面向像素级的遥感图像云分割算法

云遮挡对于非气象类遥感卫星的效能发挥具有重要影响,会导致卫星拍摄的遥感图像中无法显示有价值的地面信息,同时,大量无价值的数据下传还会极大的浪费卫星有限的数传资源。针对上述情况,结合星上在轨应用的相关要求,提出了一种基于低秩及稀疏约束制图的图像分割算法,将局部云纹理分布特征与低秩稀疏关联制图约束相结合。最后,通过对不同算法、不同地区、不同云覆盖程度的遥感图像块中的云区域进行分割实验与对比分析,结果表明算法可以在纹理特征空间中,有效捕获不同厚度云纹理的局部及全局结构化差异分布,从而产生更理想的云分割结果。而且在云分布更复杂的遥感图像中,还能有效分辨出厚云、薄云、无云3类像元,可为后续进一步对图像中云的处理提供支撑。     

基于轻量化卷积神经网络模型的云与云阴影检测方法

大多数遥感影像数据不可避免地受到云层的污染导致数据的失效。因此,对云进行检测是非常必要的预处理步骤。随着航天技术的飞速发展,更加轻便的卫星被设计出来,为了在这些算力有限的微小卫星上配备遥感影像预处理模型。设计一种高精度、算力要求低的轻量化云与云阴影检测网络模型具有重要意义。针对上述问题,本研究提出一种基于深度可分离卷积的轻量化卷积神经网络模型（Lightweight M-shaped Network,L-MNet）,L-MNet网络模型是在M-Net（ M-shaped Network）网络模型的基础上引入深度可分离卷积（Depthwise Separable Convolution）,设计一种深度可分离卷积模块（DS-Conv Block）,以减小算法的复杂度及计算量。实验结果表明,本研究所提方法在保证检测精度的前提下,可以有效减小像素级云检测的模型大小及计算量,有助于实现微小卫星在轨云检测的任务。     

耀光水体、非耀光水体和云层的多光谱遥感识别模型

太阳耀光水体和水云的光谱相似性导致绝大部分多光谱遥感图像云检测算法的太阳耀光信号误识别.选取对耀光水体、非耀光水体、水云、冰云光谱信息差异性和敏感性最大的红光波段及中红外波段,结合上述4类分类对象的遥感统计数据,从黑体辐射理论和云粒子微观物理性质出发,分析二维特征空间中不同类型水体和云层的辐射分布差异,提出利用多光谱遥感数据AVHRR识别不同类型水体和云层的红光-中红外光谱普适性分类模型.该分类模型对于多光谱遥感数据具有广泛适用性,可作为发展多光谱识别分类自动化算法的基础.     

基于多通道自注意力网络的遥感图像场景分类

高分辨率遥感图像场景分类广泛应用于土地监测、环境保护及城市规划等诸多领域.现有场景分类方法不能很好地结合局部纹理信息和全局语义信息,同时各通道特征之间的关系没有得到有效挖掘.因此,本文提出了一种基于多通道自注意力网络的遥感图像场景分类模型.通过卷积网络提取遥感图像的多尺度特征;随后采用特征融合单元建立多尺度特征间的局部-全局关系,基于多头自注意力机制的Inter-Channel Transformer在通道维度对融合后的特征建模,并推导特征在通道间的关系,进一步扩大全局感受野,以捕捉其语义结构信息,有效提高了网络的分类精度.在数据集AISC和SIRI-WHU上,本文所提算法的整体分类准确率(OA)分别为95.70%和94.00%,超过了当前最新的研究算法,证明了所提模型在高分辨率遥感图像场景分类任务中的有效性.     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.     

基于卷积神经网络的卫星遥感图像拼接

针对传统算法不适用于外观发生较大变化的图像拼接问题, 提出一种基于卷积神经网络的遥感图像拼接方法, 通过深度学习使模型实现对遥感图像的配准和拼接. 通过两次实验将该算法与传统算法进行对比. 首先, 以欧氏距离作为评价指标, 分别通过两种算法在不同图像数据集上进行统计, 对它们的图像配准能力进行评估. 其次, 在真实的遥感图像拼接应用场景下对比两种算法实现的遥感图像拼接效果. 实验结果表明, 卷积神经网络模型对外观发生较大形变的图像具有更好的配准能力, 因此对于外观产生较大变化的遥感图像, 可采用该算法代替传统算法实现图像拼接, 得到更精确的全景图像.     

