引入上下文信息和Attention Gate的GUS-YOLO遥感目标检测算法

目前基于通用YOLO系列的遥感目标检测算法存在并未充分利用图像的全局上下文信息,在特征融合金字塔部分并未充分考虑缩小融合特征之间的语义鸿沟、抑制冗余信息干扰的缺点。在结合YOLO算法优点的基础上提出GUS-YOLO算法,其拥有一个能够充分利用全局上下文信息的骨干网络Global Backbone。除此之外,该算法在融合特征金字塔自顶向下的结构中引入Attention Gate模块,可以突出必要的特征信息,抑制冗余信息。另外,为Attention Gate模块设计了最佳的网络结构,提出了网络的特征融合结构U-Net。最后,为克服ReLU函数可能导致模型梯度不再更新的问题,该算法将Attention Gate模块的激活函数升级为可学习的SMU激活函数,提高模型鲁棒性。在NWPU VHR-10遥感数据集上,该算法相较于YOLOV7算法取得宽松指标mAP^(0.50)1.64个百分点和严格指标mAP^(0.75)9.39个百分点的性能提升。相较于目前主流的七种检测算法,该算法取得较好的检测性能。

多源遥感数据在战场环境智能态势感知的现状及展望

面对复杂战场环境信息的快速变化,及时全面准确地掌握复杂战场环境态势,是未来打赢信息化战争的前提条件。为了探索多源遥感数据对战场环境态势感知的发展方向,基于广泛调研战场环境态势感知的遥感需求,首先对战场环境态势智能感知的概念和内涵进行了阐述,然后对多源遥感数据的处理与战场态势感知应用现状进行概述,分析了遥感在战场态势智能感知面临的挑战,最后提炼总结了遥感在战场态势感知的进展和发展趋势。遥感为战场环境态势感知提供多种观测数据,遥感与人工智能算法结合可以为军事战场环境态势感知提供多种应用,为指挥人员决策提供数据支持,但仍然存在大量挑战需要解决。在分析现阶段成果和面临挑战的基础上,提出了遥感在战场环境智能态势感知的前瞻,指出了基于遥感的深度学习可解释性和智慧战场是遥感在战场智能态势感知发展所面临的困难。

花青素对植物反射特性的影响及遥感估算:叶片尺度

花青素是植物三大色素之一,与植物的生长发育、生长状态以及生长环境状况密切相关,花青素动态变化对生态环境的监测和预警具有重要意义。对叶片光学特性与色素关系的深入理解是估算色素浓度的前提,然而花青素对叶片光学属性的影响并未能得到系统地分析,极大地限制了植物花青素的反演和监测。该研究从机理出发,采用包含花青素参数的新一代植物叶片辐射传输模型PROSPECT-D,结合改进的Sobol’算法,获取输入参数协同变化条件下叶片的光学表现,计算模型参数的全局敏感性指数,全面分析花青素对叶片光学属性的影响,探索花青素的光学敏感波谱区间,在此基础上,以地面实测的叶片波谱和色素数据为样本,发展并探讨叶片尺度花青素的遥感反演方法。结果表明,Sobol’全局敏感性分析结果受样本量变化的影响,总敏感性指数在样本数为3 000时达到稳定;花青素主要影响400~689 nm波谱范围的叶片反射特性,叶片对光子的反射能力随花青素含量的增加而降低;叶绿素、类胡萝卜素与花青素对叶片的反射存在协同作用,在467~589 nm波谱区间,花青素对叶片反射的贡献高于其他参数,花青素总敏感性指数在509 nm处最高(86.64%);基于叶绿素、类胡萝卜素对叶片反射能力的贡献程度,花青素的波谱敏感区间可分为三个部分:467~505 nm(花青素、叶绿素、类胡萝卜素共同影响区)、 506~541 nm(花青素、类胡萝卜素影响区)、 542~589 nm(花青素、叶绿素影响区);叶片花青素含量与敏感区间的高光谱窄波段、波谱指数之间存在显著的线性关系。在所有的窄波段中,样本花青素含量与560 nm的叶片反射率的相关性最好,相关系数为0.948,但由于花青素与叶绿素、类胡萝卜素光谱吸收波段重叠,考虑其他色素干扰的波谱指数ARI、 mARI(Sentinel-2波段参考)与花青素表现出了好的相关性(相关系数分别为0.953 2, 0.953 6),但由于波段设置的差异,不同卫星的波谱指数表现并不一致。该研究可为未来更大范围的花青素遥感估算奠定重要的理论基础。

