精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大，近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展，然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分，难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network，ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力 （Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中，通过ASPP模块来捕获和聚合多尺度上下文信息，采用SCA模块选择性增强特定位置和通道中更有用的信息，并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验，结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%，相比其他模型能够获得更清晰的建筑物边界，尤其对图像边缘不完整建筑的提取效果较好，有效提升了建筑物提取的精度和完整性。
高分辨率遥感影像 双注意力机制 空洞卷积 建筑物提取 high-resolution remote sensing images dual attention mechanism atrous convolution building extraction
针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高，本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先，采用重参数化方法设计了一种残差局部特征模块，以有效地提取图像局部特征；同时考虑到图像内部出现的相似特征，设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力，并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能；最后，在上采样模块前使用多层特征融合模块聚合所有的深度特征，以产生更全面的特征表示。在UC Merced遥感数据集上进行测试，该算法在遥感图像3倍超分辨率下的参数量为539 K，峰值信噪比为30.01 dB，结构相似性为0.844 9，模型的推理时间为0.010 s；而HSENet算法的参数量为5 470 K，峰值信噪比为30.00 dB，结构相似性为0.842 0，模型的推理时间为0.059 s。实验结果表明，该算法相比HSENet算法，参数量更少，运行速度较快，且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试，该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势，表明该算法的泛化能力较强。
超分辨率 遥感图像 全局上下文 重参数化 残差网络 super resolution remote sensing images global context re-parameterization residual network
中国电子科技集团公司第十研究所航空电子信息系统技术重点实验室，四川 成都 610036
针对人工描述子在多模态匹配任务中辨识能力不足导致匹配效果不佳的问题，基于构造的累积结构特征图对多模态图像特征匹配方法的特征点提取、主方向分配和描述子构造等3方面进行扩展。在特征提取阶段，在不同尺度的累积结构特征图上提取混合特征点，兼顾特征点重复性和定位精度；在主方向分配阶段，采用累积结构特征和方向构造局部结构特征场提取特征点主方向，缓解特征点主方向估计容易出错的问题；在描述子构造阶段，对累积结构特征描述子进行L1距离归一化及开方操作替代L2距离归一化，提高描述子在特征匹配阶段的辨识能力。多模态匹配对比实验结果表明：相较于LHOPC、RIFT和HAPCG，所提方法在平均匹配正确点数目和平均匹配正确率等综合指标上明显占优；相较于CSF，所提方法平均正确率提升6.6%，平均匹配精度提升5.8%，表明其有效性。
多模态遥感图像 非线性辐射差异 累积结构特征 特征场 特征匹配 激光与光电子学进展
2024, 61(4): 0428002
1 太原工业学院电子工程系, 山西太原 030008
2 长春理工大学电子信息工程学院, 吉林长春 130022
3 长春理工大学电子信息工程学院, 吉林长春 130022教育部学科创新引智基地(D17017), 吉林长春 130022
针对复杂任务场景中, 目标检测存在的多尺度特征学习能力不足、检测精度与模型参数量难以平衡的问题, 提出一种基于 CSE-YOLOv5(CBAM-SPPF-EIoU-YOLOv5, CSE-YOLOv5)模型的目标检测方法。模型以 YOLOv5主干网络框架为基础, 在浅层引入卷积块注意力机制层, 以提高模型细化特征提取能力并抑制冗余信息干扰。在深层设计了串行结构空间金字塔快速池化层, 改进了统计池化方法, 实现了由浅入深地融合多尺度关键特征信息。此外, 通过改进损失函数与优化锚框机制, 进一步增强多尺度特征学习能力。实验结果显示, CSE-YOLOv5系列模型在公开数据集 RSOD、DIOR和 DOTA上表现出良好的性能。 mAP@0.5的平均值分别为 96.8%、92.0%和 71.0%, 而 mAP@0.5:0.95的平均值分别为 87.0%、78.5%和 61.9%。此外, 该模型的推理速度满足实时性要求。与 YOLOv5系列模型相比, CSE-YOLOv5模型的性能显著提升, 并且在与其他主流模型的比较中展现出更好的检测效果。
遥感图像 目标检测 注意力机制 金字塔快速池化 多尺度目标 remote sensing images, target detection, attention
