基于弱监督的VGG深度学习网络遥感影像云检测

大多遥感影像云检测方法中,训练数据需要对影像的每个像素进行标记,标记成本非常昂贵,为了减轻深度学习遥感影像云检测中人工劳动标记数据的成本,图像块标签代替像素标签进行深度学习训练。首先,将多种下垫面的遥感影像裁剪成图像块并标记,带有标签的图像块作为数据集;其次,块状的数据集训练改进VGG深度学习网络,训练好的网络对大型遥感影像进行云检测;最后,选取多种中分辨率卫星图像分别用改进VGG与VGG网络进行了云检测对比实验。结果表明：改进VGG遥感影像云检测方法能很好地检测出碎云和厚云,整个云区的精度都在90%以上。使用带标签的图像块,不仅减少了人工劳动,而且有效地进行遥感影像云检测,可为弱监督深度学习的遥感影像相关研究提供参考。     

基于卷积神经网络的场景级云分类算法

遥感图像受云层覆盖的影响,使得光学卫星拍摄的遥感图像中的大量地表或地物被云层遮挡,大量下传此类云覆盖图像则严重浪费卫星对地数传资源。面向遥感图像的在轨云判应用,根据星上对不同含云量场景级遥感图像块的不同处理策略,提出一种新的云覆盖度等级场景分类准则,利用该准则进一步提出基于深度卷积网络的云图像场景分类算法,将传统图像分割算法只计算整幅图像云占比来进行云判的方式,精细到局部场景的不同级别云判,为卫星数据下传提供更精细的指示信息,更有效的利用在轨拍摄资源。通过多组实验分析,同时考虑到星上计算资源的限制,确定了合适的训练样本数量和深度卷积网络,最终证明提出的算法可以实现局部场景不同级别的精准云判。     

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。     

基于对偶树复小波变换的遥感图像薄云去除

在卫星传感器获得的遥感图像中,由于受气候影响,图像可能存在被云雾噪声覆盖的区域.提出一种基于对偶树复小波变换的薄云去除方法,利用该变换将含云遥感图像分解成高频和低频成分,通过对高频补偿和低频抑制处理,有效去除遥感图像中的薄云,恢复云覆盖区域的地物信息.实验结果表明,该方法优于常用的薄云去除方法,在去除薄云的同时能有效恢复云覆盖下的地物信息,此效果源于对偶树复小波变换具有的近似平移不变性和良好的方向选择性.     

基于大数据量遥感图像的薄云去除

对于带有薄云的大数据量遥感图像,提出了一种新的空域滤波去云方法.用这一方法对图像进行重采样、薄云识别、云的厚度估计,再使用拉普拉斯算子增强有云区域的对比度,并对不同厚度的云层分别降低不同的亮度,从而实现去云.然后进行图像恢复,得到跟原图像同样大小的去云后的图像.实验证明,这种方法速度快,占用计算机的内存少,得到的图像效果好.     

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。     

基于云模型的图像面状地物表达分析

针对图像处理中需要对分割区域进行表达的问题,在云理论基础上,提出对象云表达图像面状地物的方法.在图像二维论域中,不确定边界的面状地物可以借助松弛迭代法提取其定性语言值表达特征,作为云模型的云核部分.对于不确定边界过渡区域,根据其像素特征获取云模型的云滴,借助逆向云发生器,生成图像面状地物的对象云.这样,对象云作为图像面状地物表达模型,不确定边界的面状地物就可以通过对象云的数字特征来表达.最后以遥感图像为例证明了该方法能够很好地表达图像中面状地物.     

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。     

遥感影像中边界云的匹配研究

根据遥感历史数据,获取图像中相对稳定的边界及其特征,基于云理论,对相对稳定的各类边界建立边界云,作为标准边界特征表达并用于边缘检测。通过云生成算法对待检测边界建立边界云,建立云匹配算法,将待检测边界的边界云与标准边界云进行匹配,从而确定新的边界和边界类型,达到边缘检测的目的,实验验证了该方法的有效性。     

内蒙古地区遥感图像信息提取及判读分析

分析了 5种信息处理及提取方法 ,总结出除呼伦贝尔盟外内蒙古地区遥感图像的判读标志 ,并提出提高判读效果的途径 .     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

遥感图像融合的应用研究

针对遥感测绘工程实际应用中的图像融合技术需求,本论文重点对遥感图像融合技术进行了分析研究,在简单介绍了遥感图像融合的基础上,重点对遥感图像融合实际应用进行了分析,探讨了面向特征信息的多源图像融合模型,并给出了遥感图像融合技术在遥感测绘工程中的实际应用,对于进一步提高遥感测绘工程的应用水平具有一定借鉴意义.     

