新方法能对遥感图像实时检测,且测且分类

   自动化那些事        

大量的活跃的研究都集中在开发基于遥感的应用程序提供的对象分类过程关注能源在地球表面反射,远程传感器收集数据和各种空间信息的管理与分析与提高精度。提出了一种实时图像处理方法来实现遥感图像的目标分类与检测(RTIP-ODC)技术。


改进后的特征提取过程包括预处理、目标检测、分类和验证,将提高该技术的效率。该分类方法便于用户保留目标分类过程,提高了目标检测的准确性。与相关技术相比,该方法在保证目标分类效率方面有了很大的提高。本文以“Real-time image processing method to implement object detection and classification for remote sensing images”为题于2020年7月14日发布于《Earth Science Informatics》杂志上。

新方法能对遥感图像实时检测,且测且分类


研究背景与比较实验


遥感是在不接触遥感对象的情况下,从遥感器中获取有关对象的信息。遥感器用于探测和收集地球耗尽的能量信息。传感器可以是卫星,也可以装在飞机上。主动传感器使用内部刺激器从地球收集信息,就像激光束估计到地球表面,并且可以测量时间来反射光源。


沿海应用是跟踪运输和监测海岸线,海洋应用是观察海洋环流,温度,海浪高度和跟踪海冰。还有危险评估,如跟踪飓风、地震、侵蚀和洪水。同时,自然资源管理也要监控野生动物栖息地,监控湿地。这些是遥感在各个领域的一些应用。


遥感为不同应用的监测提供了最必要的数据,如图像融合、检测和土地覆盖分类。许多重要的应用早已经开发出来;主要应用是卫星图像处理应用,它是目标检测中常见的复杂元素之一。


全球卫星图像的分辨率正在降低。此外,一幅卫星图像中的元素总量比正常图像复杂,这使得卫星图像分类的过程非常复杂。卫星图像文件中呈现的物体的纹理可能与相邻的层重叠。如果出现这种情况,物体中轮廓部分的损失非常大,这种变化会使物体看起来像不一样的区域。


系统发现了物体的均匀性和重叠性。灰度卫星图像是非常小的尺寸和次要数据,他们大多来自多云的地方。针对图像中与光照数据水平相关的物体轮廓数据,实现基于计算机视觉的物体分类技术需要性能指标,以最小化物体重叠。


该技术用于利用遥感图像对数据集中的物体进行检测和分类。增强技术在采集数据集图像后,对图像进行分类精度最高,并实现了目标检测和分类的预处理技术。利用图像处理技术,在完成倾斜、旋转和缩放处理任务后,将多幅图像对成一幅单一的完整图像。利用去噪函数对图像进行分解。


该体系结构从训练阶段到测试阶段,为测试过程提供了一套简单、快速、有效的测试结果。图像配准是图像处理中的一个基本而又必要的过程。


新方法能对遥感图像实时检测,且测且分类

图为图像处理的语义过程


该发明的图像处理方法是图像配准,主要用于将多幅图像对齐为一幅完整的图像。图像配准有助于在缩放、旋转和倾斜过程中获得精确的结果。由于图像的来源,图像配准在卫星和医学图像中得到了广泛的应用。

新方法能对遥感图像实时检测,且测且分类


图为建议的RTIP-ODC的总体框架

新方法能对遥感图像实时检测,且测且分类


图为(a)跟踪要点,(b)相关区域


以无序的方式收集整个图像中的所有子图像集。它有一个文本集合,图像和文字都是以直方图的形式编码的。它分为局部区域检测、文字编码和直方图计算。阈值由评价新特征和分类性能的基于注意的本地描述符计算。由于阈值提供了特征标签、特征描述、特征分类和相关数据集,全局图像表示的平均准确率为90%。

新方法能对遥感图像实时检测,且测且分类


图为建议的图像压缩


该研究针对每幅图像都产生了一个码本,并利用矢量量化的方法生成了该码本。该方法是一种在传输过程中避免数据丢失的压缩方法。为了生成码本并对图像数据进行聚类,将每幅图像分成4×4块,存储为K维向量。将K-均值聚类方法应用于向量数据,并对其进行聚类.聚类后,将向量用于训练目的。


序列图像处理采用MATLAB软件和基于道路、陆基、住宅和农业的数据集收集自网站。


整个数据集由四个不同的类别组成。每个类别有50幅图片的总和。根据这些图像,由计算机操作员手动创建一组地面真实图像集。单目标图像和双目标图像被用于多类目标检测.为此,使用了NWPU-VHR-10数据集,因为它有超过10种类型的对象,如汽车、建筑、船舶等。图中给出了不同的对象组和对象数。

新方法能对遥感图像实时检测,且测且分类


图为使用的各种对象数

新方法能对遥感图像实时检测,且测且分类


图为测试过程中为真实对象分类的对象总数


整个数据集分为60%的训练数据集和40%的测试数据集。在训练过程中对每个对象进行标记,并对测试过程中的图像进行比较。输入测试图像是随机选择的,如道路,农业用地和一些建筑物。对象,并且所有补丁都是通过构造一组词汇表(500个可视单词)来分配的。最后,利用SVM分类器对对象进行颜色、纹理和有效特征集的分类,并对基于GLCM特征的对象进行比较。

新方法能对遥感图像实时检测,且测且分类


图为图像结果


新方法能对遥感图像实时检测,且测且分类

图为来自不同数据集的不同对象检测


通过计算TP、TN、FP和FP的灵敏度、特异性和准确性,验证了该框架对数据库图像分类的有效性。通过将分类精度与表中现有的分类方法进行比较,对性能进行了评估。

新方法能对遥感图像实时检测,且测且分类


图为对象类检测的准确率%

新方法能对遥感图像实时检测,且测且分类


图为精度(%)

新方法能对遥感图像实时检测,且测且分类


图为召回率(%)

新方法能对遥感图像实时检测,且测且分类


图为准确度(%)

新方法能对遥感图像实时检测,且测且分类


图为处理时间


综上所述,与几种方法对目标类检测准确率%的性能进行了比较,结果表明,与相关方法相比,该方法具有更高的精度。通过比较验证了该方法的精度,输出结果表明,与相关方法相比,该方法提高了精度。对召回率进行了比较,结果表明,与相关方法相比,该方法提高了召回率。


研究结论


该研究提出了一种新的目标检测技术,用于对遥感图像中可用的目标进行识别、检测和分类。根据遥感器、距离和环境的自然条件,对遥感影像中的目标进行检测和分类是一项非常重要的任务。


在早期的研究工作中使用了多种方法,但检测和分类的准确率仍有待提高。为了在降低计算复杂度的同时提高检测分类精度,该研究提出了一个由一系列数字图像处理方法和学习方法组成的框架。这些方法分别用于基于索引的对象检测比较和对象分类。研究工作的总效率是由目标检测效率、目标映射代码库的效率、目标比较效率和目标分类精度等各个阶段得出的。


在MATLAB中对整个框架进行了实验,结果表明该框架具有较高的精度。利用基于地理空间数据处理方法的监督学习方法对特征进行选择和比较,提高了分类的准确性。该框架的查准率和查全率分别为97.88%和97.47%,优于现有的其他方法。


参考文献:


Joshua Bapu J & D. Jemi Florinabel Real-time image processing method to implement object detection and classification for remote sensing images


Earth Science Informatics volume 13, pages1065–1077(2020)



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