针对基于主成分分析与二代小波变换的图像融合算法中鲁棒性不高、融合图像质量较低的问题,提出了基于鲁棒性主成分分析与脉冲耦合神经网络的融合方法。所提出的算法将可见光与红外图像进行二代小波变换,转换为高频与低频信号,接着采用不同的融合策略针对低频和高频信号进行融合。针对低频信号,利用鲁棒性主成分分析法还原低秩矩阵并采用加权平均的融合策略进行融合;针对高频信号,将其送入至脉冲神耦合神经网络中进行融合得到融合后的小波系数。将融合后的小波系数进行逆变换,得到最终融合图像。实验结果表明,相比于基于主成分分析与二代小波变换的图像融合算法,利用所提出的出算法得到的融合图像中熵指标、空间频率指标、结构相似度指标和峰值信噪比指标均得到了不同程度的提升。因此,所提出的算法能够更好地提取目标信息,使融合图像中目标的轮廓边缘更加清晰,同时将提升小波分解出的高频信息利用 PCNN 进行融合,更加突出细节信息。
针对遥感图像目标成像小、背景复杂、分布拥挤的问题,将旋转目标检测方法 SANet 作为基线网络,提出一种基于感知延伸与锚框最适匹配的遥感图像目标检测算法(HO-SANet)。构建协同注意力模块( SEA),捕获特征像素间关系的同时扩展模型感知区域,实现目标与全局的关系建模:针对遥感图像背景复杂问题,改进特征金字塔(FPN)特征融合过程,在特征融合下采样过程中将感知延伸卷积模块与常规卷积交替堆叠形成感知