基于遥感的海域环境变化监测分析

以杭州湾海域和连云港周边海域为研究对象,基于Landsat-5、Landsat-9的多光谱和热红外数据,对研究区的海域岸线和温度场信息进行提取,分析海域岸线变迁和温度分布变化特征。结果显示,研究区的海域岸线变化均较显著;海域温度在核电站运行前较为均匀,无明显温度分异,核电站运行后,因温排水排放,核电站周边海域温度出现明显分异;Landsat-9热红外数据温度反演结果可靠,可用于监测温排水对海域环境的影响。

一种轻小型遥感相机多通道高速图像传输方案

遥感相机图像传输接口性能是影响相机整体性能的重要指标,为解决多通道相机图像数据传输速率高且同时满足轻小型化需求的问题,文章提出一种高吞吐率、低误码率的轻小型相机多通道高速图像数据传输方案,该方案基于CoaXPress接口采用Aurora 8B/10B通信协议,通过FPGA吉比特发送器(Gigabit Transceiver,GTX)实现4套焦面组件下行的高速图像传输,测试数据率达到13 Gbit/s,同时实现上行21 Mbit/s的相机控制数据率。仿真及测试结果表明:该方案极大地提高了相机的图像数据传输速率,接口电缆数量较传统减少近50%,可满足轻小型遥感相机多通道高速图像传输需求,为各类遥感相机高速小型化提供新的解决方案。

基于遥感数据的工程结构损伤动态识别研究

以定期监测工程结构状况为目标,提出了基于遥感数据的工程结构损伤动态识别方法,解决获取影像粗糙问题,提升微小工程结构损伤识别效果。运用二维Tsallis交叉熵计算工程结构遥感影像的二维直方图,通过在布谷鸟搜索算法(CS)中引入Logistic映射的混沌扰动算子,形成混沌CS算法,完善二维Tsallis交叉熵的阈值选择过程,获取最佳阈值后,分割工程结构遥感影像,增强处理分割后的遥感影像,并将处理后的影像作为SVM分类识别模型输入,完成损伤动态识别、归类。实验结果表明,该方法获取遥感影像精度极高,分割影像清晰且各区域边缘完整,能够识别微小的裂缝损伤,最大程度还原裂缝宽度及线性特征,识别结果影像信息含量大,且识别均方误差低、平方相关系数高。

面向无人机绝对定位的遥感影像快速检索方法

针对在复杂环境下无人机景象匹配导航中的视觉绝对定位问题,提出了一种聚合深度学习特征的实时影像快速检索方法。首先,引入可训练软分配深度学习框架—NetVLAD,结合VGG16网络提取并聚合生成影像稳定的全局特征表达向量;其次,在初始检索阶段,使用KD树结构对影像全局特征向量构建检索索引,在不损失检索精度的前提下提高检索速度;最后,使用皮尔逊积矩相关系数对初始检索结果进行快速预判断,自动过滤初始检索结果,对于需要重排序的影像则采用特征学习匹配算法——图神经网络SuperGlue进行匹配重排序。所提方法在公开的夏季和冬季遥感影像数据集分组进行实验,实验结果表明:未重排序条件下,初始检索结果第一张影像平均准确率达到了58.27%,部分特征较好地区准确率达到了85%,对不同时相遥感影像也有很好的适应性,平均检索一张影像耗时3.7 s,可为无人机景象匹配导航的初始定位提供参考。

