首页期刊导航|中国图象图形学报
期刊信息/Journal information
中国图象图形学报
中国图象图形学报

李小文

月刊

1006-8961

jig@irsa.ac.cn

010-64807995 8261442

100101

北京9718信箱

中国图象图形学报/Journal Journal of Image and GraphicsCSCD北大核心CSTPCD
查看更多>>本刊是集计算机图象图形高科技理论与应用研究成果、成果产品化与商情动态于一体的综合性学术期刊。是核心期刊、权威性杂志。作为中国图象图形学学会的会刊，利用学会在国内外广泛的科技信息渠道、全方位多层面的学科交叉应用，积极向产业界宣传科技成果，热心向科技界推荐最新产品。
正式出版
收录年代

    高光谱图像空谱特征提取综述

    叶珍白璘何明一
    1737-1763页
    查看更多>>摘要：由于高光谱图像包含了丰富的光谱、空间和辐射信息,且具有光谱接近连续、图谱合一的特性,可用于地质勘探、精细农业、生态环境、城市遥感以及军事目标检测等领域的目标精准分类与识别.对高光谱图像进行空谱特征提取是遥感领域的研究热点和前沿课题之一.传统空谱特征提取方法对高光谱图像分类的计算量和样本需求小、理论可解释性好、抗噪声能力强,但应用于分类的精度受限于特征来源;基于深度学习的高光谱图像空谱特征提取方法虽然计算量和样本需求大,但是由于深层空谱特征的表达能力更好,可以大幅度提高分类器的性能.为了便于对高光谱图像空谱特征提取领域进行更深入有效的探索,本文系统综述了相关研究进展.首先,概述了空间纹理与形态学特征提取、空间邻域信息获取及空间信息后处理等传统高光谱空谱特征提取方法的原理,对大量的已有工作进行了梳理、分析与总结.然后,从深度空谱特征提取角度出发,介绍了当前流行的卷积神经网络、图卷积神经网络及跨场景多源数据模型的结构特点及研究进展,分析、评价了基于深度学习的网络模型对高光谱图像空谱特征提取的优势及问题所在.最后,对该研究领域的未来相关发展提出建议并进行了展望.

    高光谱图像(HSI)空谱特征提取卷积神经网络(CNN)图卷积网络(GCN)多源数据融合深度神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    高光谱图像在生物医学中的应用

    李伟吕蒙陈天虹楚照耀...
    1764-1785页
    查看更多>>摘要：高光谱成像(hyperspectral imaging,HSI)作为生物医学可视化的一种新兴技术,在生物医学领域的研究正逐渐受到关注.随着高光谱成像技术以及精准医学的迅速发展,将高光谱成像技术应用于近距离的医学诊断成为新的研究趋势.高光谱成像技术能同时获取生物组织的2维空间信息和1维光谱信息,覆盖可见光、红外和紫外等光谱范围,具有较高的光谱分辨率,可提供有关组织生理、形态和生化成分的诊断信息,为生物组织学研究提供更精细的光谱特征,进而为医学病理诊断提供更多辅助信息.本文介绍了高光谱成像技术的基本原理、高光谱显微成像系统的基本构成及特点.基于此,总结并阐述了高光谱成像技术在疾病诊断和手术指导中的应用进展,涉及其在癌症、心脏病、视网膜疾病、糖尿病足、休克、组织病理学和图像引导手术等方面的应用.综合分析了高光谱成像技术在生物医学领域应用的局限性,并提出了生物医学研究领域中该技术的未来发展方向.

    医学高光谱成像精准医学医学高光谱图像分析疾病诊断手术图像指导

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    近红外高光谱图像数据预测技术

    梅少辉张博威马明阳贾森...
    1786-1795页
    查看更多>>摘要：目的 受到传感器光谱响应范围的影响,可见光区域和近红外区域(400～2500 nm)的高光谱数据通常使用不同的感光芯片进行成像,现有这一光谱区域典型的高光谱成像系统,如AVIRIS(airborne visible infrared ima-ging spectrometer)成像光谱仪,通常由多组感光芯片组成,整个成像系统成本和体积通常比较大,严重限制了该谱段高光谱探测技术的发展.为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围,本文探索基于卷积神经网络的近红外光谱数据预测技术.方法 结合AVIRIS成像光谱仪的光谱配置,设计了基于残差学习的红外谱段图像预测网络,利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像,并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验,以验证论文提出的红外光谱数据预测技术的可行性以及有效性.结果 本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB,结构相似度为0.996,光谱角为0.777 rad;在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB,结构相似性为0.997,光谱角为1.78 rad.在分类实验中,相比于只使用可见光图像,利用预测的近红外图像使得支持向量机(support vector machine,SVM)的准确率提升了0.6％,LeNet的准确率提升了1.1％.结论 基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明,本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围,对于减小成像系统体积和质量具有重要意义,而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能,对于提高高光谱数据处理精度提供新的技术支撑.

