1 石家庄铁道大学 信息科学与技术学院，河北石家庄050043
2 河北省电磁环境效应与信息处理重点实验室，河北石家庄050043
遥感图像建筑物高效提取在城市规划、灾害救援、**侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度，但通常是由复杂的卷积运算和极大的网络模型实现的，提取速度低，难以满足现实需求。为此，设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积，在同一卷积层内提取多尺度特征，进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构，在带有空间注意力权值的特征图中应用通道注意力，有效学习通道注意力权值，进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量，加快模型的运算速度，将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明，本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%，明显优于主流方法。
遥感图像 建筑物提取 多尺度卷积 稀疏特征提取器 remote sensing image building extraction multi-scale convolution sparse feature extractor 光学 精密工程
2023, 31(11): 1700
1 Shanghai Institute of Technical Physics, Chinese Academy of Science , Shanghai200083, China
2 University of Chinese Academy of Sciences, Beijing100049, China
3 CAS Key Laboratory of Infrared System Detection and Imaging Technology, Shanghai Institute of Technical Physics, Shanghai20008, China
由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率，但同时又会增强背景噪声。针对此问题，提出了基于稀疏编码的红外显著区域超分重建算法，将超分重建和显著度检测相结合，可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征，并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域，再将显著区域用训练好的字典进行超分辨重建，与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN，图像信噪比提高3~4倍。
红外图像 显著度检测 稀疏编码 稀疏特征 infrared image saliency detection sparse coding sparse features
1 安徽新华学院信息工程学院, 安徽 合肥 230088
2 中国人民解放军陆军炮兵防空兵学院偏振光成像探测技术安徽省重点实验室, 安徽 合肥 230031
基于偏振成像特点和深层特征分类需求,提出一种显著性偏振参量深度稀疏特征学习的目标检测方法。首先在偏振解析基础上构造显著性偏振参量图像作为检测源图像;然后在判别式字典对下对待检测图像进行稀疏特征学习,并以字典对作为分类器在卷积神经网络(CNN)框架下进行目标分类和定位;最后结合偏振成像探测实际应用需求,选择典型目标和应用场景进行数据采集和模型训练,并进行仿真验证。结果表明该方法在检测得分和平均检测精度上都比直接偏振方向方法有所提高,验证了其有效性,该方法对于有效提升偏振成像探测能力具有应用价值。
成像系统 偏振参量 稀疏特征 显著性 深度学习 激光与光电子学进展
2019, 56(19): 191101
