高分遥感卫星影像预处理系统的设计和实现

高分影像预处理是高分应用的前提和基础,目前影像预处理专业要求高,自动化程度低,流程复杂,制约了遥感应用发展.本文利用分布式云存储技术,自定义流程设计技术,基于IDL影像处理的组件技术,实现遥感和GIS一体化集成,开发了高分遥感卫星影像预处理系统,实现遥感影像管理检索、正射校正、辐射校正等,实际运行表明该系统具有良好的应用价值.     

遥感影像流程化处理系统的设计与实现

在进行遥感影像处理过程中,因处理目的不同而采用不同的方法来处理遥感影像,同时遥感影像处理流程并非是一个简单的单步操作,而是多种操作综合的结果。遥感影像类型颇多,处理流程差异较大,因此,固定的流程化操作显然不妥。本文将建立一个高效集成的处理系统,它可以方便用户定制直观的处理流程,并且提供较优的扩展功能。本系统在实际遥感影像处理应用(如数据融合等)中已经取得了理想的效果。     

基于ArcGis10.1软件下遥感影像挂图的制作

遥感影像挂图具有效果直观、信息丰富、实用性强的特点,在当前经济社会发展中得到了越来越多的应用。本文以遥感影像为基本数据源,简要介绍了基于ArcGis 10.1软件平台制作影像挂图的基本流程和技术方法,并对一些注意事项和技术环节作了阐述。     

Landsat8影像中云和阴影的去除方法及应用

云的干扰严重影响了遥感影像的数据生产和应用,针对青海大面积地区无云数据严重缺乏而造成的遥感影像数据生产应用困难问题,研究Landsat8影像中云及云阴影去除的方法与流程,利用Landsat8遥感影像的光谱特征及其卷云波段,设计云及阴影区域检测模型,检测多种云覆盖情况下的云影响区域,通过多时相遥感影像的配准、相关分析、最小二乘拟合等图像运算得到消除或弱化云影响的遥感影像。同时,应用此方法进行数据生产,为青海地区实际项目实施提供高质量的无云遥感影像数据源。     

高光谱遥感影像降维：进展、挑战与展望

高光谱遥感影像数据具有高维特征、信息冗余、不确定性显著、小样本、空谱合一等特征,对其进行数据处理面临巨大挑战,高光谱遥感影像降维是高光谱遥感的重要研究方向之一。本文对当前高光谱遥感影像降维的相关研究进展进行了综述,在介绍高光谱遥感数据特点的基础上,重点从特征提取和特征选择两方面对高光谱遥感影像降维的最新研究和前沿进展进行了系统性综述;并从特征可分性、特征质量评价、特征数目确定、多特征优化以及需求驱动的特征选择等方面分析了高光谱遥感影像降维面临的挑战。随着智能化高光谱遥感的发展,高光谱遥感影像智能降维成为未来的发展方向,同时其发展将兼顾多特征质量评估与优选、搜索策略优化、满足应用需求等多目标的需求。随着高光谱遥感数据获取能力的提升和深入应用,高光谱遥感影像降维将会发挥重要而不可替代的作用。     

测绘无人机应急保障应用研究

目前,无人机遥感影像后续处理方法、流程及技术环节发展迅速,为拓展无人机在应急测绘保障领域的应用,形成对卫星遥感和有人机遥感的有益补充,本文主要从快速应急测绘的角度出发,提出无人机快速保障任务的工作流程,结合多款影像处理与编辑软件,对数字高程模型、正射影像图、3D模型等多种成果进行快速生产,制作专题影像图,满足实际工作需求,具有一定工程应用价值。     

遥感数据尺度特征的研究进展

遥感传感器多样化发展引领了遥感数据空间分辨率和时间分辨率多样化,形成了完善的遥感数据层次体系,为地球表面现象的表达和应用提供了大量的数据源。在不同尺度数据的综合应用过程中,尺度特征凸显重要。本文根据国内外的研究现状对遥感影像尺度特征的研究进行了分析,并对当前研究中面临的问题进行了探索,最后对遥感影像尺度特征将来发展趋势与前景进行了分析和展望。     

