基于遥感影像水下目标尾迹探测综述

水下目标识别技术在现代战争中发挥着重要的作用。随着遥感技术的发展,通过遥感手段检测尾迹识别水下目标是重点研究方向之一。简要介绍了水动力学尾迹和热尾迹,并且根据遥感影像分类讨论,分析了光学影像、合成孔径雷达(SAR)影像、热红外影像尾迹识别技术的特点和算法,提出未来发展初步构想,梳理总结了应关注的重点技术方向,为水下目标探测发展提供参考。

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。

基于骨架特征的多光谱遥感影像飞机目标识别方法研究

飞机目标的自动提取,是信息处理领域的重要研究内容。提高飞机目标的识别率,可以准确把握区域动态,为相关决策提供支持。由于数学形态学特征和复杂几何结构等特征相对抗干扰性较强,而骨架线由地物的边界形态决定,不受其他因素影响,具有良好的稳定性。据此,本文选取香港机场多光谱遥感影像作为试验数据,基于骨架线几何特征参数与网络测度,提出一种由多光谱遥感影像自动提取飞机目标的方法:基于边缘的多光谱遥感影像分割方法,提取矢量地物边缘;基于约束Delaunay三角网自动提取地物骨架和主骨架;选取对飞机目标识别具有良好区分度的特征参数,最终实现飞机目标的自动识别与定位。

多源影像融合在目标识别与提取中的应用

讨论了多源影像融合技术在改善目标识别与提取效果中的一些应用,给出了部分试验结果,说明了多源 数据融合技术是未来目标自动识别系统的重要组成部份。

结合显著图和深度学习的遥感影像飞机目标识别

为准确快速识别高分辨率遥感影像中的飞机目标,提出了一种结合显著图和深度置信网络(DBN)的飞机目标识别算法。本文首先使用HC(直方图对比度)算法提取遥感影像中的显著目标;然后通过定位连通区域确定候选目标的位置;随后提取候选目标的颜色矩、Hu不变矩、灰度共生矩阵、Tamura纹理特征和边缘方向直方图;最后将归一化后的多特征融合数据应用到深度置信网络进行目标识别。试验结果表明,本文算法的检测率为98.46%,虚警率为5.20%。算法从多种底层图像特征出发,有效克服了单一特征描述能力不足的问题,提高了飞机目标识别能力及抗干扰能力。

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFBNet模型。算法在RFBNet模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFBNet模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。

基于Faster R-CNN的高分二号遥感影像特定目标识别

针对当前遥感影像特定目标识别效果较差的现状,基于深度学习网络对高分二号遥感影像特定目标进行准确识别。首先通过引入部分噪声增强样本数据建立样本库并在TensorFlow框架下配置Faster R-CNN网络学习目标特征建立可用于高分二号遥感影像特定目标识别的卷积网络。而后为判别深度学习网络的识别效果,选取遥感影像目标识别效果较好的约束能量最小化(constrained energy minimization,CEM)算法与之比较。最后在待识别遥感影像内生成房屋的包围框并标注识别房屋的置信度,得到总体房屋识别的置信度为95.61%以上。实验中CEM法房屋目标识别率为76.4%,而深度学习法可达到90.9%,深度学习法目标识别率比CEM法高14.5%。实验结果表明Faster R-CNN适用于高分二号遥感影像的特定目标识别,相较于CEM法识别率有明显提升。

深度学习在遥感影像目标识别与定位中的应用研究

长期以来,遥感影像的目标识别与定位主要依靠目视判读和人工手段,误判和漏判情况严重,且检测精度较低。文章介绍了基于深度学习的目标检测算法,探讨了将深度学习应用于遥感影像目标识别与定位需要的关键技术,并对深度学习在目标识别与定位中的应用进行了前景展望。

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。

基于改进R-FCN框架的遥感影像飞机目标识别方法

遥感影像飞机目标识别是实现地面特定目标的精准打击、掌握机场军事价值的重要途径.针对飞机识别数据集未充分参照不同条件下飞机几何形态的问题,构建了飞机类型识别数据集,同时为进一步提高识别精度,基于区域全卷积网络(R-FCN)识别框架,提出飞机目标全卷积神经网络(AFFCN)识别方法.通过人工增强方法,扩增包含四种类型飞机影像的数量,构建了每种类型飞机识别数据集;基于深度残差网络能有效区分不同类型目标的性质,提出了飞机目标深度残差网络,并将此网络应用于R-FCN识别框架中,建立了AFFCN识别方法.仿真结果表明,该方法结合本文数据集可以准确地识别遥感影像中的飞机目标.

