基于差异增强和双注意力Transformer的遥感图像变化检测

由于遥感场景中物体的复杂性,光照变化和配准误差都会影响不同时间拍摄的2个图像中目标的变化,探索不同像素之间的关系和更强大识别能力的卷积神经网络可以提高双时相遥感图像变化检测的性能。提出一个基于差异增强的和双注意力机制的Transformer神经网络模型,在孪生网络架构中的特征提取部分引入ResNeXt单元,在不增加参数复杂度的前提下提高准确率;将分层结构的Transformer编码-解码器与通道和空间双注意力模块相结合,获得更大的感受野和更强的上下文塑造能力;该网络还关注双时相图像的差异化特征,通过引入差异增强模块对每个像素进行加权,选择性地对特征进行聚合,最终生成具有高精度的遥感图像变化特征图。通过在变化检测基准数据集LEVIR-CD和DSIFN上进行实验,所提方法对不同建筑物、道路和植被变化情况的检测效果有很大提升,与现有检测模型相比,该方法在F1、IoU和OA这3个评价指标上均好于最好结果。

面向Android恶意应用静态检测的特征频数差异增强算法

随着Android应用程序数量的快速增长,面向Android应用程序的安全性检测已成为网络安全领域的热点研究问题之一。针对恶意应用静态检测的特征选择,给出了良性特征、恶意特征、良性典型特征、恶意典型特征、非典型特征等概念,设计提出了特征频数差异增强算法FDE。FDE算法通过计算特征出现在良性与恶意应用中的频数,去除静态特征中的非典型特征。为合理验证算法的目标效果和性能优劣,分别设计了基于平衡数据与非平衡数据的实验,对于非平衡数据,引入了权重损失函数。实验结果表明,FDE算法可有效去除静态特征中的非典型特征,筛选出有效特征,权重损失函数可有效提高非平衡数据中的恶意数据识别率。

结合差异增强的异源遥感影像变化检测网络

针对现有变化检测方法中单分支网络将原始影像直接求和造成的差异信息损失以及中小目标误检等问题,提出一种基于U-Net的结合差异增强的变化检测网络。将差分图像经过通道注意力机制学习每个通道在特征表示中的差异性,生成与通道相关的权重;利用这些权重与原始图像加权求和,然后将特征增强后的两期图像融合后输入网络;接着通过密集残差块加强编码器信息传递和复用;利用不同形式和尺度的卷积进一步细化检测结果。所提方法在Sardinia和Shuguang数据集中与主流方法进行对比,相较于MUNet,OA分别提升了1.27%和0.74%;F1分别提升了5.32%和1.75%。结果表明,所提方法能够充分利用差异信息,对中小目标以及边缘细节有较高的分割能力。

基于特征增强的光学遥感图像建筑物变化检测

遥感图像变化检测是识别同一区域前后时段两张图像之间像素级变化,能够精确判断目标区域状态变化。现有的遥感图像变化检测方法是在不同时间流中引入注意力机制来强化变化区域图像特征,并将其叠加以实现特征融合,不能有效地挖掘与应用不同时间流特征之间的关系。基于特征提取网络,提出一种在时间维度上基于像素位置偏移的图像特征差异增强方法。该方法可学习不同时相图像特征之间对应区域的像素变化偏移量,增强单时相特征图中发生变化区域和无关区域之间的特征差异。在此基础上,构建一个针对光学遥感图像中建筑物变化的检测框架,以ResNet18网络和多层感知机结构分别作为编码器、解码器,在LEVIR-CD、LEVIR-CD+和S2Looking 3个公开数据集上进行实验,结果表明,基于特征增强的图像变化检测方法的F1值分别为90.74%、86.11%和62.25%,相比目前最优的BIT方法分别提高了1.43、3.31和0.4个百分点。

自我增强的文化差异

东西方两种文化下个体是否都具有自我增强,自我增强行为是否有差异,一直以来都存在争论。文章着重阐述了文化自我观和内容差异观,对近年来国内外证明东方文化中存在自我增强的研究进行了综述,并展开了阐述了Heine的解释。不同研究者对自我增强跨文化普遍性的两种解释:文化自我观认为自我增强是西方人特有的心理动机,而内容差异观则认为自我增强动机具有跨文化普遍性,只是在东西方的表现不同。

基于改进的直方图均衡化与边缘保持平滑滤波的红外图像增强算法

为了提高红外图像的全局与局部对比度,并有效抑制背景噪声,提出基于改进的直方图均衡化与边缘保持平滑滤波的红外图像增强算法。引入边缘保持平滑滤波,将低质量红外图像分解为一个低频分量和一个高频分量序列;基于模糊统计理论,利用红外图像的强度等级的不确定性,形成平滑直方图,确定出局部最大值,利用优化的平台直方图对低频分量完成增强;根据高频分量的标准差,将其高频分量分类为强边缘、中边缘与弱边缘系数,再设计三个不同的增强方法,对这三类系数进行差异增强,从而得到增强的高频分量序列;将增强的低频分量与一系列的高频分量完成组合,形成增强图像;引入非局部均值滤波,对增强图像实施降噪处理。测试结果表明:与当前低质量红外图像增强方案相比,该方法拥有更高的增强视觉质量,更好地兼顾全局与局部对比度,消除过渡增强、伪影与噪声,且输出图像具有更大的熵值与标准偏差值,分别保持在6.8、5.3以上。