深度卷积神经网络的遥感植被检测方法

【目的】植被检测是城市生态研究的重要手段,然而由于遥感图像中植被存在阴影区域、遮挡区域以及色彩上的畸变等,导致当前的植被检测精度较低。基于遥感卫星影像,采用深度学习技术快速有效地检测出城市中的植被区域,为植被资源统计等相关研究提供依据。【方法】选用深度卷积神经网络模型,对高分辨率遥感影像中的植被区域进行检测。对不同的优化器,通过设置不同的卷积核大小,对精度进行对比分析。最后对网络层数进行研究,对设置合适网络层数进行分析,用构造的深度卷积神经网络在实验数据上进行植被区域检测。【结果】利用卷积神经网络处理二维图像时,无需手动提取特征,进行简单少量的预处理后,直接把图像输入到CNN模型中进行训练,即可实现图片的识别分类功能。降低了预处理的难度,同时局部感知和权值共享大幅度地减少了参数量,加快了计算速度。次抽样还能保证图像处理后的平移、旋转、缩放和拉伸的不变性。解决了传统方法计算量和样本量大、结构复杂以及费时的缺点。在采集到的高分辨率紫金山区域的遥感图像中,通过设计的多层卷积神经网络模型对区域中的植被资源进行分析,对比和研究不同的优化器、卷积核和网络层数,植被检测精度达到95.4%,明显高于当前众多植被检测算法。【结论】在深度学习中,目标检测的精度依赖于网络的结构设置,通过对优化器、卷积核以及网络层数进行设定,可以明显提高目标检测效率和精度。     

GF-1遥感影像结合等高线消除云层干扰的连续水体重建法

为了解决遥感影像水体提取时易受到云干扰的问题,针对连续水体局部受云层干扰的影像图,采用高精度地形信息与高分一号卫星(GF-1)遥感影像两种数据相结合的方法重建水体。分别对高分一号卫星影像数据和高精度等高线地形数据进行预处理后,对缓冲区多次迭代提取未受云层覆盖的部分水体,通过对两种数据的地理配准、数学统计计算等图像运算确定水体还原水位值,从而还原云层影响下的水面面积。结果表明:该方法可以有效消除云层的影响,7幅受云层干扰影像提取水体还原后的水体面积平均相对误差在5%以内,与参考值相比,水体面积平均差值为0.0809km2。该方法较准确地还原了云层干扰下的水体面积,可广泛应用于受云层干扰影像的水体提取。     

遥感图像云图识别中的特征提取

遥感卫星在获取遥感图像时,往往连同大量的云层一起记录下来.这些云层图像有时不包含有效信息,有时掩盖了有效信息,从而影响了数据的处理效率.为此研究可见光图像中云图特征提取技术,为有效剔除云图提供特征依据.文中定义了多种灰度特征、频率特征和纹理特征,实验结果表明,这些特征可以有效实现云图和地物的分类.     

TM影像解译中去除云层及其阴影方法研究

目的对TM（Thematic Mapper，专题制图仪）影像上的云层及其阴影进行处理以识别被覆盖的地物。方法在遥感图像处理软件ERDAS的支持下，综合运用该软件提供的多种图像处理方法，分别进行去除云层及其阴影试验。结果利用空间卷积运算、傅立叶变换、傅立叶图像编辑、傅立叶逆变换组合和缨帽变换的方法有效地去掉了试验区图像上的云层；利用去霾处理和主成分分析方法按一定顺序组合将有效地去除云层的阴影。结论该方法及其思想不仅可用于去除云层和阴影对遥感图像质量的影响，而且也可用于其他图像处理中，如影像的割补、分类后处理等。     

基于多尺度特征融合的中分辨率遥感场景分类算法

在对中分辨率遥感图像进行场景分类时,传统的特征提取方法无法提取全面的特征,若使用卷积神经网络进行场景分类,同一大小的卷积核无法提取尺寸大小各异的地物特征,导致分类精度降低.为了提取不同尺寸的地物特征,提高分类精度,本文提出一种基于多尺度特征融合的中分辨率遥感场景分类算法.对传统的卷积神经网络进行改进以适应中分辨率遥感数据集,并在其基础上添加多尺度池化,将连接多层次的特征图谱输入到全连接层进行分类.实验表明,多层特征融合方法提取的特征信息比单层多尺度池化方法提取的特征信息更全面,分类效果更优.与其他的传统分类方法相比,本文方法获得更好的分类结果.     