深度学习算法下的遥感影像目标识别研究

为避免目视判读以及人工手段在遥感影像目标识别中的误判和漏判情况,提升检测精度,提出深度学习算法下的遥感影像目标识别方法。基于深度学习算法的遥感影像目标识别主要采用两个措施,即在迁移学习策略的应用下,针对特征提取网络实施模型与训练;在SSD网络架构修改检测多尺度特征提取层,提升影像目标识别精度。通过迁移学习策略及SSD网络架构修改方法的应用下,可以在深度学习算法的应用下实现对遥感影像目标的检测识别,实验研究结果显示:这一方法在遥感影像目标识别中的应用,可以显著提升检测性能,提升识别准确性。

天空多源遥感海上目标识别与监视系统设计与应用

本文针对我国管辖海域内海上移动目标、海域利用活动和岛礁变化等典型目标识别与监视需求,整合天空基感知、传输、处理、应用资源,设计集成了天空多源遥感海上目标识别与监视系统,并在重点海域开展应用示范,形成具有大范围早期预警和连续跟踪能力的海上目标识别与监视力量,为加强海域管理和维权执法提供技术支撑。

基于高分辨率遥感影像的城市建筑物目标识别研究

建筑物是城市化建设的主要地物特征,是地理库中最易发生变化和更新的部分,也是城市化建设不断发展的重要体现,高分辨率的遥控影像由于对光照和气候的要求很高,所以,对城市建筑物进行目标识别是一项具有专业性和挑战性的工作。

基于图像分割与目标提取的舰船遥感影像分析技术

舰船遥感影像分析技术在舰船目标识别、海上航运交通管理、资源探测和军事侦察等领域发挥着重要的作用,是一种快速、高效和准确的海上舰船信息获取方法。遥感技术的理论基础是电磁波原理,该技术利用遥感卫星等设备采集和分析远距离物体辐射和反射的电磁波信号,从而进行地面物体的探测和识别。由于遥感技术存在巨大的优势,因此,基于遥感技术的舰船遥感影像分析和目标提取有重要意义,决定了海上目标识别和海上监察的水平。本文针对舰船的高分辨率遥感影像,详细的介绍了图像分割原理和目标提取原理,在此基础上研究了一种全新的舰船遥感图像分析技术。

面向目标识别的遥感变化检测技术综述

遥感图像目标检测与识别是遥感图像处理与分析领域备受关注的课题,其核心任务是判断遥感图像中是否存在感兴趣的目标,并对其进行检测、分类与确认。本文主要围绕面向目标的遥感变化检测技术,分析了各种遥感变化检测方法的特点,综述当前遥感图像目标检测与识别的主要处理方法,在此基础上指出研究中尚存在的问题和研究动向。

基于深度学习的遥感影像目标检测研究

遥感影像目标检测与识别是近些年来国内外研究的难点,利用深度学习的目标识别技术,直接从遥感图像中学习符合数据分布的模型,能够满足对高维、海量大数据的处理需求。该文用SSD作为目标识别的模型,首先根据要识别的目标物体和其对应的环境特征,利用Google Earth影像等构建多尺度、多类别的样本数据库;其次结合Tensorflow深度学习环境,在VOC2012预训练的权重文件基础上,用SSD模型对样本库进行优化训练,获取可供用于目标识别的检测模型;最后基于FLASK搭建目标识别处理页面,可根据需求输入影像,通过按钮进行目标识别处理,最终保存目标检测的后影像。利用深度学习进行遥感影像的目标识别,可主动学习目标的特征,具有较好的检测效果,同时基于FLASK将目标识别过程可视化,有助于方法的拓展应用。