面向微纳遥感星座构建的阻力差分控制方法

基于整星质量、功耗、体积和成本考虑,一些微纳卫星通常不加装推进系统。为满足这类微纳遥感卫星构建星座的要求,提出采用阻力差分控制(无动力控制)技术实现星座构建的方法。通过调整太阳翼迎风面积,利用星间阻力差增大或减小2颗卫星轨道半长轴之差,在不改变卫星飞行姿态、不影响有效载荷应用的情况下实现微纳遥感星座相位控制。利用20颗微纳遥感卫星构建星座对阻力差分控制方法进行验证,结果表明:将阻力差分控制技术应用于微纳遥感星座相位控制,能顺利完成微纳遥感卫星同一轨道面的等相位部署,并成功实现星座构建。

基于新遥感生态指数环境质量动态监测——以阜新市为例

气候灾害易影响生态环境,传统的遥感生态指数(RSEI)缺乏气候因素影响生态质量的研究,本研究引入气象因子并优化了生态因子的选择,更加综合全面评价区域内的生态环境质量。使用主成分分析法构建新遥感生态指数(NRSEI),对各因子及多因子交互分析。结果表明,NRSEI较RSEI各因子在第1主成分贡献率均值提升12.53%,并且NRSEI与各因子相关性为高度相关,3 a均值为0.853。分析了2013-2020年阜新市生态环境的变化特点和原因,并利用NRSEI对研究区域的生态环境质量进行动态监测和评估,总体来看,2013-2020年阜新市生态环境状况变好,对于阜新市与NRSEI相关性最高的单个因子是湿度因子,因此阜新市相关部门应注重对河流、湖泊和湿地的保护,减少建筑开发,以改善城市的环境质量。

空间外差遥感数据光谱-干涉图双向校正算法研究

空间外差光谱技术(SHS)作为新型高光谱分析技术,被广泛应用于大气检测、卫星遥感等领域,但由于空间外差光谱仪的制作不理想或工作环境的变化都会改变仪器参数而引入误差,使干涉图数据不准确,需要进行误差校正。在卫星平台下,由于与地面环境的巨大差异,导致地面测定的校正参数对空间外差干涉图数据不再适用,特别是调制项误差(相位误差和非均匀误差)的改变,极大影响了光谱的准确性。针对空间外差遥感数据的调制项误差,从光谱与干涉图两个方面入手,进行误差分离与原因分析,认为空间外差遥感数据误差主要来源于CCD尺寸伸缩导致的光谱频率变化和CCD响应改变导致的干涉图强度变化,提出了光谱-干涉图双向校正方法。校正测试数据选取高分五号搭载检测仪(GMI)实测的12条O 2吸收光谱。取其中一条作为标定光谱,以SCIATRAN仿真的无误差光谱为基准,与标定光谱进行对比,分析两者在光谱维的频率偏差,通过特征峰频率确定两者的频率变换关系。然后根据变换关系将仿真光谱进行频率拉伸,使拉伸后的仿真光谱与实测光谱谱峰重合,计算拉伸仿真光谱与实测光谱干涉图,将两者干涉图相比得到干涉图强度的变化关系。最后将干涉图强度变化关系用于其余11条光谱的校正,得到校正后光谱。为了衡量校正效果,以校正前后光谱的标准差、均方误差和信噪比作为评价指标。结果显示标准差、均方误差都明显降低,同时信噪比显著增大,且标准差基本都在0.07以下,信噪比基本能达到20以上。其中校正效果最好的实测光谱,标准差减少了0.3767,信噪比提高了25.1016,均方误差降低了0.1587,校正效果较差的实测光谱,标准差减少了0.2296,信噪比提高了9.6328,均方误差降低了0.1049。因此所提出的光谱-干涉图双向校正方法对空间外差遥感数据的误差校正起到较好的效果,且处理过程简单,为同类数据的处理提供了一种新思路。

