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

    《中国图象图形学报》多源遥感数据融合与智能解译专栏简介

    肖亮史振威高连如付莹...
    2087-2088页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    热红外高光谱遥感影像信息提取方法综述

    曹丽琴汪都熊海洋钟燕飞...
    2089-2112页
    查看更多>>摘要：热红外高光谱遥感影像蕴含着丰富的光谱特性和温度信息，能够反映出地物、气体等特有的诊断特征，在矿物识别、环境监测和军事等众多领域发挥着重要作用。然而，由于热红外高光谱观测数据受到地表温度和发射率、大气环境和仪器测量噪声等共同影响，引起背景噪声与目标信号差异较小、耦合信号无法精确分离等问题，使得热红外高光谱影像信息提取存在巨大的挑战，难以有效实施应用。针对热红外高光谱信息提取的研究进展和现存难点，本文系统梳理了热红外高光谱影像信息提取方法，主要包括地表温度和发射率地表参量反演、热红外高光谱混合光谱分解、影像分类及目标探测。在此基础上，总结现有热红外高光谱信息提取的现状和问题，包括高光谱丰富光谱信息在地气参数反演方面尚未得到充分的利用，基于深度学习理论实现热红外高光谱地表参量反演及混合像元分解、地物分类、目标探测应用仍处于起步阶段且面临数据集匮乏。如何充分利用热红外高光谱密集通道，融合物理模型和深度学习理论实现智能化、高精度的地气参数一体化反演，并在此基础上进行热红外高光谱混合像元分解、地物分类、目标探测是热红外高光谱遥感影像信息提取未来可能的发展趋势和研究方向。

    热红外高光谱地表参量反演混合光谱分解影像分类目标探测

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

    基于深度学习的光谱图像超分辨率综述

    张涛王彬沣付莹刘松荣...
    2113-2136页
    查看更多>>摘要：光谱图像超分辨率技术的目的是从低空间分辨率和光谱分辨率的图像中恢复高空间分辨率和光谱分辨率的图像，在植被调查、地质勘探、环境保护、异常检测和目标追踪等遥感领域有着广泛应用。随着深度学习的兴起，基于深度学习的光谱图像超分辨率算法如雨后春笋般涌现，特别是卷积神经网络、Transformer、生成对抗网络以及深度展开网络等技术的出现使图像融合性能产生了质的飞跃。本文全面探讨和分析了不同光谱图像超分辨率任务场景下的前沿深度学习算法。首先，介绍了光谱图像超分辨率的基本概念，以及不同超分辨率场景的定义。针对单图超分辨率和融合超分辨率两大场景，从超分辨率维度、数据类型、基本框架和监督方式等多个角度详细阐述了各类方法的基本思想和特点。其次，总结了各类算法存在的局限性，并提出了进一步改进的方向。然后，简要介绍了不同融合场景中常用的数据集，并明确了各种评估指标的具体定义。对于每种超分辨率任务，从定性评估、定量评估等多个角度全面比较了代表性算法的性能。最后，总结了研究结果，并探讨了光谱图像超分辨率领域所面临的一些严峻挑战，同时对未来可能的研究方向进行了展望。所提及的算法和数据集已汇总至https://github。com/ColinTaoZhang/DL-based-spectral-super-resolution。

    深度学习超分辨率光谱图像单图超分辨率融合超分辨率

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

    多模态遥感图像配准方法研究综述

    朱柏叶沅鑫
    2137-2161页
    查看更多>>摘要：随着对地观测技术的不断发展，从星载、机载和地面平台上众多的一体化立体观测设施被发射，这些传感器设备可以动态提供不同空间、时间和光谱分辨率的多模态遥感图像，只有充分利用各类多模态遥感图像才能有效地为自然资源管理、防灾减灾和环境监测等不同应用提供更可靠和全面的对地观测结果。但是由于不同传感器之间的成像机理不同，多模态图像之间呈现显著的辐射差异、几何差异、时相差异和视角差异等，给多模态遥感图像高精度的配准带来了巨大的挑战。为推进多模态遥感图像配准研究技术的发展，本文对当前主流的多模态遥感图像配准方法系统性地进行了梳理、分析、介绍和总结。首先梳理了单模态到多模态遥感图像配准的研究发展演化过程;然后分别分析了基于区域、基于特征和基于深度学习方法中代表性算法的核心思想，并给出已开源代码的链接;同时分享了现有公开的多模态遥感图像配准数据集，介绍了数据集的详细内容和特点;最后给出了现阶段多模态遥感图像高精度配准研究中所存在的一些问题和严峻挑战，并对未来研究的发展趋势进行了前瞻性的展望，旨在推动多模态遥感图像配准领域实现更加深入的突破和创新。

