三种回归分析方法在Landsat-5影像森林碳密度反演中的比较

随着遥感技术的快速发展,基于遥感影像和地面样地的方法成为目前森林碳密度精确估算的主要手段,然而没有找到具有普适性的建模因子和最佳的森林碳密度估算模型。鉴于此,本文通过分析研究区地面固定样地碳密度与Landsat-5影像及其衍生波段的相关性,筛选出估算森林碳密度的敏感因子。采用三种回归分析方法（逐步回归、偏最小二乘回归及非线性回归）分别建立森林碳密度的最优遥感估算模型。结果表明：①参与建模的遥感因子中,1/TM3与森林碳密度的相关性最大,敏感性最高;②三种回归分析方法建立的预测模型中,以4个遥感因子建立的非线性回归模型预测精度最高,预测值与实测值得决定系数R2为0.74;3通过测算,研究区平均森林碳密度为14.36 t/hm^2,变化范围介于0.00-38.28 t/hm^2之间。研究表明非线性回归在区域森林碳密度反演方面具有一定的潜力。

改进的YOLOv5s遥感影像机场场面飞机小目标识别

遥感影像具有地物拍摄模糊以及背景环境复杂等特点,导致大面积地面物体识别准确率较低。针对此问题,提出了一种基于YOLOv5s改进网络模型。该模型对YOLOv5s中的骨干提取网络和颈部多尺度特征融合网络进行优化,引入Swin Transformer以获得更多关于目标物体的特征信息;同时对骨干网络中的模块做了修剪;此外,模型中还添加了坐标注意力机制来提升特征提取和融合效果。对于遥感数据集进行了小目标检测识别测试实验,改进后的YOLOv5s网络的mAP值为0.8375,比YOLOv5s网络模型提高了0.0225。实验结果表明,改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值,并且在训练时间上也比YOLOv5s减少了1/12。

基于改进Yolov5的遥感影像多目标检测方法研究

提出一种基于改进Yolov5的遥感影像目标检测方法,在骨干网络内增加高效通道注意力机制来提高对正样本特征的学习效率,在多尺度特征融合层内增加一个检测输出特征图,来提高对小目标的检测精度,采用带有梯度模长的交叉熵损失函数对模型进行训练来缓解正负样本不平衡的问题。实验结果表明,本文所提出的改进方法在测试数据集上获得了较高的检测精度与很好的泛化能力,相比原始Yolov5有了显著提高,在测试环境下也能达到实时检测的水平。所提出的改进方法能够在资源调查、应急救援等领域具有很大的应用价值。

基于SPOT4和Landsat5 TM的不同影像融合方法质量对比研究

【目的】探究不同影像融合方法对SPOT4全色影像和Landsat5 TM多光谱影像融合效果的影响。【方法】采用13种不同的影像融合算法开展融合试验,并通过定性和定量分析的方式,对融合结果进行综合评价分析。【结果】结果表明,融合影像的信息熵相比原影像有所增强,RGB三通道的熵值分布更为均匀,主要集中在50~200之间。此外,不同地物类型对融合方法的效果产生了显著影响。对于水体和植被,Brovey、HSV、IHS和EF方法展现出了良好的光谱保真性和细节增强能力,因此更适用于目视解译。NND法在这些区域出现了轻微的光谱失真现象,导致其分类精度偏低。【结论】针对不同传感器的影像选择适当的融合方法,对于提高遥感影像的解译精度和应用价值具有重要意义。

基于改进YOLOv5s的轻量级无人机遥感影像车辆检测方法

针对无人机机载硬件条件下的地面车辆目标实时检测问题,提出一种基于YOLOv5s的轻量级检测模型。模型在骨干网络中引入了分组卷积核进行特征提取,来降低骨干网络的运算参数量,同时在每个特征提取层末端设置了高效注意力机制来提高对正样本特征的赋权筛选,在特征增强端前方设置了多尺度特征融合层,进一步提高输出特征图内的信息丰富程度。实验结果表明,提出的改进模型在检测精度、速度以及模型体量方面均优于原始模型,在夜景、高速公路等多种复杂场景下表现出了良好的泛化能力,能够部署于无人机机载硬件中开展车辆目标的实时检测。

