共查询到16条相似文献，搜索用时 125 毫秒
1.
高分四号（GF-4）卫星是目前世界上分辨率最高的静止轨道光学遥感卫星,它具有高时间分辨率、高空间分辨率和大成像幅宽等优点,可对指定区域进行连续观测。提出一种适用于GF-4卫星光学遥感图像的多运动舰船检测方法。首先,对遥感图像进行中值滤波去噪和非线性灰度拉伸;然后,通过谱残差法提取显著图;最后,使用基于加权Dempster-Shafer证据理论的图像融合方法对显著图进行融合处理后,进行舰船检测。GF-4卫星遥感图像真实数据的实验表明,本文所提方法能够对GF-4卫星光学遥感图像进行快速、准确的多运动舰船检测。 相似文献
2.
遥感视频卫星的出现为实时连续对地观测提供了新的契机,为遥感动态监测与目标跟踪提供了新数据源。在分析遥感卫星视频目标检测与传统监控视频目标检测的差异的基础上,阐述现有目标检测算法直接应用到遥感卫星视频上存在的不足,提出一种背景差分与帧间差分相融合的方法并将其应用于遥感卫星视频运动车辆的目标检测中。通过抽取UrtheCast遥感卫星视频的4帧实验图像,分别采用背景差分法、帧间差分法和本文提出的方法对运动车辆进行检测并分析。结果表明,本文提出的方法能够更有效抑制移动的背景边缘和残留噪声干扰,提高检测的正确度和质量,在遥感卫星视频运动目标检测中具有良好的应用潜力。 相似文献
3.
视频遥感卫星在道路交通导航、军事动态监视、目标跟踪等方面具有众多应用,因此利用卫星视频实现运动目标实时检测跟踪备受关注。针对卫星视频中的运动目标检测跟踪问题,提出基于V-CSK算法的检测跟踪方法,该算法采用改进的ViBe检测算法,引入多重自定义阈值滤波算法获得运动目标中心区域,再根据中心位置均值原理与噪声距离判断原则提取目标中心坐标,并实现轨迹曲线估计和修正,最后利用CSK算法实现目标跟踪。基于3组卫星视频数据进行实验,同时引入目标检测和跟踪的对比实验作为参照。实验结果表明,V-CSK算法在卫星视频运动目标检测跟踪中具有良好的性能。 相似文献
4.
针对长时间间隔序贯SAR图像中运动舰船位置变化大、不易跟踪的难题,提出一种融合航迹起始和图像特征的匹配跟踪方法。首先从SAR图像中检测出舰船,得到舰船图像切片,并提取舰船的图像特征、空间位置信息;然后根据速度和加速度约束,将不同时刻的舰船关联,形成多条候选航迹;最后采用特征匹配差异最小原则筛选出舰船航迹,实现运动舰船跟踪。通过仿真实验和机载序贯SAR图像处理分析,验证所提方法的有效性。 相似文献
5.
随着遥感技术的快速发展,遥感图像得到广泛的应用,其中目标检测是遥感图像众多应用中非常重要的一个分支。目前大多数目标检测算法都是基于单时相遥感图像,对于多时相遥感数据的处理方法较少。最近发表的多时相目标检测算法有滤波张量分析,其将多重线性函数与张量相对应的关系应用于遥感图像目标检测,但该算法只能进行单目标检测,无法同时检测多个目标。本文借鉴多目标约束能量最小化算法中对于多个目标输出能量的约束和滤波张量分析中对于应用张量滤波器的思想,提出多目标滤波张量分析算法,能够在多时相遥感数据中实现同时检测多个目标。模拟和真实数据实验结果均表明,该算法可以有效地提高多时相图像中多目标检测精度。 相似文献
6.
卫星在轨运行期间,遥测数据是反映卫星健康状态的重要依据,在卫星故障早期检测到遥测数据的潜在异常对卫星的安全维护具有重大意义。工程上采用的阈值法无法有效检测到门限内的故障征兆,而且目前这一领域的理论研究无法有效地挖掘多维遥测序列的潜在相关性。针对这一问题,采用一种融合主成分分析的相关概率模型的检测方法,以某型号卫星实际在轨遥测数据为对象,深入分析故障案例。通过仿真验证该方法能够在故障早期检测出异常,并对实验结果进行对比和分析。而且,这种方法可以快速地帮助运管人员对早期故障做出诊断,以便地面及时处理,避免发生更大的事故。 相似文献
7.
基于决策树的海上搜救目标检测算法 总被引：2，自引：1，他引：1
为克服传统目标识别方法在处理空间特征分布极为复杂的数据时的缺点,提出1种基于决策树的多特征检测算法,并将其应用到基于视频的海上搜救目标检测中.该算法首先提取图像中的颜色、亮度等信息,通过计算各特征的信息增益建立决策树,将搜救目标检测问题分解成3层决策树分类问题.实验表明,该算法能够提高多特征目标检测的效率,在救生艇、筏等海上搜救目标检测的应用中取得较好的结果. 相似文献
8.
ScanSAR图像舰船目标快速检测方法 总被引：4，自引：0，他引：4
提出一种ScanSAR图像舰船目标快速检测方法.该方法通过周期性局部亮度变换技术降低了Scalloping效应对舰船检测的影响,在ScanSAR图像拼接前进行基于OpenMP的改进的双参数CFAR舰船目标检测,不仅避免了拼缝对舰船检测造成的巨大影响,而且极大地缩短了舰船检测的时间,提高了舰船检测的时效性,最后通过图像后处理从拼接后的ScanSAR图像中得到最终的检测结果.对15幅ScanSAR图像进行了实验,结果表明,该方法在提高检测性能的同时,检测的时效性也有明显改善. 相似文献
9.
