西安科技大学测绘科学与技术学院, 陕西西安 710054
视觉注意机制具有快速引导关注到重点区域的特性, 将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征 3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的 RX异常检测算法在背景参数估计中易受潜在异常干扰的问题, 利用视觉显著性结果对原图像进行高斯加权, 在加权后图像中进行背景均值与协方差的重新估算, 进而使用更精确的背景参数对原图像进行 RX异常检测。在 5个经典数据上的实验结果表明, 本文方法有效地表现了潜在的异常目标, 改进的 RX异常检测算法具有更高的检测精度与更低的虚警率。
高光谱图像 异常检测 视觉注意机制 显著性 hyperspectral image, anomaly detection, visual att RX
1 宁夏大学 信息工程学院, 宁夏 银川 750021
2 四川师范大学 工学院, 四川 成都 610000
针对传统的弱光照图像增强算法鲁棒性差, 基于神经网络的图像增强算法直接从弱光照图像中估计增强结果, 并未注入视觉注意机制, 不能有效注意弱光照区域, 导致算法增强结果的精度不高等问题, 本文提出了注意残差稠密神经网络的弱光照图像增强算法来提高弱光照图像的增强精度和视觉效果。该算法主要包括注意循环网络和残差稠密网络, 注意循环网络在光照图的引导下, 利用循环网络结构逐步关注图像中的弱光照区域, 从而产生由粗到细, 逐步优化的光照注意图。而光照注意图则进一步联合弱光照图像作为后续的残差稠密网络的输入, 引导残差稠密网络为弱光照区域分配更多的计算资源, 更好地学习弱光照图像与增强图像的映射关系, 得到准确的图像增强结果。实验表明, 本文算法在合成图像及真实图像上均较常用算法有更好的增强效果。
弱光照图像增强 Retinex模型 卷积神经网络 残差稠密网络 注意机制 weakly illuminated image enhancement Retinex mode convolutional neural network residual dense network attention mechanism
光学 精密工程
2021, 29(10): 2481
1 河南测绘职业学院空间信息工程系, 河南 郑州 450015
2 河南大学环境与规划学院, 河南 开封 475004
将基于多尺度显著性检测的视觉注意机制引入到高光谱影像的噪声去除和图像增强处理中,并基于分层聚类算法,提出一种结合聚类降维和视觉注意机制的高光谱影像分类方法。以Indian数据集和Pavia数据集为例,开展降维、显著性映射图获取和支持向量机监督分类实验。结果表明,本文方法能够较大地提升高光谱影像的分类精度和效率。
遥感 图像分类 聚类降维 视觉注意机制 多尺度显著性检测 激光与光电子学进展
2019, 56(21): 212802
海军航空大信息融合研究所, 山东 烟台264001
分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。
合成孔径雷达图像 舰船目标检测 频谱残差模型 视觉注意机制 局部最大后验概率分类器 synthetic aperture radar image ship target detection spectral residual model visual attention mechanism local maximum posteriori probability classifier