基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

基于泛化深度迁移特征的高分遥感场景分类

针对深度卷积神经网络(deep convolutional neural network, DCNN)迁移至高分辨率遥感场景分类的问题。设计了有效的网络结构用于增强DCNN在高分辨率遥感场景分类任务中的泛化能力。首先,线性主成分分析网络被用于整合高分辨率遥感图像的空间信息,减小DCNN在迁移过程中源数据集与目标数据集之间的空间差异。随后,经整合的图像输入预训练的DCNN,提取到更具泛化性能的全局特征表达。两个公开遥感数据集(UC Merced 21和WHU-RS 19)的试验结果表明,在不改变DCNN结构参数的情况下,相比现有方法,所设计的网络结构能够有效提升遥感场景分类精度。     

基于图像描述技术的飞机目标架次判别方法

利用图像描述技术对非相参回波信号波形作了一定的分析,提取出反映飞机目标不同机型(大、小)和不同编队(架次)可资分类识别的图像特征信息。采用极大极小模糊神经网络对提取出的特征进行了训练和分类识别试验,验证了图像特征信息的有效性。结果表明,基于图像描述技术的架次判别方法,为解决常规非相参雷达编队飞机目标架次判别问题提供了一条新的途径。     

高分辨率雷达距离像用于目标识别的研究

针对飞机目标的分类问题,研究将雷达目标的高距离分辨率(high range resolution,HRR)像用于识别的方法。介绍两类基于目标HRR像的特征:差分功率谱和微分倒谱,并选择基于SARPROP(simulated anneal-ing resilient propagation)算法的多层前馈神经网络作为分类器。利用4种飞机缩比模型的重点散射源二维分布测试数据和频率步进法,得到目标的一维距离像。对上述两类距离像特征进行了分类,结果表明,差分功率谱特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能。     

离散Hopfield神经网络的手写数字识别研究

利用离散Hopfield神经网络对手写数字识别进行了研究。将受到噪声污染的手写数字储存为二值图像,然后调制成二进制信号通过神经网络进行传输,通过给定权矩阵的Hopfield神经网络进行按址存储,将网络输出的内容再映射为数字图像。实验结果表明:数字图像识别的误码率与调制信号的幅值、码间时间间隔和网络神经元耦合个数成负相关关系,而且随着噪声强度的增加,误码率出现非周期随机共振现象,在一非零最优噪声强度值达到最小,此时数字图像也恢复得更加清晰。这些结果为进一步研究最小误码率优化目标下的Hopfield神经网络自适应权重矩阵提供了实验依据,而且对于神经网络联想记忆中随机因素的作用研究具有重要意义。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

在遥感图像分类实际应用中，深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题，难以发挥优势。基于上述问题，提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习，使算法能够学习不同时空相同地物的相似性，并利用SMOTE方法对学习数据进行类分布空间优化平衡，从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明，相比传统的深度学习，所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。     

小训练样本下的合成孔径雷达图像分类研究

针对纹理是合成孔径雷达(SAR)图像目标分类的一个重要因素,SAR图像的过完全小波分解产生大小不变的子图像,具有移不变特性,可在不同尺度下表征纹理。利用图像灰度均值与细节图像能量特征组成特征矢量,对SAR图像有好的表征效果。与完全由图像分解子图能量得到的特征矢量相比,目标间的纹理特征差异更明显。神经网络具有高度非线性判决性能,可将所提出的过完全小波分解纹理能量特征(OWATF)与径向基函数(RBF)神经网络相结合对SAR图像面目标进行分类。实验证明,在小训练样本条件下,RBF神经网络与OWATF特征相结合对SAR图像进行分类能够很好地体现目标的整体特性。     

逆合成孔径雷达像轮廓提取方法

为了从图像分辨率低且具有明显稀疏性的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)像中提取目标的平滑轮廓,在ISAR像建模的基础上,提出了基于形态学方法提取ISAR像目标轮廓并使用小波分析平滑目标轮廓的方法。实验结果表明,该方法有效地消除了由ISAR像稀疏性导致的难以提取连通且完整的目标轮廓的问题,相比其他轮廓提取手段更适于ISAR像目标的平滑轮廓提取。该方法通过对ISAR像进行图像域分析获得了目标的连通、平滑轮廓,使后续ISAR像目标特征提取和识别更易于实现。     

基于模糊神经网络的海面目标战术意图识别

传统的基于遥感解译获取的海面目标信息分析战术意图的方法,需要大量的专家知识确定输入目标属性与输出意图间的网络节点关系,而模糊神经网络只需利用输入和输出训练网络,减少了专家知识的需求。针对常用的高木〖CD*2〗关野模糊模型不适用于战术意图识别要求的输出与输入非线性的问题,设计了基于神经网络集成的模糊系统模型,利用目标属性与对应的战术意图形成训练样本训练神经网络,分别获得输入条件的模糊隶属度以及面向不同意图的输出函数,据此识别海面目标战术意图。仿真实验结果表明,获得的目标战术意图的准确度高,与想定情况均相符。     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.     