    深度学习卷积神经网络(CNN)高光谱图像光谱预测高光谱分类

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    低成本便携式多光谱成像系统的研发及优化

    朱豪男胡孟晗张健李庆利...
    1796-1808页
    查看更多>>摘要：目的 针对现有多光谱成像系统存在成本高、结构复杂、操作难度大和响应速度慢等问题.因此,本文提出了一种基于脉冲调制的低成本便携式多光谱成像系统,并采用客观图像质量评估(image quality assessment,IQA)的方法对其系统参数进行优化.方法 该系统主要由光源模块、控制模块、图像采集模块和图像分析模块4部分组成.光源模块采用9个波长的LED(light emitting diode)阵列,其中心波长为365 nm、390 nm、460 nm、515 nm、585 nm、620 nm、650 nm、730 nm和840 nm;控制模块主要包括LED驱动电路和USB(universal serial bus)电源,可以通过发送一定时间间隔的脉冲波来分时点亮LED,并通过一定阻抗匹配使LED发光强度达到最大值;图像采集模块主要使用去除红外截止滤波片的高清红外工业相机,该相机的最佳光谱感应范围包含所选的9个LED灯珠的中心波长;图像分析模块主要执行客观图像质量评估算法.系统执行时,STC89C51单片机发射周期为T的脉冲波来驱动9种不同波长的LED分时点亮.然后,计算机平台调用高清红外相机模组,以相匹配的间隔捕获多光谱图像.在系统拍摄参数优化实验中,本文采用模糊度和清晰度评价指标对所获得的多光谱图像从相机拍摄时间间隔、相机拍摄距离和光照强度3个角度进行质量评估,进而获得较优的系统成像参数.结果 通过改变系统拍摄参数,对3个场景下的不同拍摄条件所获取的多光谱图像质量进行评估,结果显示:对于本文所搭建的多光谱成像系统,相机拍摄时间间隔与LED灯珠频闪周期同步,拍摄距离为25 mm,光照强度为45 Lux下成像质量相对较好.结论 本文设计并搭建的基于脉冲调制的低成本便携式多光谱成像系统成本低、操作难度小、结构简单、成像质量较好、成像速度较快,可以满足多光谱成像系统大规模推广使用的要求.此外,本文的系统设计方法、设计思路和实验方案等可以为后续研究提供借鉴.

    脉冲调制多光谱成像图像质量评价实验设计优化嵌入式系统图像处理

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    HSRS-SC:面向遥感场景分类的高光谱图像数据集

    徐科杰邓培芳黄鸿
    1809-1822页
    查看更多>>摘要：目的 场景分类是遥感领域一项重要的研究课题,但大都面向高分辨率遥感影像.高分辨率影像光谱信息少,故场景鉴别能力受限.而高光谱影像包含更丰富的光谱信息,具有强大的地物鉴别能力,但目前仍缺少针对场景级图像分类的高光谱数据集.为了给高光谱场景理解提供数据支撑,本文构建了面向场景分类的高光谱遥感图像数据集(hyperspectral remote sensing dataset for scene classification,HSRS-SC).方法 HSRS-SC来自黑河生态水文遥感试验航空数据,是目前已知最大的高光谱场景分类数据集,经由定标系数校正、大气校正等处理形成.HSRS-SC分为5个类别,共1385幅图像,且空间分辨率较高(1 m),波长范围广(380～1050 nm),同时蕴含地物丰富的空间和光谱信息.结果 为提供基准结果,使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验.方案1仅利用可见光波段提取场景特征.方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息.结果 表明有效利用高光谱影像不同波段信息有利于提高分类性能,最高分类精度达到93.20％.为进一步探索高光谱场景的优势,开展了图像全谱段场景分类实验.在两种训练样本下,高光谱场景相比RGB图像均取得较高的精度优势.结论 HSRS-SC可以反映详实的地物信息,能够为场景语义理解提供良好的数据支持.本文仅利用可见光和近红外部分波段信息,高光谱场景丰富的光谱信息尚未得到充分挖掘.后续可在HSRS-SC开展高光谱场景特征学习及分类研究.