抗合成酶综合征与抗黑色素瘤分化相关基因5抗体阳性皮肌炎合并间质性肺疾病的临床和影像特征分析

目的:探讨抗合成酶综合征(ASS)和抗黑色素瘤分化相关基因5(MDA5)抗体阳性的皮肌炎(DM)合并间质性肺疾病(ILD)的临床特点和影像学特征。方法:收集2018年1月—2023年5月于山西白求恩医院住院的ASS患者和抗MDA5抗体阳性DM患者的临床资料(116例),进一步筛选出合并ILD的患者,将其分为ASS-ILD组和MDA5+DM-ILD组。回顾性分析不同组间患者的临床症状、影像学特点、治疗方案以及预后。结果:MDA5+DM患者ILD发生率高于ASS患者,MDA5+DM-ILD组Gottron征、呼吸困难症状和快速进展性ILD发生率高于ASS-ILD组,ASS-ILD组肌无力症状较MDA5+DM-ILD组多见,差异均有统计学意义(P<0.05)。磨玻璃影、网格影是两组患者最常见的影像学表现。MDA5+DM-ILD组磨玻璃影和纵隔气肿较ASS-ILD组多见,差异均有统计学意义(P<0.05)。MDA5+DM-ILD组病死率明显高于ASS-ILD组,差异有统计学意义(P<0.05)。MDA5+DM-ILD患者经糖皮质激素联合环磷酰胺及另外一种免疫抑制剂(他克莫司或托法替布)的三联治疗后,病死率较两联治疗有所下降。结论:抗MDA5抗体阳性DM患者ILD发生率高于ASS患者,MDA5+DM-ILD患者皮肤受累和呼吸困难症状较ASS-ILD患者重,而肌炎症状较ASS-ILD患者轻。磨玻璃影和纵隔气肿是MDA5+DM-ILD重要的影像学特征。

Landsat-5 TM影像增益偏置值对地面反射率计算影响分析

增益和偏置是对TM影像计算反射率的两个基本参数,如果这两个参数存在偏差,辐射定标、辐射校正及大气校正的结果都会出现错误。由于Landsat-5卫星的老化,辐射精度有一定程度的下降,USGS多次公布了不同的辐射校正参数。根据USGS公布的结果以及影像头文件中的增益和偏置值,对1998年获取的Landsat-5 TM影像进行了实验;求解了地面反射率并对2种地物(茂密植被和清洁水体)的地面反射率与标准值进行了对比分析。实验结果表明,利用影像头文件中的增益和偏置值对影像进行处理能获得最好的结果;如果影像不包含头文件,则建议使用USGS公布的相同时期的参数。

人工智能和虚拟现实技术在提升超声影像教学质量中的作用

随着人工智能(AI)以及虚拟现实(VR)等技术在医学教学领域中的广泛应用,医学教学模式正在发生变化。本研究基于北京大学深圳医院超声影像科的应用场景,介绍了基于AI和VR技术超声影像临床教学平台的研发与应用。该教学平台通过5G网络传输、边缘计算和云端存储,并结合AI算法分析,实现了超声教学数据的实时更新。通过5G、AI和VR等技术的整合应用,超声影像教学质量得到了显著提升。

应用GF-5高光谱遥感影像提取山区茶园

为探究高光谱影像丰富的光谱信息对山区茶园的提取效果,促进国产卫星高光谱影像在茶园分布制图与资源监测中的应用,以普洱市南部山区茶园典型分布区为研究区,以高分五号AHSI(GF-5 AHSI)影像以及数字高程模型(DEM)为主要数据源,结合实地调查数据,构建基于随机森林(RF)分类器的亚热带山区茶园提取算法。首先,将去除噪声影响后剩余的250个波段作为光谱特征(SF);在分析研究区主要地物(茶园、森林、农田)光谱的基础上,分别构建植被指数特征(VIF)45个,地形特征(TRF)3个。然后,利用RF进行特征重要性排序,按照特征重要性从大到小依次将特征输入RF分类器进行茶园提取,随着特征的不断输入,茶园提取的F1-Score达到饱和不再明显增加时的特征维度即为最优选择特征。依据3种特征因子(SF,VIF和TRF)构建12种分类方案。最后,比较12种方案的茶园提取精度,最终确定最优方案。结果显示,不同特征组合茶园提取F1-Score排序为SF+VIF+TRE+FS>TRF+VIF+FS>SF+TRF+FS>TRF+VIF>VIF+FS>SF+VIF+FS>SF+VIF+TRF>SF+FS>SF+TRF>VIF>SF+VIF>SF。FS后6种分类方案中,SF参与分类的4种方案中被选中2次的波段为b4、b5、b6、b27、b133、b150和b281;在VIF参与分类的4种方案中被选中4次的指数分别为REP、VOG2、SR2、SR3、WBI、TIP3和TIP9;TRF参与分类的4种方案中坡度、坡向、高程均被选中。此外,SF+TRF+VIF特征进行FS后结合RF算法能够对亚热带茶园分布进行有效识别,具有较好的识别精度和可信度,GF-5 AHSI卫星数据在茶园分布制图和资源监测等领域有着较好的应用潜力和前景。

