一种遥感影像混合噪声二阶去除方法

遥感影像去噪对于影像后续的使用和研究具有重要意义。高斯噪声与椒盐噪声是影像中常见的噪声,目前的去噪算法对于这类混合噪声普遍存在去噪效果不佳、去噪后影像边缘模糊等缺点。针对以上问题,本文提出了一种遥感影像混合噪声二阶去除方法。该方法第一阶段是在DnCNN网络框架的基础上引入扩张卷积来增加网络的感受野,便于在遥感影像中提取更多的特征信息;同时在深卷积层后引入DropoutLayer层构建降噪模型,以防止网络出现过拟合,简化训练难度,然后使用该模型对影像进行初步降噪。为进一步提高初步降噪结果的影像质量,有效去除混合噪声中的椒盐噪声,保留更多的影像边缘细节及纹理特征,该方法第二阶段是在自适应中值滤波的基础上采用最近邻域像素加权中值替换原滤波窗口中值,对初步降噪结果进行二次处理,得到遥感影像混合噪声最终去噪结果。为验证算法的可行性和有效性,本文进行了遥感影像去噪实验及去噪影像边缘检测实验。分析实验结果,无论从主观视觉还是客观评价指标上进行对比,本文提出的方法对于遥感影像混合噪声去噪效果优于传统去噪方法,并且能够较好的保留影像边缘细节及纹理特征,获得更清晰的影像结果。     

基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本...     

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号，本文基于压缩感知理论来实现图像的超分辨率重建，在利用图像的局部稀疏性先验的基础上，采取了以下两项措施：1）通过对图像降质模型的估计，采用K-SVD算法构建过完备字典对，依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点，将字典对所表示的高低分辨率图像间的映射关系带入目标函数中，避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响；2）在待超分辨率图像稀疏编码时提出一种自适应加权的AWGPSR算法，克服了传统OMP算法在这一步需要固定稀疏度的缺陷，可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量，将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明，所提算法无论从主观视觉还是客观评价指标上均优于其他相关方法。