    遥感场景分类高光谱图像基准数据集深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    膜性肾病诊断的高光谱图像张量嵌入分析

    吕蒙陈天虹李伟杨悦...
    1823-1835页
    查看更多>>摘要：目的 高光谱成像技术因其能够获取目标的详细空间和光谱信息,在医学领域引起了广泛关注.然而,对于识别任务来说,高光谱图像的高维特征通常会导致分类器性能不佳.因此,降维在高光谱图像分析过程中至关重要.为了在低维空间中保留医学高光谱图像的多流形结构信息并增强特征判别能力,本文提出了一种基于张量表示的拉普拉斯稀疏低秩图嵌入方法(tensor-based Laplacian regularized sparse and low-rank graph,T-LapSLRG),用于医学高光谱图像的判别分析.方法 在T-LapSLRG中,基于有标签的张量样本,通过引入稀疏、低秩约束及流形正则项以构造监督张量图.张量表示用于捕获空间结构信息,稀疏和低秩约束用于保留局部和全局结构信息,流形正则项用于利用固有的几何信息并增强特征判别能力.通过引入张量图嵌入技术获取数据的低维特征并输入分类器以实现数据的分类及识别.结果 实验数据采用膜性肾病数据集,通过降维方法获取数据的低维特征,使用支持向量机(support vector machine,SVM)分类器对获取的低维特征进行分类.将T-LapSLRG获得的实验结果与相关的降维方法获得的实验结果进行性能比较,以证明T-LapSLRG算法的有效性.采用4个性能指标,即各个类别的准确性、总体准确性(overall accuracy,OA)、平均准确性(average accuracy,AA)和Kappa系数衡量分类性能.T-LapSLRG在膜性肾病数据集下的OA为97.14％,AA为97.05％,Kappa为0.942,各项性能指标均优于对比方法.其中,OA高出1.40％ ～34.75％,AA高出1.46％～36.89％,Kappa高出0.031～0.73.此外,通过T-LapSLRG算法获得的各个患者的分类准确率均达到90％以上.结论 T-LapSLRG算法在膜性肾病诊断中具有潜在临床价值.

    医学高光谱图像膜性肾病张量降维(DR)图嵌入

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    傅里叶变换通道注意力网络的胆管癌高光谱图像分割

    郑少佳邱崧李庆利周梅...
    1836-1846页
    查看更多>>摘要：目的 胆管癌高光谱图像的光谱波段丰富但存在冗余,造成基于深度神经网络高光谱图像分割方法的分割精度下降,虽然一些基于通道注意力机制的网络能够关注重要通道,但在处理通道特征时存在信息表示不足问题,因此本文研究构建一种新的通道注意力机制深度网络,以提高分割准确性.方法 提出了傅里叶变换多频率通道注意力机制(frequency selecting channel attention,FSCA).FSCA对输入特征进行2维傅里叶变换,提取部分频率特征,再通过两层全连接层得到通道权重向量,将通道权重与对应通道特征相乘,获得了融合通道注意力信息的输出.针对患癌区域和无癌区域数据不平衡问题引入了Focal损失,结合Inception模块,构建基于Inception-FSCA的胆管癌高光谱图像分割网络.结果 在采集的胆管癌高光谱数据集上进行实验,Inception-FSCA网络的准确率(accuracy)、精度(precision)、敏感性(sensitivity)、特异性(specificity)、Kappa系数分别为0.9780、0.9654、0.9586、0.9852、0.9456,优于另外5种对比方法.与合成的假彩色图像的分割结果相比,高光谱图像上的实验指标分别提高了0.0584、0.1058、0.0875、0.0390、0.1493.结论 本文所提出的傅里叶变换多频率通道注意力机制能够更有效地利用通道信息,基于Inception-FSCA的胆管癌高光谱图像分割网络能够提升分割效果,在胆管癌医学辅助诊断方面具有研究和应用价值.