基于NSCT和ACO的SAR图像舰船检测 总被引：1，自引：1，他引：0
为更好地获取舰船检测的图像信息,通过对雷达图像中舰船目标与相干斑噪声的分布特点进行分析,提出1种基于非下采样变换(Nonsubsampled Contourlet Transform, NSCT)与蚁群优化(Ant Colony Optimization, ACO)算法相结合的合成孔径雷达(Synthetic Aperture Radar, SAR)图像舰船目标检测方法.该方法通过对SAR图像进行NSCT自适应阈值去噪,再应用ACO进行边缘检测,实现舰船目标的精确检测.仿真结果显示,该方法能够在复杂相干斑噪声背景中有效提取舰船目标的轮廓信息,很好地保持图像纹理和舰船结构,具有理想的抗干扰性能,保证检测结果的准确性. 相似文献
10.
遥感图像上的飞机目标检测是一件极富挑战性的工作，吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法，这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力，是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题，提出一种基于生成对抗网络（generative adversarial networks，GAN）的半监督检测方法。在遥感图像飞机目标检测中，该方法不需要标记全部用于训练的图像，只需要标记其中一小部分样本，再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中，生成器学习数据分布并生成假样本，判别器判别真假样本，同时判别器还需要从标记数据中学习类别信息。最后，判别器学习到的决策分类面不仅仅区分出标记数据，而且平行于数据分布的边界。实验证明，在存在大量可供训练的图像的基础上，减少标注数据的比例，全监督学习方法性能会大幅下降；而本文提出的半监督学习方法，由于利用了未标注的数据，能保持更好的检测性能。 相似文献
11.
在遥感大数据的时代背景下,将遥感信息与实际生产结合,已经在各行各业得到广泛的应用。随着遥感信息处理与共享被应用到越来越多的领域,单一的遥感数据服务架构已不能满足实际生产条件中对于高可用、易扩展的要求。中国遥感卫星地面站存有海量的遥感影像数据,如何利用现有的数据来提供更好的信息服务一直是地面站探索的方向。在私有云环境下,通过kubernetes容器编排管理构建容器化的遥感信息技术处理平台,提供遥感信息服务。进而在容器化的基础环境、遥感影像计算处理、遥感数据接入以及用户服务模式4个方面展开技术研究,构建了集“数据查询获取—影像计算处理—遥感信息服务”于一体的遥感信息服务平台。 相似文献
12.
为提高在天气恶劣、目标密集、目标被遮挡及其他复杂海况下船舶交通流统计的准确率,提出一种将目标检测算法CenterNet、多目标跟踪算法DeepSORT与凸包算法中优化逆时针(counter clockwise, CCW)判断的单线法相结合的船舶交通流视觉图像统计方法。使用Python对所选的数据和场景进行测试,结果表明:CenterNet在多场景检测中比YOLOv3更优秀;基于目标检测的多目标跟踪算法具有良好实时性,能够有效对抗因目标抖动、密集、被遮挡等所导致的目标丢失,继而减少船舶交通流统计时常出现的漏检、错检和重复统计等问题。 相似文献
13.
遥感卫星地面站天线调度是解决遥感卫星数据接收天线资源不足和提高资源使用效率的有效途径。由于天线调度规则复杂,提出一种长短期记忆神经网络和启发式搜索相结合的智能调度方法。首先,使用长短期记忆神经网络模型从历史调度数据中提取天线使用规则,并使用该规则为遥感卫星数据接收任务分配接收天线,得到初始调度方案;其次,使用启发式方法,对初始方案中数据联合接收和资源选择冲突两个问题加以修正,得到实际可行的调度方案。结果表明:本方法与结合启发式规则的遗传算法相比在资源利用率和计算效率上均有提升,证明了本方法的有效性。 相似文献
14.
现有的高光谱图像目标检测算法大都把各个波段不加区分地对待,从而不能充分利用图像波段的物理信息。将高光谱图像按照成像机理的不同首先分为几个不同的波段范围（比如可见光、近红外、短波红外等）,并通过将高光谱图像的不同波段范围与多时相遥感数据的时相维进行对应,将最近发展的一个多时相目标检测算法——滤波张量分析（filter tensor analysis,FTA）引入高光谱目标检测中,提出一种面向单时相高光谱图像的分波段FTA算法。针对高光谱图像的实验表明,与传统的单时相目标检测算法相比,分波段FTA算法取得了很好的检测效果。 相似文献
15.
对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。 相似文献
16.
基于峭度指标的FastICA算法具有较快的收敛速度和较高的计算效率，被广泛应用于多光谱图像的特征提取。经典的FastICA算法基于固定点迭代法得到图像的各个独立成分，在迭代过程中，每一个独立成分的求解都需要所有像元的参与。因此，当数据量较大或图像中像元较多时，FastICA的计算量很大，此时它的速度优势就会大打折扣。遥感数据一般都具有较大的尺寸，因此如何将FastICA直接应用于遥感数据，是一个具有实际意义的问题。通过引入多光谱图像协峭度张量的概念，将FastICA的固定点迭代问题转化为代数形式的张量计算，避免每次迭代过程中需所有像元参与的缺陷，因而大大降低计算复杂度。多光谱图像实验结果表明，该算法明显快于传统的基于峭度指标的FastICA算法。 相似文献