1 西安石油大学, 陕西 西安 710065
2 中国科学院 遥感与数字地球研究所, 北京 100942
3 中国科学院 空间信息处理与应用系统技术重点实验室, 北京 100190
4 中国科学院 电子学研究所, 北京 100190
提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。
光学遥感 目标检测 融合特征对比度 窗口 显著度 仿射协变 边缘密度 optical remote sensing object detection fused feature contrast subwindow saliency affine invariant edge density
海军大连舰艇学院信息作战系，辽宁 大连116018
为了实现航空侦察图像的快速目标检测，提出了基于显著图生成和显著密度最大化的高效子窗口搜索目标检测方法。显著图生成采用Itti模型，设计了基于显著密度最大化的高效子窗口搜索方法，主要思想是将显著目标检测变为显著密度最大化问题，并利用分支定界搜索算法以全局最优的方式搜索密度最大的位置。实验表明，新方法可以实现快速目标检测，目标检测平均耗时为36.6 ms，目标检测概率为83.2%。
航空侦察图像 目标检测 高效子窗口搜索 显著密度最大化 aerial reconnaissance image target detection efficient subwindow search maximum saliency density
江西农业大学生物光电技术及应用重点实验室, 江西 南昌 330045
为打击山茶油掺假，保障消费者的合法利益，利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85 个纯山茶油和315 个掺假山茶油样本的近红外光谱，利用SPA 变量选择方法对样本光谱的波长变量进行筛选，再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型，并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明，近红外光谱联合SPA 方法可以用于山茶油的复杂掺假检测，预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA 方法优于UVE 方法，与CARS方法相当，是一种有效的变量选择方法，能简化模型并提高模型的预测精度和稳定性。
光谱学 掺假检测 近红外 子窗口重排分析 山茶油