    胆管癌高光谱图像卷积神经网络(CNN)图像分割通道注意力机制傅里叶变换

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    局部梯度轮廓变换的高光谱异常检测

    胡静张钰婧赵明华李鹏...
    1847-1859页
    查看更多>>摘要：目的 高光谱异常检测由于其重要的应用价值,引起了研究人员的广泛关注,但大部分的检测算法,往往直接利用输入的高光谱遥感影像所携带的光谱信息或者空谱信息进行检测.考虑到由于成像过程的限制,如成像条件的复杂性以及光谱通道众多导致的每个通道光子数量有限等问题,所获取的高光谱遥感影像往往在一定程度上偏离真实场景,而这也制约了异常检测的精度.针对此问题,本文提出了一种局部梯度轮廓变换的高光谱遥感影像异常检测算法.方法 为了在不影响算法性能的基础上减少计算复杂度,首先选取部分可能的异常像元,只对这些局部的异常像元可能位置进行梯度轮廓变换.其次,将变换后的梯度轮廓用于指导原始高光谱遥感影像的空域增强.最后,对增强后的高光谱遥感影像进行检测.通过将局部梯度轮廓用于影像的增强,避免了成像过程中由于细节损失而造成检测精度受限的情况.结果 实验在来自4个数据集的6幅高光谱遥感影像上进行了性能验证.首先利用经典的Global-RX(Reed Xiaoli)检测算法同时检测本文算法增强后的影像和原始影像,分别取得的平均AUC(area under curve)值为0.9871和0.9336,本文算法带来了0.0535的精度提升;同时,通过与其他3种预处理方法进行比较,证明了本文局部梯度轮廓变换方法的有效性;更进一步,利用基于协同表示CRD(collabora-tive representation-based detector)的检测器对增强后的影像和原始影像分别进行检测,分别取得的平均AUC值为0.9907和0.9775,检测结果再次验证了本文算法能够有效提升影像的检测精度;通过对比,实验数据表明本文所采用的局部梯度轮廓变换可减少约37.82％的时间复杂度.结论 本文算法通过将局部的梯度轮廓进行变换并用于指导原始影像的增强过程,使得影像的空间轮廓信息更为锐利,更为接近真实场景,从而获得异常检测结果的提升.

    高光谱遥感影像异常检测梯度轮廓信息增强

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    结合孪生网络和像素配对的高光谱图像异常检测

    王德港饶伟强孙旭渠瀛...
    1860-1870页
    查看更多>>摘要：目的 高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元.但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用.针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度.方法 采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求.搭建含有特征提取模块和特征处理模块的孪生网络模型,其中,特征处理模块中的卷积层可以专注于提取像素对之间的差异特征,随后利用新的训练像素对数据集进行训练,并将训练好的分类模型固定参数,迁移至检测过程.用滑动双窗口策略对测试集进行配对处理,将测试像素对数据集送入网络模型,得到每个像素相较于周围背景像素的差异性分数,从而识别测试场景中的异常地物.结果 在异常检测的实验结果中,本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上,得到的AUC(area under the curve)值分别为0.99351、0.98121和0.98438,在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势.结论 本文方法可以提取输入像素对的深层光谱特征,并根据其特征的差异性,让网络学习到二者的区分度,从而更好地赋予待测像素相对于周围背景的异常分数.本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警,与传统方法相比能够更加明显地突出异常目标,提高了检测率,同时也具有较强的鲁棒性.

    高光谱图像异常检测深度学习孪生神经网络像素配对策略滑动双窗口

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普

    粗定位和协同表示的高光谱图像异常检测

    胡静赵明华李鹏李云松...
    1871-1885页
    查看更多>>摘要：目的 由于在军事和民用应用中的重要作用,高光谱遥感影像异常检测在过去的20～30年里一直都是备受关注的研究热点.然而,考虑到异常点往往藏匿于大量的背景像元之中,且只占据很少的数量,给精确检测带来了不小的挑战.针对此问题,基于异常点往往表现在高频的细节区域这一前提,本文提出了一种基于异常点粗定位和协同表示的高光谱遥感影像异常检测算法.方法 对输入的原始高光谱遥感影像进行空间维的降质操作;通过衡量降质后影像与原始影像在空间维的差异,粗略定位可能的异常点位置;将粗定位的异常点位置用于指导像元间的协同表示以重构像元;通过衡量重构像元与原始像元的差异,从而进一步优化异常检测结果.结果 在4个数据集上与6种方法进行了实验对比.对于San Diego数据集,次优算法和本文算法分别取得的AUC(area under curve)值为0.9786和0.9940;对于HYDICE(hyperspectral digital image collection equipment)数据集,次优算法和本文算法的AUC值为0.9936和0.9985;对于Honghu数据集,次优算法和本文方法的AUC值分别为0.9992和0.9993;对Grand Isle数据集而言,尽管本文方法以0.001的差距略低于性能第1的算法,但从目视结果图中可见,本文方法所产生的虚警目标远少于性能第1的算法.结论 本文所提出的粗定位和协同表示的高光谱异常检测算法,综合考虑了高光谱遥感影像的谱间特性,同时还利用了其空间特性以及空间信息的先验分布,从而获得异常检测结果的提升.

    高光谱遥感影像异常检测粗定位协同表示

      原文链接:
    • NETL
    • NSTL
    • 万方数据
    • 维普