双参数Beta过程联合字典遥感图像超分辨

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。     

利用改进的中值滤波消除QuickBird影像中的脉冲噪声

QuickBird高空间分辨率遥感影像已在各个领域得到了广泛的应用,然而其在获取和传输的过程中通常会受到噪声,特别是脉冲噪声的污染,从而影响了其后续应用。为此,提出了一种基于改进中值滤波的遥感影像中脉冲噪声的检测和滤除算法。首先利用一维拉普拉斯卷积核和扩张函数检测图像中的噪声像素;然后利用向量中值滤波（Vector Median Filter,VMF）对检测到的噪声像素进行恢复。实验结果表明,相对于其它几种噪声滤除算法,所提出的算法取得了较好的噪声滤除效果。     

基于邻域加权模糊C均值的遥感影像分割

遥感影像分割是遥感影像识别和理解的前提和基础,遥感影像分割的结果直接决定着后续像分析和理解的质量。针对经典模糊C均值(Fuzzy C-Means,FCM)聚类算法分割图像时存在的不足,即该算法只考虑图像中像素自身的灰度值信息而没有考虑其邻域内的像素空间信息从而对噪声比较敏感,提出了一种邻域加权FCM(Neighboring Weighted FCM,NW-FCM)的遥感影像分割算法,该算法中邻域窗口内各系数(权)的值是根据图像自身的特性而自适应确定的。通过分割合成图像和实际的高分辨率遥感影像的实验结果表明,相对于其他几种方法,所提的方法取得了更好的分割效果。     

计算机模拟合成孔径雷达集成框架研究

由于合成孔径雷达（SAR）遥感的独特优势,使得它得到了广泛的应用。但由于SAR成像过多的依赖SAR传感器和地物的反射特性,因此所成像也仅限于某一时刻,波长、极化、特定地点等,并且从发射微波信号到图像生成这一系列过程中,有大量工作是要在空中完成,由于仪器设备和处理技术的限制,在每一个环节上都可能会产生难以预料的系统误差和随机误差。鉴于此,本文结合计算机模拟技术、地物散射特性、SAR成像机理,提出并建立了计算机SD模拟SAR系统的集成框架,利用集成系统能够在不同入射方式、波长、极化方式、以及植被生长、地物变化的不同阶段进行动态、实时的生成SAR模拟图像。从而取代外业实验工作节省获取雷达图像的时间和开销,可以避免由于错误决策和操作所带来的风险。     

基于神经认知计算模型的高分辨率遥感图像场景分类

通过大脑对外界环境感知的神经结构与认知功能的相关研究,构建仿脑的媒体神经认知计算(multimedia neural cognitive computing, MNCC)模型。该模型模拟了感官的信息感知、新皮层功能柱的认知功能、丘脑的注意控制结构、海马体的记忆存储和边缘系统的情绪控制环路等大脑基本的神经结构和认知功能。在此基础上,构建基于MNCC的高分辨率遥感图像场景分类算法。首先,图像经仿射变换后切分为若干图块,通过深度神经网络提取图块的稀疏激活特征,采用概率主题模型获取图块初始场景类别,并利用图块分类错误信息反馈控制场景显著区特征的提取;其次,根据图块的上下文获取场景语义的时空特征,并在此基础上进行图块分类和场景预分类;最后,用场景预分类误差构造奖惩函数,控制和选择深度神经网络中场景区分度较大的稀疏激活特征,并通过增量式强化集成学习,获得最后的场景分类。在两个标准的高分辨率遥感图像数据集上的实验结果表明,MNCC算法具备较好场景分类结果。     

基于航空图像的航天光学遥感器成像的仿真

针对早期光学遥感成像模拟软件基于地面图像的情况,提出针对机载航空图像进行航天光学遥感器成像仿真的方法。以在一定高度下机载航空图像为基础,利用经验线性法进行反射率反演,借助于大气辐射传输软件MODTRAN对地面反射率图像进行大气修正,结合航天光学遥感器定标系数得到了灰度值图像。实际应用表明,利用机载光学遥感器对研究区域进行光学成像,通过系统仿真得到航天遥感图像,从而为目标识别、伪装效果检验等提供了有效的手段。