    遥感传感器多模态图像图像配准配准数据集

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

    面向无人机海岸带生态系统监测的语义分割基准数据集

    王胜科王贤栋曲亮姚凤芹...
    2162-2174页
    查看更多>>摘要：目的 海岸带生态系统的监测是维护生态平衡和可持续发展的重要任务。语义分割技术在遥感影像中的应用为海岸带生态系统的精准监测提供了有效手段。然而，目前该领域仍面临一个挑战，即缺乏公开的专门面向海岸带生态系统的语义分割基准数据集。方法 受到自然环境和人为因素的共同影响，海岸带外部形态变化快，目前的卫星遥感和常规的人工测量、船载作业等监测方式已难以满足实时观测的要求。因此本文首先利用无人机对海岸带典型生态群落进行拍摄、采集和标注，构建了面向海岸带生态系统的基准数据集，名为OUC-UAV-SEG。接着，通过统计的方法，对OUC-UAV-SEG进行定量分析，并对数据集中存在的挑战进行了深入探讨。最后，使用典型视觉语义分割算法对OUC-UAV-SEG展开评估。结果 对OUC-UAV-SEG数据集进行了基准测试，评估了当前可用的语义分割算法在该数据集上的性能，并揭示了这些算法的局限性。结论 OUC-UAV-SEG数据集的建立为海岸带生态系统的监测提供了新的资源，有助于科学家、生态学家和决策者们更好地了解海岸带生态系统的现状和变化趋势，为海洋生态保护和管理提供更精确的信息。该数据集链接:https://github。com/OucCVLab/OUC-UAV-SEG。

    海岸带生态系统遥感无人机(UAV)基准数据集语义分割

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

    融合特征优化的跨数据集高光谱图像分类

    马晓瑞哈林谌敦斌梅亮...
    2175-2187页
    查看更多>>摘要：目的 高光谱图像分类可实现对地物目标的逐像素识别，是对地观测中的关键技术。由于采集环境变迁与成像设备差异等因素的影响，不同高光谱图像特征分布偏移，影响现有模型的跨数据集分类精度。针对此，提出了一种融合特征优化的无监督跨数据集高光谱图像分类方法。方法 提出了基于奇异值抑制的特征均衡策略实现数据内独立优化，通过限制奇异值正则项兼顾特征的可迁移性与可鉴别性;提出了基于隐式增广的特征匹配策略实现数据间特征协同优化，引导源域特征逼近目标域提高模型的泛化性;设计了基于隐式鉴别器的对抗学习框架实现数据间特征类别级优化，提高了预测多样性，实现跨数据集分类。结果 实验在Pavia数据集组和HyRANK数据集组上进行，与多种最新的跨数据高光谱图像分类方法进行了对比，在Pavia数据集组中，相比于性能第2的模型，总体精度、平均精度和κ系数分别提高了 1。75％、3。55％和2。17％;在HyRANK数据集组中，相比于性能第2的模型，总体精度、平均精度和κ系数分别提高了6。58％、13。10％和7。96％。同时进行了消融实验，研究了各个模块对高光谱图像分类效果的影响。实验结果表明，每一模块在提高高光谱图像分类效果方面都是有效的。结论 本文提出的融合特征优化的跨数据集高光谱图像分类方法可以在无监督的条件下显著提高跨数据集高光谱图像分类精度，提高分类预测的多样性，得到更好的分类效果。

    高光谱图像分类跨数据集分类特征优化领域自适应无监督分类域对抗网络

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

    双边对抗自编码网络的无监督异质遥感图像变化检测

    贾萌赵秦鲁晓锋
    2188-2204页
    查看更多>>摘要：目的 异质遥感图像由不同类型的传感器所获取，在数据结构、分辨率及辐射特性上均存在巨大差异。变化检测任务旨在通过分析在不同时间获取的同一目标区域的图像来检测地表覆盖物变化，然而异质遥感图像的数据异构特性会使得变化检测过程更加困难。针对这个问题，提出了一种嵌入聚类分析的双边对抗自编码网络来实现异质遥感图像地物变化的精确检测。方法 构造双边对抗自编码网络对异质遥感图像进行重构和风格转换，通过结构一致性损失和对抗损失对网络训练进行约束，迫使网络将异质图像转换到公共数据域。考虑到变化区域像素对于对抗损失函数在网络优化中的不利影响，对映射到公共数据域的两对同质图像进行聚类分析，基于此提出一种新的语义信息约束的对抗损失函数，迫使网络生成具有更加一致风格的图像。结果 在4组典型的异质遥感图像数据集上对提出的变化检测网络性能进行测试，在Italy数据集、California数据集、Tianhe数据集以及Shuguang数据集上的总体检测精度分别达到0。970 5、0。938 2、0。994 7以及0。982 6。与现有的传统以及深度学习方法对比，提出算法在视觉及定量分析结果上均取得了较好的检测性能。结论 针对异质遥感图像变化检测所要面临的由环境、数据异构等因素造成的检测困难、错检率高的问题，提出的基于双边对抗自编码网络的无监督异质遥感图像变化检测方法，既可以实现变化检测过程完全无监督，又充分利用网络特性和语义信息，提高了变化检测性能。