基于向量叉乘标签分配的遥感图像目标检测算法

近年来遥感图像目标检测受到了广泛的关注,主流的遥感图像目标检测器通过预设锚框与真实框之间的交并比(IoU)进行正负样本的划分。为了解决基于IoU的标签分配方法在遥感图像小而密集目标中存在复检和漏检的问题,本文提出了一种基于向量叉乘标签分配的遥感图像目标检测算法YOLOXR。首先,提出了一种标签粗分配策略,通过向量叉乘的方法判断特征图的像素点是否在旋转目标内或者目标中心点附近的旋转正方形框内,从而确定其是否为候选正样本。其次,为了降低边缘低质量候选正样本对标签分配的影响,提出了旋转中心度量方法,通过向量叉乘判断像素点距离中心点的远近程度进而赋予不同的权重。最后,基于最优传输的方法(sim OTA)选取真实框和样本点的最优匹配对,使得总体代价最小,进而为旋转目标分配合适的标签。此外,为了解决旋转IoU损失不可导以及Smooth L1损失难以权衡旋转框各个参数的问题,通过计算真实框和预测框二维高斯分布的Kullback-Leibler散度(KLD)来替代IoU。在公开的遥感图像目标检测数据DOTA、HRSC 2016和UCAS-AOD上的大量实验表明,所提方法优于目前绝大多数旋转目标检测算法。

基于L-DeepLabv3+的轻量化光学遥感图像道路提取

针对DeepLabv3+在进行光学遥感图像道路提取任务时,存在模型参数量大、细节提取效果差等问题,提出一种改进DeepLabv3+的轻量化道路提取模型L-DeepLabv3+。首先通过将主干网络替换为MobileNetv2来减少模型参数量;其次,在编码层中设计一个改进的空洞空间卷积池化金字塔模块。该模块通过嵌入一个通道空间并联注意力模块和YOLOF模块来增强模型特征表达能力,并且将普通卷积替换为深度可分离卷积进一步减少模型参数量;最后组合采用Dice_loss和Focal_loss作为损失函数来解决正负样本不均衡问题。实验结果表明:L-DeepLabv3+在DeepGlobe Road数据集上进行道路提取的交并比达到68.40%,像素准确率达到82.67%,且模型参数量仅为5.63 MB,FPS达到72.3,与其他模型相比具有明显提升,实现了模型精度与轻量化之间更好的平衡。

含明亮区域的无人机遥感定位图像去雾方法

针对传统DCP去雾算法处理无人机遥感定位含雾图像时,天空或白色等明亮区域颜色易发生失真,图像整体对比度降低等问题,提出了一种自适应阈值分割的DCP去雾方法。利用灰度图像I_(gray)(x)求取图像明亮与非明亮区域的自适应阈值ThrB;根据自适应阈值ThrB将明亮区与非明亮区分割,并设计自适应修正函数M;优化由暗通道图像生成的大气耗散函数粗估计,利用双边滤波再次细化透射率,完成图像去雾复原。实验结果表明:提出方法在处理天空或反光较强的明亮区域时,能够有效避免复原后的颜色失真等问题,进一步改善遥感图像地面景物区域的处理效果,复原后整幅遥感图像的色彩饱和度和对比度明显提高,主观视觉效果有一定改善,且PSNR、FC、SSIM和CR等客观参数均有提升,有利于后续遥感定位图像分析。

