论文部分内容阅读
全色遥感图像信息量大、边缘细节丰富、包含重要感知信息等,为提取图像中的感兴趣区域,并根据目标特性进行更高精度、更有效的检测识别;面向全色遥感图像目标检测与识别需求,本文分别研究改进的图像边缘检测、分割以及目标检测识别算法,对有噪图像实现边缘信息提取质量改善之目的,完成类别数自动确定和图像全局性分割,优化图像检测识别算法,提高目标识别准确率。首先,由于应用梯度变化检测遥感图像纹理边缘信息时存在过检、漏检、错检以及抗噪力弱等问题,提出一种结合分数阶微分差和高斯曲率滤波的边缘检测算法;通过分数阶微分差运算对全色遥感图像进行梯度场非线性增强,利用高斯曲率滤波来平滑图像非线性扩散部分,并寻找正则化能量最速下降点,从而在阶次(0-2)之间优化微分过程中分数阶次和迭代次数,让有噪图像的边缘信息提取质量改善;遥感图像的实验结果表明:该算法可抑制遥感图像纹理边缘提取过程中噪声非线性放大和扩散产生的背景伪噪声,并保留丰富的图像纹理边缘信息。其次,在全色遥感图像分割中,结合RJMCMC和SA(Reversible Jump Markov Chain Monte Carlo and Simulated annealing,RJMCMC+SA)构建了图像分割算法,在保证遥感图像分割模型的复杂性、分割精度的情况下,能够自动确定分割类别数;通过高斯曲率滤波(Gauss Curvature filtering,GC)对图像进行几何平滑处理,依据贝叶斯理论形式化非线性回归模型中的参数变量从而建立后验概率分布,再利用RJMCMC+SA算法实现该后验概率分布,确定其径向基函数的个数和参数,完成类别数自动确定和图像全局性分割;针对全色遥感图像,分别与四种径向基函数分割模型和四种分割算法进行实验对比,分析表明:该算法不仅在复杂性和精确度上取得良好的平衡性,而且能够自动确定全色遥感图像中地物目标类别数。最后,完成目标检测与识别的思路过程是:利用本文提出的分数阶微分差与高斯曲率滤波边缘检测算法对RJMCMC+SA算法分割出的飞机这一类目标进行选取,制作神经网络训练数据集;基于Faster R-CNN网络引入循环注意力卷积神经网络(RA-CNN),利用RPN网络和APN网络,分别以注意力机制生成候选框和相互加强的方式递归地学习基于注意区域的多尺度区域辨别和特征表示。RPN与Fast R-CNN共享卷积特征,且RPN网络利用锚框机制生成候选区域,并经过ROIPooling处理得到7*7大小的特征图,送入全连接层进行分类和回归;将Faster R-CNN网络处理得到的目标送入RA-CNN中,其多尺度网络共享相同的网络架构,每个尺度网络的学习包括分类子网和APN网络可以确保足够的识别能力,通过分类网络的softmax损失和注意建议网络规模间成对排序损失的置信度分数来优化循环网络。基于Faster R-CNN和RA-CNN的改进模型相比Faster R-CNN网络,不仅实现图像目标检测,而且目标识别准确率提高了 18.6%。