改进YOLOv5的无人机影像小目标物体识别算法

无人机图像目标检测是流行的图像识别任务之一。然而,由于无人机航拍影像具有目标尺度变化大、背景复杂等特点,现有的检测器难以准确检测小目标。为了解决这个问题,本文提出了改进的算法模型YOLO-ADOP,用于提高在无人机影像中小目标的检测效果。首先,通过调整检测分支以提高模型在小目标下的检测能力。其次,将分类任务与回归任务解耦,设计了解耦头结合辅助训练头的预测头。最后,使用EIOU优化损失函数,使用OTA改进标签分配策略。通过VisDrone数据集的实验结果表明,改进后的YOLO-ADOP模型较YOLOv5模型在640分辨率和1536分辨率上的AP50指标分别提升了7.18%和4.65%。对比其他主流模型对于小目标拥有更好的检测效果,能够有效完成无人机航拍影像的小目标检测任务。

基于“5G+云平台”的创新教学模式在提高超声影像阅片技能中的应用

探讨基于“5G+云平台”的创新教学模式对提高医学影像学专业本科生超声影像阅片技能的效果。实践表明,基于“5G+云平台”的创新教学模式能提高本科生出科考试成绩和教学满意度,提高教学质量与效果,有利于培养本科生的超声思维,受到师生认可,具有较强的可行性,可持续应用及推广。

改进YOLOv5的遥感影像目标检测算法

针对遥感影像目标检测中复杂背景的干扰,小目标检测效果差等问题,提出一种改进YOLOv5(you only look once v5)的遥感影像目标检测模型。针对卷积神经网络下采样导致的特征图中包含的小目标信息较少或消失的问题,引入特征复用以增加特征图中的小目标特征信息;在特征融合阶段时使用EMFFN(efficient multi-scale feature fusion network)的特征融合网络代替原有的PANet(path aggregation network),通过添加跳跃连接以及跨层连接高效融合不同尺度的特征图信息;为了应对复杂背景带来的检测效果变差的问题,提出了一种包含通道与像素的双向特征注意力机制(bidirectional feature attention mechanism,BFAM),以提高模型在复杂背景下的检测效果。实验结果表明,改进后的YOLOv5模型在DIOR数据集与RSOD数据集中分别取得了87.8%和96.6%的检测精度,相较原算法分别提高5.2和1.6个百分点,有效提高了复杂背景下的小目标检测精度。

改进YOLOv5的无人机影像车辆检测方法

针对传统遥感影像车辆目标检测算法易受干扰、鲁棒性较差且在实际应用当中会产生一定的漏检与误检现象等问题,提出了一种基于改进YOLOv5s的轻量级无人机遥感影像车辆目标检测算法。以YOLOv5s为基线模型,根据车辆目标长宽比相对固定的特点,对锚框尺寸进行修正,提高了锚框与车辆目标的契合度;针对无人机影像中车辆密集情况,进行了加权框融合改进,对检测框合并,解决了预测框计数不准确的问题;由于车辆目标具有多变性,通过增加注意力机制网络,提升了模型识别车辆的速度和准确性。研究表明,改进的YOLOv5s模型可以实现实时准确的无人机影像车辆检测。

基于Landsat-8影像的土地利用变化分析研究——以青岛市黄岛区为例

选取山东省青岛市黄岛区为研究区域,获取影像图上的土地利用状态信息,从不同方面分析青岛市黄岛区2014—2020年土地利用变化时空特征。研究结果表明:2014—2020年青岛市黄岛区的土地利用结构以耕地和林地为主;6年中经济处于持续发展阶段,其他用地都不同程度地转化为建设用地;城市重心不断向东北方向偏移。该文研究分析区域内的土地利用情况,对合理调整区域内的经济发展和资源利用等方面具有很大的意义。

Landsat-5遥感影像精度分析

遥感影像的平面精度和真实分辨率是判断遥感影像质量优劣的重要因素。提出了采用点位中误差来评定遥感影像的平面精度,并对研究区域的Landsat-5影像分别进行平面精度和真实分辨率的评定。试验结果表明,Landsat-5的真实分辨率约为23.884 6 m,高于其标称分辨率。Landsat-5的平面精度约为140.455 7 m,且其X方向定位精度优于Y方向。

基于改进YOLOv5模型的图像标志点特征智能提取方法

标志点被广泛应用于摄影测量和计算机视觉等领域,其中对影像标志点提取是后期进一步应用的关键步骤。因此,提出了基于改进YOLOv5模型的图像标志点特征智能提取方法,相比于传统算法具有更好的适应性和提取效率。首先,提出一种基于极限样本条件下的标志点样本库构建方法,能够快速、自动扩增标志点样本。然后根据标志点的小目标特点,对YOLOv5网络中空间和语义特征进行融合,并添加坐标注意力机制,提高了深度学习网络对标志点的特征提取能力。实验结果表明,本方法对标志点提取的正确率达到96%,平均对每幅图像的提取时间为0.073 s。该方法可为实际工程中标志点的智能提取提供新的思路和方法。