    域转换聚类分析语义信息无监督变化检测异质遥感图像

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

    面向高光谱场景分类的空—谱模型蒸馏网络

    薛洁黄鸿蒲春宇杨鄞铭...
    2205-2219页
    查看更多>>摘要：目的 现有场景分类方法主要面向高空间分辨率图像，但这些图像包含极为有限的光谱信息，且现有基于卷积神经网络(convolutional neural network，CNN)的方法由于卷积操作的局部性忽略了远程上下文信息的捕获。针对上述问题，提出了一种面向高光谱场景分类的空—谱模型蒸馏网络(spatial-spectral model distillation network for hyperspectral scene classification，SSMD)。方法 选择基于空—谱注意力的 ViT 方法(spatial-spectral vision Trans-former，SSViT)探测不同类别的光谱信息，通过寻找光谱信息之间的差异性对地物进行精细分类。利用知识蒸馏将教师模型SSViT捕获的长距离依赖信息传递给学生模型VGG16(Visual Geometry Group 16)进行学习，二者协同合作，教师模型提取的光谱信息和全局信息与学生模型提取的局部信息融合，进一步提升学生分类性能并保持较低的时间代价。结果 实验在3个数据集上与10种分类方法(5种传统CNN分类方法和5种较新场景分类方法)进行了比较。综合考虑时间成本和分类精度，本文方法在不同数据集上取得了不同程度的领先。在OHID-SC(Orbita hyperspectral image scene classification dataset)、OHS-SC(Orbita hyperspectral scene classification dataset)和 HSRS-SC(hyperspectral remote sensing dataset for scene classification)数据集上的精度，相比于性能第2的模型，分类精度分别提高了 13。1％、2。9％和0。74％。同时在OHID-SC数据集中进行的对比实验表明提出的算法有效提高了高光谱场景分类精度。结论 提出的SSMD网络不仅有效利用高光谱数据目标光谱信息，并探索全局与局部间的特征关系，综合了传统模型和深度学习模型的优点，使分类结果更加准确。

    高光谱场景分类卷积神经网络(CNN)Transformer空—谱联合自注意力机制知识蒸馏(KD)

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

    深度嵌套式Transformer网络的高光谱图像空谱解混方法

    游雪儿苏远超蒋梦莹李朋飞...
    2220-2235页
    查看更多>>摘要：目的 基于深度学习的解混方法在信息挖掘和泛化性能上优于传统方法，但主要关注光谱信息，对空间信息的利用仍停留在滤波、卷积的表层处理。这使得构建解混网络时需要堆叠多层网络，易丢失部分图像信息，影响解混准确性。Transformer网络因其强大的特征表达能力广泛应用于高光谱图像处理，但将其直接应用于解混学习容易丢失图像局部细节。本文基于Transformer网络提出了改进方法。方法 本文以TNT(Transformer in Transformer)构架为基础提出了一种深度嵌套式解混网络(deep embedded Transformer network，DETN)，通过内外嵌入式策略实现编码器中局部与整体空间信息共享，不仅保留了高光谱图像的空间细节，而且在编码器中只涉及少量卷积运算，大幅度提升了学习效率。在解码器中，通过一次卷积运算来恢复数据结构以便生成端元与丰度，并在最后使用Softmax层来保障丰度的物理意义。结果 最后，本文分别采用模拟数据集和真实高光谱数据集进行对比实验，在50 dB模拟数据集中平均光谱角距离和均方根误差取得最优值，分别为0。038 6和0。004 5，在真实高光谱数据集Samson、Jasper Ridge中取得最优平均光谱角距离，分别为0。119 4，0。102 7。结论 实验结果验证了 DETN方法的有效性和优势，并且能为实现深度解混提供新的技术支撑和理论参考。

    遥感图像处理高光谱遥感混合像元分解深度学习Transformer网络

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

    语音深度伪造及其检测技术研究进展

    许裕雄李斌谭舜泉黄继武...
    2236-2268页
    查看更多>>摘要：语音深度伪造技术是利用深度学习方法进行合成或生成语音的技术。人工智能生成内容技术的快速迭代与优化，推动了语音深度伪造技术在伪造语音的自然度、逼真度和多样性等方面取得显著提升，同时也使得语音深度伪造检测技术面临着巨大挑战。本文对语音深度伪造及其检测技术的研究进展进行全面梳理回顾。首先，介绍以语音合成(speech synthesis，SS)和语音转换(voice conversion，VC)为代表的伪造技术。然后，介绍语音深度伪造检测领域的常用数据集和相关评价指标。在此基础上，从数据增强、特征提取和优化以及学习机制等处理流程的角度对现有的语音深度伪造检测技术进行分类与深入分析。具体而言，从语音加噪、掩码增强、信道增强和压缩增强等数据增强的角度来分析不同增强方式对伪造检测技术性能的影响，从基于手工特征的伪造检测、基于混合特征的伪造检测、基于端到端的伪造检测和基于特征融合的伪造检测等特征提取和优化的角度对比分析各类方法的优缺点，从自监督学习、对抗训练和多任务学习等学习机制的角度对伪造检测技术的训练方式进行探讨。最后，总结分析语音深度伪造检测技术存在的挑战性问题，并对未来研究进行展望。本文汇总的相关数据集和代码可在https://github。com/media-sec-lab/Audio-Deepfake-Detection 访问。

    语音深度伪造语音深度伪造检测语音合成(SS)语音转换(VC)人工智能生成内容(AIGC)自监督学习对抗训练

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