针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题，提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理，得到其暗原色图(DarkChannelImage，DCI)；再将 DCI作为二维恒虚警(2-DCFAR)检测法的输入，以局部统计灰度均值和方差作为目标检测特征，通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位；疑似目标集合可以有效地被舰船目标特征矢量进行检验，根据得到的结果判定虚警是否去除，最后得到最终目标检测结果。实验结果表明，该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果，总检出率可达 96.07%，并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用，对黑极性舰船目标的检出率可达 86.71%，较大地提高了可见光遥感图像中黑极性舰船目标的检出率，对优化黑极性目标检测方法创新有一定的指导意义，也为暗原色先验原理的应用提供了新思路。
可见光遥感图像 暗通道 恒虚警 黑极性舰船目标检测 目标特征矢量 visible remote sensing images dark channel constant false-alarm rate black polar ship targets target feature vector
1 辽宁师范大学地理科学学院, 辽宁 大连 116029 国家海洋环境监测中心, 辽宁 大连 116023
2 辽宁师范大学计算机与信息技术学院, 辽宁 大连 116081
3 辽宁师范大学地理科学学院, 辽宁 大连 116029 辽宁师范大学计算机与信息技术学院, 辽宁 大连 116081
受成像机理的限制, 目前的遥感硬件技术条件尚无法获取同时具备高空间、 高光谱分辨率的多波段遥感影像。 多波段遥感影像作为一种反映各个不同窄波段区间信息的三维影像集合, 其包含二维空间信息和一维光谱信息, 空间信息反映场景中的几何特性, 而光谱信息则对应地物在不同波段的电磁波特性。 为弥补多波段遥感影像空间信息采集的不足, 利用辅助影像增强其空间分辨率, 即多波段遥感影像的锐化受到重视。 多波段遥感影像锐化不仅可提升影像的视觉效果, 同时可为诸如地物分类、 变化检测和参数反演等后继的定性、 定量化遥感应用奠定基础, 因而一直是遥感影像处理领域非常重要且持续活跃的研究方向。 为此, 对多波段遥感影像锐化方法的研究进展进行综述: 一是对多波段遥感影像锐化的内涵进行了表述； 二是以多光谱（MS）影像的全色锐化为视角、 以算法实现的技术为脉络, 分别从基于成分替代（CS）、 基于多分辨率分析（MRA）、 基于最优化模型（OM）和基于深度学习（DL）四个方面对多光谱遥感影像锐化方法的研究进展和存在的问题进行分析和讨论； 三是结合高光谱（HS）影像所存在的不同于MS的自身特性, 对HS影像的锐化特点进行了分析, 并对不同于MS的一些特有HS锐化方法进行了讨论和归纳； 最后对多波段遥感影像锐化方法未来的发展进行了展望, 分别从目前CS和MRA方法更受到主流认可的原因, 以及未来多波段遥感影像锐化领域将呈现出多种方法的相关融合两个方面进行了讨论。
多波段遥感影像 锐化 多光谱 高光谱 分辨率 Multi-band remote sensing images Sharpening Multispectral Hyperspectral Resolution 光谱学与光谱分析
2023, 43(10): 2999
沈阳理工大学 信息科学与工程学院， 沈阳 110159
端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构，制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构，提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区，利用流形学习构造高光谱图像数据的非线性结构，最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明，该算法能够保证高光谱数据的非线性结构，端元提取结果优于其他传统线性端元提取方法，在低信噪比的情况下，可以保持较好的端元提取结果。
高光谱遥感图像 端元提取 超像素分割 流形学习 hyperspectral remote sensing images endmember extraction superpixel segmentation manifold learning
沈阳理工大学 信息科学与工程学院, 沈阳 110159
端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素, 制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构, 提出一种基于测地线距离的正交投影端元提取算法, 将测地线距离引入端元单体提取过程, 利用正交投影方法逐个提取端元。为了降低测地线距离计算量, 在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明, 该方法能够表征光谱数据中非线性因素, 端元提取结果优于传统自动目标生成端元提取方法。
高光谱遥感图像 非线性混合 端元提取 测地线距离 hyperspectral remote sensing images nonlinear mixing endmember extraction geodesic distance
1 中国石油大学(北京) 信息科学与工程学院, 北京 102249
2 中国石油大学(北京) 石油数据挖掘北京市重点实验室, 北京 102249
3 北京空间机电研究所, 北京 100094
针对多模态遥感影像显著性检测鲁棒性差和检测精确度不佳等问题, 提出一种基于多模态边缘感知引导的显著性检测方法, 该方法主要由多模态遥感影像显著检测主干网络、跨模态特征共享模块和边缘感知引导网络构成。通过在特征提取主干网络中加入跨模态特征共享模块, 使得不同模态间特征通过共享交互实现协同增强, 并且抑制具有缺陷的特征信息。基于边缘感知引导网络, 通过边缘图监督模块来检测边缘特征的有效性, 从而生成准确边界。在 3种显著目标检测遥感图像数据集上进行实验, 平均的 Fβ、平均绝对误差 (MAE)、 Sm分数分别为 0.917 6, 0.009 5和 0.919 9。实验结果表明, 提出的多模态边缘感知引导网络(MEGNet)适用于在多模态场景中进行显著性检测。
多模态遥感图像 显著性检测 边缘感知引导网络 双线性特征融合 multi-modal remote sensing images saliency detection Edge Aware Guidance Network bilinear fusion 太赫兹科学与电子信息学报
2023, 21(3): 360
