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
1 西安石油大学计算机学院，西安 710065
2 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
3 中国科学院电子学研究所，北京 100190
4 中国科学院遥感与数字地球研究所，北京 100094
本文针对城市建筑物的特点，提出融合 Hessian-Affine和 MSER的仿射协变区域检测方法，利用重复误差筛选高度相关的不同类型区域，根据仿射匹配性分值选择性删除冗余区域，并采用平均重复率、平均匹配区域数进行综合评价分析。实验结果表明，提出的算法将两种检测子互补使用，对于各种仿射变换下的建筑物检测准确率较高，冗余少，适用于城市遥感的实际应用中。Urban Remote Sensing Images
城市遥感图像 建筑物 仿射协变区域 融合检测 检测子 urban remote sensing images building affined covariant region fused detection detector