多源遥感影像深度识别模型对抗攻击鲁棒性评估

基于深度神经网络的多源遥感影像目标识别系统已逐步在空天遥感情报侦察、无人作战自主环境认知、多模复合末制导等多个军事场景中广泛应用。然而,由于深度学习理论上的不完备性、深度神经网络结构设计工程上的强复用性、以及多源成像识别系统在复杂电磁环境中易受到各类干扰等多因素的影响,使得现有识别系统在对抗攻击鲁棒性方面评估不足,存在极大安全隐患。本文首先从深度学习理论不完备性和识别系统攻击样式两个方面分析了潜在安全风险,并重点介绍了深度识别模型对抗样本攻击基本原理和典型方法。其次,针对光学遥感影像和SAR遥感影像两类典型数据形式,从鲁棒正确识别率和对抗攻击可解释性两个方面开展多源遥感影像深度识别模型对抗攻击鲁棒性评估,覆盖了9类常见深度识别网络架构和7类典型对抗样本攻击方法,验证了现有深度识别模型对抗攻击鲁棒性普遍不足的问题,分析了对抗样本与正常样本的多隐层特征激活差异,为下一步设计对抗样本检测算法和提升模型对抗鲁棒性提供参考。

多源遥感数据支持下的异形建筑物图像识别方法

异形建筑物彰显着一座城市的经济综合实力,具有较强的观赏性与代表性,为国土监察带来了一定的难度。遥感技术的兴起与应用,为异形建筑物识别提供了新的技术支撑,本文提出多源遥感数据支持下的异形建筑物图像识别方法研究。本文获取并预处理异形建筑物多源遥感数据,以此为基础,基于Log算子检测异形建筑物边缘,引入ORT算法分割遥感图像,提取异形建筑物目标图像,提取异形建筑物目标图像特征(光谱特征、形状特征与纹理特征),以提取的特征数据为依据,构建异形建筑物图像识别模型,训练模型获取最佳模型参数,将待识别异形建筑物图像输入至训练好的模型中,即可实现异形建筑物图像的识别。实验数据表明:相较于对比方法,本文提出方法的异形建筑物图像提取完整率、识别精度及其识别平均召回率数值更大,充分证实了提出方法的有效性。

神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征

针对神农架川金丝猴生境基础研究中乔木树种大范围分布数据难以获取问题,尝试利用多源多时相遥感数据结合专家知识分层次实现树种识别。首先采用冬季Landsat8/OLI数据根据物侯特性分层提取常绿、落叶林的地域范围;进而依据夏季Worldview-2高分遥感影像的实地乔木样本的光谱特征分层次完成常绿树种(巴山冷杉、华山松、青$、刺叶栎)和落叶树种(红桦、日本落叶松、米心水青冈、漆树、锐齿槲栎、椅杨)的识别;并通过实地植被样方及专家知识通过高程数据完成分类结果的修正;最后结合GIS对主要优势树种的地形及地域分布特征进行了空间分析。实验精度表明常绿林中巴山冷杉、华山松、刺叶栎、虫害华山松整体精度较高,落叶林中红桦、漆树等识别精度相对较高,部分树种如椅杨、锐齿槲栎识别精度较低;总体上常绿树种的精度要优于落叶树种。从植物地理学、遥感、GIS三者相结合的角度,将多源、多时相遥感数据与物种物候特性、专家知识进行有效整合,提出了一种乔木树种识别的方法(1)提供了复杂山地环境的主要乔木优势种识别途径,且具有通用性;(2)完成了物种物候特性与遥感数据特性的整合利用,有效降低数据成本费用;(3)配合地面样方及专家知识修正结果,避免了过分依赖光谱特征引起的误判。这将为神农架川金丝猴栖息地保护与恢复提供更精确的数据依据。