遥感图像的实时云判技术

通过提取多种特征,采用最小距离分类方法,对卫星遥感图像中的基本图像单元进行云图和地物的区分,算法复杂度小,正确识别率达到90%.以分幅为单位设计剔除规则,将大块云图数据进行剔除.使用高速信号处理手段,将算法移植到数字信号处理器(DSP)板卡中,使其能够充分有效地利用通用DSP系统丰富的计算资源,实时完成云判算法和剔除功能.系统在某地面站接收系统中获得应用,性能指标达到要求,提高了地面站系统的信息处理能力和自动化程度.     

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点，基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域，但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构，将Deeplab的空洞卷积金字塔结构替换成密集连接结构，以提高信息利用率且增强模型的泛化能力，并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明，Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点，验证了本模型的有效性。     

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度SE block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在AID和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。     

一种基于场景规则与深度卷积神经网络的行人检测方法

深度卷积网络是解决分类问题的一种有效手段,但行人检测任务并不能通过分类来直接实现.为了在行人检测问题中进一步发挥深度卷积网络的优越分类性能,在实拍场景下,针对平直道路的情况,提出了一种基于摄像机安装位置和摄像机参数的感兴趣区域分割方法,合理利用先验知识和规则,对行人在图像当中可能出现的位置,以及不同位置上行人的尺度大小给出限制,从而系统仅对可能发生危险的区域进行搜索,避免了传统方法中多尺度遍历搜索整副图像的弊端.在此基础上,将危险区域所得的候选目标窗口作为待检测样本传送到构建好的深度卷积网络中进行分类,完成行人检测任务.实验结果表明,所研究的算法在一定距离内达到了预期的检测效果.     

基于FPGA的遥感图像纹理特征提取算法实现技术

针对遥感图像在轨云检测技术中图像纹理特征提取功能的实现需求,采用FPGA来实现纹理特征提取算法,以此提高遥感图像的纹理特征的提取效率。设计中充分利用FPGA片上RAM、ROM、寄存器等逻辑资源,发挥FPGA并行处理的优势,构建了16个灰度共生矩阵并行计算的结构,进一步计算得到4个纹理特征参数。利用Xilinx公司的System Generator工具实现设计并通过仿真。以Spartan-6 LX45 FPGA为目标芯片的验证实验表明:设计具有运算性能高、耗费逻辑资源少的特点,能够满足遥感图像在轨云检测的实时处理需求。     

基于卫星遥感图像的农作物分类算法

为提高遥感图像对农作物的预估精度和农业种植效率, 设计了基于卫星遥感图像的农作物分类算法。 以2018 年 7 月 30 日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据, 在不同光谱波段内(含红边波段), 通过使用最大似然法、 支持向量机法、 神经网络法分别对影像中水稻、 大豆、玉米、 高粱等农作物特征进行提取、 分类, 获得到农作物分类图;将统计结果与真实的参数进行比较, 分析了相同算法下使用不同数据源, 不同算法使用相同数据源, 这两种情况下的分类精度与可靠性。 实验结果表明,通过神经网络法得到的分类结果精度最高, 可靠性最强, 适合于全国范围内推广。     

基于卷积神经网络的商品图像精细分类

针对某一类别商品图像的精细分类,研究并实现了深度学习中的卷积神经网络方法。所设计的卷积神经网络由2个卷积层、2个亚采样层及1个完全连接层组成,特征平面的神经元只对其感受野的重叠区域做出反应,由反向传播算法调整网络参数最终完成学习任务。通过鞋类图像的精细分类实验表明,该方法平均分类正确率可达91.5%。     

基于低秩矩阵分解的遥感图像薄云去除方法

为了较好地去除遥感图像中的薄云遮挡,还原地表图像,提出了一种利用低秩矩阵分解的遥感图像薄云去除算法。该算法根据薄云图像的低秩特性,将图像进行低秩矩阵分解,得到背景、前景和薄云图像。然后将去除薄云信息后的前景和背景信息相融合,得到地物成分。将该算法与其他传统算法应用在卫星影像数据上,对薄云去除效果运用主客观指标进行比较。实验结果表明,该算法能够克服传统算法中细节丢失以及去除不完全的问题,不仅能够在不同地物场景下对薄云进行去除,而且能够较好地保留地物的细节信息。     

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明：基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.