1 火箭军工程大学作战保障学院, 陕西 西安 710025
2 火箭军工程大学导弹工程学院, 陕西 西安 710025
高光谱图像包含丰富的地物光谱信息, 在遥感图像领域有着巨大的发展前景。 高光谱图像异常检测无需任何先验光谱信息, 便可检测出图像中的异常目标。 因此, 在****和民用领域都有广泛的应用, 是现阶段高光谱图像处理领域的研究热点。 然而, 高光谱图像存在数据复杂、 冗余性强、 未标记以及样本数量少等特点, 这给高光谱图像异常检测带来了很大的挑战。 尤其是在深度学习中, 往往需要大量的图像数据作为训练样本, 这对高光谱图像来说很难获得。 针对现有大多数算法对高光谱图像自适应性不强和空间-光谱信息利用不足的问题, 提出一种基于3D卷积自动编码网络的高光谱异常检测算法, 可以在少量训练数据的前提下, 有效利用高光谱图像信息, 学习更加有判别性的特征表达, 提高检测精度。 首先, 通过3D卷积、 3D池化和3D归一化等步骤设计3D卷积网络, 进而提取高光谱图像的空间-光谱结构特征。 然后, 将3D卷积网络和3D反卷积网络分别嵌入自动编码网络的编码器和解码器, 通过最小化结合均方差和光谱角距离的重构误差进行背景重构。 最后, 利用原始高光谱图像待测像元与重构的背景图像之间的马氏距离进行异常检测。 该算法可以在无先验信息的情况下, 自动训练网络中的所有参数, 以无监督的方式学习高光谱图像的有效特征并进行背景重构。 为证明算法的有效性, 利用截取来自三组真实高光谱数据集的九个图像进行异常检测, 并与RX, SRX, CRD, UNRS和LRASR五种算法进行对比。 结果表明, 与现有的其他算法相比, 该算法可以在复杂程度不同的高光谱图像背景下可以保持较高的检测效果和准确率。
高光谱 异常检测 3D卷积 自动编码器 马氏距离 Hyperspectral Anomaly detection 3D convolution Autoencoder Mahalanobis distance 光谱学与光谱分析
2022, 42(4): 1270
北京联合大学 智慧城市学院 物联网与机器人实验室, 北京 100101
三维脑胶质瘤磁共振成像肿瘤形状各异、边缘模糊, 目前大多数基于2D卷积神经网络的分割方法不能很好的分割三维图像。为了能够准确分割出三维图像中的肿瘤部分, 提出一种融合多尺度特征信息的3D卷积神经网络脑肿瘤图像分割方法。利用并行的3D空洞卷积提取特征信息, 将不同感受野的信息融合。将Dice损失和BCE损失结合, 形成一种新的损失函数并配合恒等映射, 进一步提高分割精度。在BraTs2020数据集上对模型进行验证, 结果表明, 该模型分割的全肿瘤区、核心区和增强区的Dice系数分别为89.1%、83.9%和82.6%。在LGG脑部肿瘤图像数据集上对模型进行验证, 结果表明, Dice系数达到了93.3%。所提出的分割方法不仅能够精确的分割三维脑胶质瘤图像, 而且同样适用于分割二维脑胶质瘤图像。
脑胶质瘤 三维磁共振图像 图像分割 3D卷积神经网络 Brain glioma three-dimensional magnetic resonance image image segmentation 3D convolutional neural network
红外与激光工程
2022, 51(4): 20220167
1 西安理工大学 印刷包装与数字媒体学院, 西安70048
2 中国科学院西安光学精密机械研究所 光谱成像技术重点实验室,西安710119
针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。
高光谱影像 异常检测 3D卷积 自编解码器 低秩表示 Hyperspectral imagery Anomaly detection 3D Convolution Autoencoder Low rank representation
1 福建农林大学计算机与信息学院, 福建 福州 350002
2 福州市气象局, 福建 福州 350014
3 福建农林大学林学院, 福建 福州350002
4 福建农林大学林学博士后流动站, 福建 福州350002
5 福建农林大学海峡自然保护区研究中心, 福建 福州 350002
6 生态与资源统计福建省高校重点实验室, 福建 福州 350002
针对大部分降水临近预报产品无法兼顾高覆盖率、高准确率及低成本的问题,提出一种基于室外监控图像和深度神经网络能预报未来1 h降水强度的方法。设计双流3D卷积神经网络来提取图像降雨信息的高维特征。该网络在低计算代价下自适应产生局部信息,并通过双损失函数从整体和局部统筹网络,提取降雨信息的时间特性和空间特性。实验结果表明,在降水强度预报领域,基于双损失函数的神经网络优于单损失函数。所提网络的误警率、命中率、临界成功指数、准确率在多数情况下优于其他模型。在模型效果可视化方面,所提网络能有效提取降水图像的特征信息。所提降水临近预报方法有能力进行精细且低成本的降水临近预报。
图像处理 3D卷积 室外监控图像 光学图像 降水临近预报 激光与光电子学进展
2020, 57(20): 201011
1 内蒙古科技大学 信息工程学院, 内蒙古 包头 014010
2 上海大学 计算机工程与科学学院, 上海 200444
为提高早期肺癌筛查过程中肺结节的检出率, 提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理; 接着, 利用改进三维区域生长与凸包算法相结合进行肺实质分割; 然后提取三维候选结节, 为了解决卷积神经网络对样本不平衡的敏感问题, 对三维候选结节正样本进行旋转和光照处理; 最后在不同的网络参数下, 对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明, 通过对网络参数的不断优化, 准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、8032%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测, 与文献所提出肺结节检测算法相比, 准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%, 综合性能较强, 可以为肺癌筛查提供有效的帮助。
肺癌筛查 3D卷积神经网络 肺结节 平衡 lung cancer screening three dimensional convolution neural network ELCAP ELCAP lung nodule imbalance