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ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进

遥感图像中,云覆盖是最常见的噪声之一.针对薄云处于低频的特点,近年来通常使用同态滤波进行去云处理,然而同态滤波对所选中的整个区域进行处理,不仅处理了有云的区域,同时也影响无云的区域,特别是边界区域受到很大的影响.本文在分析同态滤波的特点后,在运用C语言对ERDAS进行二次开发时,对同态滤波去云算法进行改进,既实现同态滤波对云层的处理效果,又保持无云背景地区的信息不受任何影响.     

一种新的基于稀疏表示及自学习遥感图像超分重建算法

【目的】遥感图像重建容易引入噪声或边缘出现不规则性,而它又在遥感图像的处理中能起到非常重要的作用,提出新的算法来得到更好的处理结果。【方法】通过对遥感图像进行分块,利用K-SVD算法对遥感图像自身进行字典学习,获得能够稀疏表示高分辨率遥感图像的字典,然后进行特征提取、独立成分分析降维、高分辨率遥感图像的重建等操作。【结果】实现了对遥感图像超分辨率的重建。【结论】该方法提高了图像的峰值信噪比,通过实验验证了算法高效性。
     

云环境下基于预分片的遥感数据并行重采样方法

面向海量高分辨率遥感影像数据快速发布需求,针对当前云环境下遥感影像数据并行重采样存在的难题,结合云平台MapReduce并行计算框架特性和遥感影像数据处理特点,提出了一种基于预分片的遥感影像数据并行重采样方法,通过预分片机制有效实现了该框架中对影像数据分片和并行重采样任务的控制,解决了MapReduce难以用于并行处理非结构化、具有空间位置特征的遥感影像数据的问题,从而实现了云环境下遥感影像数据的高效并行重采样.通过在开源云平台Hadoop上的实验和分析表明,该方法具有良好的重采样性能,能够实现高分辨率遥感影像数据的高效重采样.     

支持向量机在云检测中的应用

针对地球观测系统/中分辨率成像光谱仪影像资料中的云检测工作,提出了基于支持向量机SVMs(support vector machines)的遥感影像分类方法.分析了云检测过程中的特征提取和选择,建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验.云检测结果中,云与陆地、水体、积雪准确地区分开来.结果表明,特征选择对云检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势.     

基于ERDAS的矿产蚀变遥感异常信息提取

从Landsat卫星数据中提取蚀变遥感异常信息的方法已经有了相对成熟的理论,前人也已经在PCI、ER Mapper等软件中完成了预研究.主要介绍了利用ERDAS遥感图像处理软件提取矿产蚀变异常信息的过程,通过掩膜去除多种干扰信息(边框、盐碱地、云、植被、水体和阴影),运用准归一化操作消除传感器增益等带来的影响,利用主成分分析法将TM遥感数据中羟基、铁染蚀变异常信息所在的成分分离出来.从而证明ERDAS软件同样可以推广于大面积矿产蚀变遥感异常信息的提取.     

一种新的基于稀疏表示及自学习遥感图像超分重建算法

【目的】遥感图像重建容易引入噪声或边缘出现不规则性,而它又在遥感图像的处理中能起到非常重要的作用,提出新的算法来得到更好的处理结果。【方法】通过对遥感图像进行分块,利用K-SVD算法对遥感图像自身进行字典学习,获得能够稀疏表示高分辨率遥感图像的字典,然后进行特征提取、独立成分分析降维、高分辨率遥感图像的重建等操作。【结果】实现了对遥感图像超分辨率的重建。【结论】该方法提高了图像的峰值信噪比,通过实验验证了算法高效性。     

基于D-S证据理论加权的遥感图像组合分类

为了提高了遥感图像识别率,提出一种D-S证据理论加权的遥感图像组合分类模型。首先提取遥感图像的纹理和颜色特征,然后分别对纹理和颜色特征建立分类模型,并得到相应特征的分类率,最后把单一特征分类正确率输入到D-S证据理论对它们进行融合,得到它们的权值,根据权值得到遥感图像最终分类结果。仿真结果表明,本文模型不仅提高了遥感图像分类率,而且加快了遥感图像分类的速度,在地理信息系统具有一定的应用价值。