融合机载LiDAR和植被指数的自适应单木提取方法

机载激光数据(Light Detection And Ranging,LiDAR)难以区分地面和草地范围,可见光植被指数无法分离灌木和乔木层,针对上述问题,构建一种融合LiDAR点云与RGB植被指数的多波段信息图像。以激光点云生成精细冠层高度模型(Canopy Height Model,CHM),利用无人机影像数据生成高清数字正射影像,在比较不同植被指数精度后选择差异增强植被指数(Differential Enhanced Vegetation Index,DEVI),与CHM进行融合。形态学重建CHM+DEVI融合图像,去除不合理值;构建训练样本,采用分类回归树算法,分割地面范围并自适应提取植被为乔木、灌木和草地,乔木区域采用局部最大值算法探测树顶点,作为前景标记,非乔木区域赋为后景标记,进行分水岭变换得到分割结果。将该方法提取的植被信息与实测数据进行精度分析,结果表明:改进方法在4个样方中,总体查全率提高3.2%,查准率提高3.9%,准确度F1得分提高3.5%,树高精度分别提高1.7%,6.4%,1.8%和0.3%。验证了改进方法的有效性,同时区域内植被混杂程度越高改进算法的提取效果越好。

基于地物光谱分析的WorldView-2数据岩性识别:以新疆乌鲁克萨依地区为例

针对新疆维吾尔自治区西昆仑乌鲁克萨依地区的岩性出露情况,采用WorldView-2遥感影像数据进行岩性识别研究。在分析研究区内不同岩性的实测光谱曲线特征的基础上,针对在岩性识别过程中出现的不同岩性色彩反差弱、异物同谱、岩层表层浅覆盖等一系列问题,结合高空间分辨率WorldView-2数据波段特点和数据统计特征,确定了最佳波段组合,并采用主成分分析降低了波段间的高相关性。在此基础上进行反差增强、纹理增强等处理,提高了不同岩性对比度,去除了外界因素对光谱信息的干扰,为精确识别不同岩性提供了可靠依据。

基于Landsat8 OLI数据的富贵竹种植区域信息提取

富贵竹作为一种观赏植物,在我国南方省份有大面积种植,具有良好的经济价值。为了解与监测区域富贵竹种植情况,以Landsat8 OLI遥感影像为数据源,构建了一种新的网体—水体差异增强指数(difference enhence between net and water index,DENWI)作为特征参数,通过面向对象的分类方法建立富贵竹信息提取规则集,得到研究区域内富贵竹的种植信息,并与2种传统信息提取方法进行对比研究。结果表明,相比于传统方法,基于DENWI的面向对象分类方法可以更有效地提取富贵竹种植信息,总体分类精度为98. 46%,Kappa系数为0. 97,该方法监测提取富贵竹种植信息是可行且有优势的,可以为富贵竹种植监测和管理提供科学依据。

基于多源遥感影像的岩浆岩岩性识别研究——以康古尔地区为例

康古尔地区位于板块结合带上,韧性剪切带群附近,地质构造复杂,成矿条件优越,具有良好的找矿前景。文章利用ASTER、Landsat8 OLI、SPOT5等多源遥感数据,在分析了研究区实测典型岩性光谱特征的基础上,充分利用多源遥感数据的光谱、空间信息进行不同岩性单元岩性差异的增强与识别提取对比分析研究,提出了一套利用多源遥感数据增强暗色矿物含量不同的岩浆岩岩性单元间的边界划分方法。试验中利用ASTER R(B2/B1)G(B2/B4)B(B8/B9)、Landsat 8 OLI R(B4/B3)G(B4/B6)B(B7)ASTER与SPOT5协同数据R(B2/B1)G(B2/B4)B(B8/B9)比值波段假彩色合成的方法进行岩性差异信息增强,获得的岩性边界与前人地质资料、野外实际调查结果基本吻合,为该地区地质图优化与矿产资源勘查提供重要参考。

基于无人机可见光影像的绿色植被提取

在分析健康绿色植被光谱特性及无人机可见光影像典型地物各波段像元值差异的基础上,提出一种综合利用红、绿、蓝3个可见光波段信息的新型绿色植被指数——差异增强植被指数(DEVI).利用该指数及其他8种常见可见光植被指数结合不同阈值方法提取研究区域绿色植被信息,并采用地表真实感兴趣区和基于SVM的监督分类方法进行精度量化评价.结果表明:由DEVI计算的植被指数灰度影像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9~1之间;同时,DEVI提取精度明显优于其余8种植被指数,且采用双峰直方图阈值法时,总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83.为验证DEVI是否具有良好的可适用性及可靠性,选取3种典型植被覆盖区域进行可行性验证,结果表明:利用DEVI可高精度提取建筑密集区域和植被零散分布区域的绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差分别为1/125和1/91;而植被集中分布区域提取精度略低于上述2种典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.因此,提出的差异增强植被指数——DEVI可以有效、高精度、低成本提取不同植被覆盖典型区域无人机可见光影像中的绿色植被信息,为陆地生态系统中的绿色植被监测研究提供一种可行性方法.