利用跨模态轻量级YOLOv5模型的PET/CT肺部肿瘤检测

多模态医学图像可在同一病灶处提供更多语义信息,针对跨模态语义相关性未充分考虑和模型复杂度过高的问题,该文提出基于跨模态轻量级YOLOv5(CL-YOLOv5)的肺部肿瘤检测模型。首先,提出学习正电子发射型断层显像(PET)、计算机断层扫描(CT)和PET/CT不同模态语义信息的3分支网络;然后,设计跨模态交互式增强块充分学习多模态语义相关性,余弦重加权计算Transformer高效学习全局特征关系,交互式增强网络提取病灶的能力;最后,提出双分支轻量块,激活函数簇(ACON)瓶颈结构降低参数同时增加网络深度和鲁棒性,另一分支为密集连接的递进重参卷积,特征传递达到最大化,递进空间交互高效地学习多模态特征。在肺部肿瘤PET/CT多模态数据集中,该文模型获得94.76%mAP最优性能和3238 s最高效率,以及0.81 M参数量,较YOLOv5s和EfficientDet-d0降低7.7倍和5.3倍,多模态对比实验中总体上优于现有的先进方法,消融实验和热力图可视化进一步验证。

第5跖骨近端骨折髓内钉设计的影像学测量

目的 采用X线测量正常成人第5跖骨髓腔大小、髓内钉长度及第5跖骨长度,为第5跖骨近端骨折髓内钉直径与长度选择提供依据。方法 回顾性选择120例至云南省中医医院就诊,男女各60例,(19~79)岁,符合纳入标准并行足部X片检查的患者,测量第5跖骨正斜位髓腔直径,正位长度、髓内钉长度(从第5跖骨基底部至跖骨干弯曲的距离)。测量结果使用SPSS26.0统计学软件包进行统计学分析,正态分布计量资料2组组间比较采用两独立样本t检验,相关性分析采用Pearson相关性分析,P <0.05表示差异有统计学意义。结果 正位髓腔直径平均值为4.15 mm范围(2.24~5.64) mm,斜位第5跖骨髓腔直径平均值为4.31 mm范围(3.18~5.81) mm,髓内钉长度平均值为39.74 mm范围(28.07~53.46) mm,第5跖骨长度平均值71.64 mm范围(59.73~85.44) mm,髓内钉长度与第5跖骨长度比值平均值为55.48%范围(41.12~68.05)%。经t检验证实男性与女性年龄差异无统计学意义(P> 0.05),男性和女性正斜位髓腔直径、跖骨长度、髓内钉长度,差异有统计学意义(P <0.05),髓内钉长度与第5跖骨长度比值无统计学意义(P> 0.05)。Pearson相关性分析:男性和女性在跖骨长度与髓内钉长度和第5跖骨长度的比值均无相关性(P> 0.05)。结论 通过保持髓内钉长度小于第5跖骨长度的55.48%,可以避免髓内钉长度过长。由于大多数患者正斜位髓腔直径> 4 mm,因此可能需要一个直径> 4 mm的髓内钉来提供足够的固定和减少并发症。

铁道路基盖板缺失病害检测的YOLOv5l改进模型

针对无人机视角下铁路路基上的目标物相对较小,背景复杂,使用现有目标检测网络时容易出现误检和漏检的问题。本文对已有的YOLOv5l模型进行改进:首先,采用数据增强技术,增加有效样本数量;其次,为了降低复杂背景对检测的干扰,使模型更加专注于目标信息,引入双向路由注意力机制;最后,使用WIoU(Wise-IoU)损失函数代替原有的损失函数,解决高质量和低质量样本之间的平衡问题,增强模型的检测性能。通过在自制的盖板缺失病害数据集上进行实验,结果表明改进后的模型的平均检测精度从原始YOLOv5l的74.2%提高到了89.5%,满足路基盖板缺失病害检测需求。

基于旋转框与位置注意力的无人机影像目标检测方法

针对无人机影像背景复杂、地面目标尺寸跨度较大且角度各异等问题,本文提出了一种基于YOLOv5模型与带有旋转角度的目标框(OBB)损失函数的无人机影像目标检测方法。首先,在主干网络中加入位置注意力模块(PAM),让模型更专注于学习正样本的纹理特征;其次,在特征增强网络中输出更大尺寸特征图,进一步增强对小目标的检测能力;再次,为更精准检出多角度目标,在输出端引入旋转框定位损失函数;最后,为增加样本数量并扩充训练集多样性,对训练集进行了增广处理。试验结果表明,基于旋转框与位置注意力模型(PAM-OBB-YOLOv5)在平均精度均值(mAP)上较YOLOv5模型提高了8.3%,在多种复杂环境中表现出良好的泛化能力,且该模型每秒检测影像帧数(FPS)达到32帧,能进行实时级检测结果输出。