面向多源异质遥感影像地物分类的自监督预训练方法

近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

基于改进YOLOv7的遥感图像小目标检测方法

针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

YOLOv5-LR:一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。

遥感统计推断理论与应用初探

提出一种新的介于遥感分类(定性分析)与遥感反演(定量分析)之间的遥感定性-定量分析方法,即遥感统计推断。遥感统计推断在理论上基于统计光学和概率分布变换,主要研究在一定区域范围内的地物参数的概率分布特征(如土壤的湿度、温度,水体盐度、叶绿素浓度等)如何改变和影响传感器所观测到的光学参数(如地表反射率、水体的遥感反射率等)的概率分布特征(称之为光谱概率分布),以及如何基于传感器观测到的光谱概率分布去反向推断地物参数在此区域内的统计分布特征,从而为刻画地物参数提供相应的定性与定量信息。相比于传统的遥感分类和反演,遥感统计推断的优点在于:(1)能够快速地获取地物参数的全局统计特征,如均值、方差、极值等等,而不需要反演分析每一个像素光谱,这一优点对于当前很多基于大数据、高分辨率的遥感应用尤为重要,因为有些应用部门的管理人员最感兴趣的往往是管理对象(如湖泊、水库、农田)的整体特征,他们并不需要知道在每一个像素处的地物参数的大小;(2)地物的光谱概率分布可以直接用于地物的分类研究,提供了一种有别于基于像素光谱签名特征的传统遥感分类的新分类方法,这种方法提供的是研究区域的整体分类(如一个湖泊的分类)而不是每个像素的分类(如水质的分类);(3)遥感统计推断可以为遥感反演建模提供辅助信息,基于这些信息调整反演模型的函数和/或参数,使得反演模型结果的统计特征与遥感统计推断的结果相匹配。该文简要介绍了遥感统计推断的一些基本概念、原理以及其相较于遥感分类和反演的优势、推断的适用对象和面向推断的遥感数据处理方法,分析了国内主要湖泊水体的光谱概率分布特征,并基于杭州西湖实地采测数据,提出了一种基于自展法(bootstrap-based)的用于推断关键统计分布参数(例如西湖悬浮颗粒浓度的平均值)的简易遥感统计推断方法。

GCN引导模型视点的光学遥感道路提取网络

在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取网络(RGGVNet)。RGGVNet采用编解码结构,并设计基于GCN的视点引导模块(GVPG)在编解码器的连接处反复引导模型视点,从而增强对特征模糊区域的关注。GVPG利用GCN信息传播过程具有平均特征权重的特性,将特征图中不同区域道路显著性水平作为拉普拉斯矩阵,参与到GCN信息传播从而实现引导模型视点。同时,提出密集引导视点策略(DGVS),采用密集连接的方式将编码器、GVPG和解码器相互连接,确保有效引导模型视点的同时缓解优化困难。在解码阶段设计多分辨率特征融合(MRFF)模块,最小化不同尺度道路特征在特征融合和上采样过程中的信息偏移和损失。在两个公开遥感道路数据集中,本文方法IoU分别达到65.84%和69.36%,F1-score分别达到79.40%和81.90%。从定量和定性两方面实验结果可以看出,本文所提方法性能优于其他主流方法。

基于垄间背景剔除优化小麦赤霉病遥感监测精度

为探究麦田垄间背景对无人机多光谱小麦赤霉病监测精度的影响,该研究以江苏省镇江市农科院灌浆期小麦为研究对象,利用大疆M600 Pro无人机搭载RedEdge-MX多光谱相机获取小麦冠层多光谱影像。通过筛选与小麦赤霉病相关性最高的植被指数(vegetation indexes,VIs):MSR和CRI2植被指数,并采用大津法(Nobuyuki Otsu method,OTSU)、阈值分割法和支持向量机(support vector machine,SVM)等方法对小麦赤霉病遥感图像进行精细化语义分割,降低田块边缘阴影背景和染病麦穗之间的误判率。试验结果表明:目视解译阈值分割法剔除背景的效果最好(总体精度:92.06%,Kappa系数:0.84),OTSU阈值分割法(总体精度:90.52%,Kappa系数:0.81)效果次之。采用偏最小二乘回归分别建立小麦病情指数(disease index,DI)与VIs、纹理特征(texture features,TFs)和VIs&TFs小麦赤霉病监测模型,其中VIs&TFs模型监测精度最高,剔除垄间背景前预测模型训练集的决定系数(coefficient of determination,R^(2))为0.73,均方根误差(root mean square error,RMSE)为5.52,相对分析误差(relative percent deviation,RPD)为2.01,验证集的R^(2)为0.68,RMSE为6.21,RPD为1.96;剔除垄间背景后VIs&TFs模型监测精度依然最高,训练集的R^(2)为0.75,RMSE为5.58,RPD为2.13,验证集的R^(2)为0.77,RMSE为7.13,RPD为2.11。综上所述,基于垄间背景特征的精细化语义分割有效地提高了小麦赤霉病的监测精度,可以直观地了解小麦病情分布情况,可对后续变量施药提供参考依据。