果相对于常用算法和全波段组合,分类精度和速度均有所提高。其中,相较于应用全波段进行分类,在两类分类器的分类结果,总体分类精度分别提高4.559 2%和2.364 8%, Kappa系数分别提高0.059 4和0.031 2,分类时间减少6.83 s。实验证明该方法能有效在植被伪装目标和背景地物之间做出高效分类,具有较大实际应用价值。

Relief-F筛选波段的植被伪装揭露研究

为了快速揭露植被伪装,基于Relief-F算法进行了高光谱波段选择,将高光谱研究问题转化为多光谱应用问题。首先以常见植物云杉模拟植被伪装目标,利用HH2地物光谱仪采集实验数据,然后引入Relief-F算法筛选特征波段子集,与其它两种常用算法得到的波段子集进行了分类实验。结果表明,使用Relief-F算法筛选特征波段子集分类精度达96.4%,高于其它两种算法。该研究对于揭露植被伪装问题是有帮助的。

基于波段提取的伪装目标目视解译方法

目视解译目标在速度和准确性上表现优秀,可靠性强。将不同物质以光谱特征信息进行区分问题转化为利用不同光谱波段进行彩色合成得到适于人眼判别的假彩色图像。提出结合波段子空间划分和Relief-F算法建立模型选择波段,进行附色处理辅助人眼识别伪装目标。利用几类色调与植被环境色调相近的地物,采集实验数据;引入模型筛选特征波段子集,与另外2种常用算法结果进行对比。结果表明,使用该模型所选波段能够区分伪装目标,且效果好于另2种算法,成功地满足了选择彩色合成最佳波段的需要。

基于无人机进行火场搜救设备的研究设计

四旋翼飞行器其自身具有即时垂直起降的能力,可以完成低速飞行和定点悬停。四旋翼飞行器所运用在的其他领域也在不断拓展,例如如军事侦察,地形勘探等。本作品中将无人机配合Openmv视频模块进行WiFi实时传输图像,能够更好的进行一定距离内潜入侦察、遥控搜救[1]。同时保障了救灾人员的生命安全,降低了其在危险情形下受伤乃至牺牲的概率。

基于高光谱遥感技术的伪装材料的光谱特性分析

通过采集9种常见伪装材料及背景的光谱,进行基于反射率光谱的伪装材料的光谱分析和提取工作,然后对原始反射率光谱曲线和经包络线去除法变换后的曲线进行分析,并利用多种光谱差异算法对光谱数据进行计算,进而对伪装效果进行评估。通过实验得到了在可见光图像上难以区分的几组伪装目标的光谱特征差异,对伪装检测的波段选取及伪装材料的选择提供了参考依据。

基于改进阶梯网络的高光谱半监督分类算法

针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。