1 中国林业科学研究院资源信息研究所，北京 100091
2 国家林业和草原局林业遥感与信息技术重点实验室，北京 100091
3 国家林业和草原局华东调查规划院，浙江 杭州 310019
为探索采用无人机（UAV）遥感影像进行亚热带树种识别的应用潜力，提出一种结合残差模块和有效通道注意力的网络（ECA-ResNet）对单木树冠影像数据集进行模型训练和识别。首先，利用单木分割算法提取单木树冠，构建不同尺度的UAV可见光影像单株树冠影像块样本数据集，并将其划分为训练数据、验证数据和独立测试集；其次，以ResNet50为主干网络，在瓶颈层插入有效通道注意力并调整网络结构，构建ECA-ResNet；最后，将数据集载入预训练的ECA-ResNet模型，进行参数迭代训练和验证并进行独立测试，择优确定单木树冠的合适窗口大小。结果表明：ECA-ResNet对64×64像素的单木树冠影像数据集中树种的识别效果更为理想，训练精度和验证精度分别达98.98%和96.60%，独立测试识别精度、Kappa系数分别达85.61%、0.8140；ECA-ResNet模型的训练、验证、独立测试精度分别高于ResNet50网络2.63个百分点、1.80个百分点、5.31个百分点。该研究结果证明卷积神经网络（CNN）能够充分提取可见光图像的空间特征，有效通道注意力能够有效提升CNN的单木树种识别能力。
树种识别 残差网络 有效通道注意力 无人机可见光图像 单木树冠影像块 激光与光电子学进展
2023, 60(2): 0210004
西安建筑科技大学 理学院，陕西 西安 710055
以SRCNN（super-resolution convolutional neural network）模型为代表的超分辨率重建模型通常都有很高的PSNR（peak signal to noise ratio）和SSIM（structural similarity）值，但其在视觉感知上并不令人满意，而以SRGAN为代表的拥有高感知质量的GAN（generative adversarial networks）模型却很容易产生大量的伪细节，这表现在其PSNR和SSIM值通常都较低。针对上述问题，提出了一种基于深度反向投影的感知增强超分辨率重建模型。该模型采用双尺度自适应加权融合特征提取模块进行特征提取，然后通过深度反向投影进行上采样，最终由增强模块增强后得到最终输出。模型采用残差连接与稠密连接，有助于特征的共享以及模型的有效训练。在指标评价上，引入了基于学习的LPIPS（learned perceptual image patch similarity）度量作为新的图像感知质量评价指标，与PSNR、SSIM一起作为模型评价指标。实验结果表明，模型在测试数据集上PSNR、SSIM、LPIPS的平均值分别为27.84、0.7320、0.1258，各项指标均优于对比算法。
超分辨率重建 感知质量 深度反向投影 LPIPS度量 super-resolution reconstruction perceived quality deep back projection learned perceptual image patch similarity metric
1 河北地质大学信息工程学院, 河北 石家庄 050031
2 河北省光电信息与地球探测技术重点实验室, 河北 石家庄 050031
3 河北省智能传感物联网技术工程研究中心, 河北 石家庄 050031
在图像分割中,考虑邻域信息的模糊C均值算法能够有效地降低噪声对图像的干扰,但这类算法需额外引入参数,且无损检测图像的较大类间差异易导致分割失败。为此,提出基于图像块的类间差异不敏感的模糊C均值算法。利用像素所在的图像块代替像素进入聚类进程,图像块内像素的权重由像素的空间距离和灰度大小自适应确定。基于信息量的概念,给出类信息量表征形式并将其引入目标函数以改善常见模糊C均值算法对类间差异敏感的缺陷。基于新构建的目标函数得到新的隶属度和聚类中心表达式,并给出算法流程。最后,利用类间差异较大的无损检测图像对所提算法进行测试,结果表明:与其他模糊聚类算法相比,本文算法具有更高的分割准确率和更好的视觉效果。
图像处理 图像分割 图像块 模糊C均值 邻域信息量 激光与光电子学进展
2021, 58(12): 1210009
1 河北地质大学信息工程学院, 河北 石家庄 050031
2 河北省光电信息与地球探测技术重点实验室, 河北 石家庄 050031
3 河北省智能传感物联网工程研究中心, 河北 石家庄 050031
广义模糊C均值算法是一种比模糊C均值算法收敛速度更快的算法,然而它在分割灰度图像时对噪声敏感。为了改善其鲁棒性,提出基于图像块的像素灰度值加权的广义模糊C均值算法。该算法利用图像块代替单个像素构建目标函数,图像块内各像素的权重由邻域像素和中心像素空间关系及图像块内各像素灰度关系综合确定。以新目标函数为基础,利用拉格朗日乘子法推导出含图像块形式的隶属度和聚类中心表达式。通过这种方式,将邻域信息融入进聚类进程,提升算法的鲁棒性。利用合成图像和实际图像进行分割实验,结果表明:所提算法具有较强的鲁棒性和良好的分割性能。
图像处理 图像分割 广义模糊C均值 图像块 邻域信息 激光与光电子学进展
2020, 57(24): 241006
为了消除海上红外弱小目标检测中图像背景杂波和噪声的影响, 提出了一种基于时空非局部相似性的红外图像弱小目标检测方法.该方法充分利用了相邻帧的红外图像序列间海面背景图像块的非局部自相关特性以及每帧内非局部背景图像块间的相似特性, 并引入时空域图像块模型, 该模型可利用加速近端梯度方法来有效求解.实验结果表明, 与传统的红外弱小目标检测方法相比, 所提方法不仅能更有效地保留目标的特征信息,还能使红外图像的峰值信噪比提高1.2倍以上, 信杂比提高1.8倍以上.
图像处理 红外图像 弱小目标检测 非局部相似性 时空域图像块 Image Processing Infrared image Dim targets detection Non-local similarity Temporal-spatial image patch 光子学报
2018, 47(11): 1110001
海军航空工程学院 控制科学与工程系, 山东 烟台 264001
由于多舰船目标显著性检测过程容易将边界像素作为背景处理, 本文提出了应用颜色聚类图像块的多舰船显著性检测方法。该方法首先检测邻域 像素是否具有颜色相似性, 并将临近的具有相似颜色的像素聚集在一起作为一个图像块。接着, 对获得的图像块进行扩展, 使图像块包含很多其他图像块的像素以提高图像块内像素间的对比强度; 对边缘像素进行背景索引标记, 计算图像块中像素的显著性强度, 采用阈值分割方法获得目标显著性区域。最后, 基于颜色聚类的图像块存在部分重叠的特点, 利用权值对存在叠加的显著性图像进行融合, 从而获得多舰船目标整幅图像的显著性检测结果。对获得的多舰船目标图像进行了实验测试, 并对本文算法结果和当前比较先进的其它显著性检测算法进行了效果对比。结果显示: 提出的利用颜色聚类图像块的舰船显著性检测方法的查全率达到78%以上, 准确率达到92%以上, 综合评价指标Fβ≥0.7; 无论考虑单个指标还是整体指标, 本文算法均优于其他对比算法。
多目标检测 显著性检测 舰船 图像块 颜色聚类 multi-target detection saliency detection ships image patch color clustering
1 军械工程学院 精确制导技术研究所, 河北 石家庄 050003
2 北京跟踪与通信技术研究所, 北京 100094
3 北京理工大学 自动化学院, 北京 100081
对红外图像小目标与背景的特性进行了分析, 提出一种基于图像块邻域对比特性的红外弱小目标检测算法用于有效检测低信噪比条件下的红外弱小目标。该方法利用大尺度图像块邻域最大对比特性(IPMCM)获得图像显著图并自适应分割感兴趣区域; 然后计算多尺度图像块邻域最小对比度并进行最大值合并操作; 最后以自适应阈值精确检测目标位置。文中从理论上分析了红外目标图像测试算法的有效性, 使用该检测算法检测了弱小目标的性能, 并与其它检测方法进行了对比。实验结果显示, 提出的方法能够在低信噪比条件下有效地检测出红外弱小目标, 在参与实验的8幅图片中均见实效。与局部概率分析、中值滤波和Top-Hat等方法相比, 本文方法在目标检测性能对比试验中的检测率最高, 虚警率最低。
目标检测 红外弱小目标 图像块 对比检测 感兴趣区域 target detection infrared dim small target image patch contrast measurement region of interest