融合流程优化思维的遥感影像变化检测自动化研究

目前土地卫片执法中对影像变化图斑的提取主要依靠作业人员对两时相高分辨率卫星遥感影像的目视解译,以确定土地利用变化发生的空间位置。图斑的正确与否完全依靠解译人员的目视判读经验,容易产生错误。通用的检测流程针对特定遥感影像数据可以得到较好的检测结果,但是面对大面积、特征多样、分辨率较高的城市遥感影像时,应用效果可能不佳。融合流程优化思维,整合现有成熟的遥感影像变化检测相关技术,利用数字城市建设中积累的大量高精度GIS数据,并结合地物形状特征指数和检测人员的作业经验,进行变化检测自动化研究,包括人机交互检测和批量自动检测两个主要流程,并应用于深圳市土地卫片执法中的土地利用变化图斑提取环节,可提高其自动化程度,有效降低时间和人力成本,及时发现并阻止土地违法利用行为。     

基于遥感影像理解模型的土地利用时空变化监测——以龙口市为例

本文从遥感影像理解模型出发,探讨了遥感信息的知识发现及特征提取问题,特别针对士地利用研究领域,提出了纳入GIS信息的遥感影像综合理解模型,将GIS数据(主要包括高程和坡度)与遥感影像结合起来,从中发现知识,并将知识用于遥感影像的专题信息提取,建立了地学规律知识库,从而提高了遥感影像的分类精度。本文基于遥感影像理解模型,发现土地利用变化区域,提取变化信息,动态地监测了龙口市土地利用的时空变化情况。     

多源遥感影像数据的融合方法探讨

在分析和总结多源遥感影像数据融合的基础上,探讨了多源遥感影像数据融合的层次、模型、结构及其特点.归纳总结了多源遥感影像数据融合方法,目的是提高多光谱影像分辨率的同时保持色调不变,从另一个角度理解为在已知低分辨率多光谱影像和高分辨率全色影像的基础上,模拟生成高分辨率多光谱影像.本文介绍了遥感影像融合技术,系统阐述了几种常见的遥感影像融合方法及其应用.     

面向对象的高分辨率影像特征选择研究

本文主要研究面向对象的高分辨影像信息提取中的特征选择问题.文中分别选择光谱、纹理、形状等特征57个和28个进行特征优化,得到两组分别由46个和4个特征组成的不同的最优特征集,并利用这些特征集采用K近邻、模糊与K近邻级联两种不同的面向对象分类策略进行分类研究.最后从合理性、效率和精度三方面进行了对比分析.实验结果表明,对...     

智能遥感深度学习框架与模型设计EI北大核心CSCD

近年来,随着遥感技术的快速发展,遥感对地观测数据获取量与日俱增。在对海量遥感数据的特征提取与表征上,基于深度学习的智能遥感影像解译技术展现出了显著优势。然而,遥感影像智能处理框架和信息服务能力还相对滞后,开源的深度学习框架与模型尚不能满足遥感智能处理的需求。在分析现有深度学习框架和模型的基础上,针对遥感影像幅面大、尺度变化大、数据通道多等问题,本文设计了嵌入遥感特性的专用深度学习框架,并重点讨论了其构建方法,以及地物分类任务的初步试验结果等。本文提出的智能遥感解译框架架构将为构建具备多维时空谱遥感特性的深度学习框架与模型提供有力支撑。     

基于内容的图像检索系统分析

介绍了一种基于内容的图像检索方法（CBIR）,从其系统体系结构出发,阐述了基于内容的图像检索的几种索引技术,着重说明了基于图像颜色分布、纹理结构和形状的图像检索方法,并提出基于内容的图像检索中的几个关键技术,最后指出了图像检索技术的应用前景。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于自适应共振模型的遥感影像分类方法研究

人工神经网络（ANN）是人视觉和服的基本功能的抽象、简化和模拟。在对遥感影像的综合解释应用中，与传统的统计方法和符号逻辑方法相比较，ANN更接近人对影像的视觉解译分析过程。自适应共振理论（ART）是一种自组织产生认知编码的神经网络理论，其自组织、反馈式增量学习机能，能兼顾适应性和稳定性，克服了一般神经网络学习速度慢、网络结构难以确定、局部最小陷阱等缺陷。以FUZZY－ART和ARTMAP为基础，提出基于ART遥感影像非监督和监督分类的一般模型，并以实际上土覆盖分类和城市结构信息提取为应用实例，通过与传统统计方法和一般ANN分类器相比较，ART具有正确率更同、学习速度快、自适应性等优点，是复杂数据分类和信息提取的有效工具。     

Coupling high-resolution satellite imagery with ALS-based canopy height model and digital elevation model in object-based boreal forest habitat type classification

We developed a classification workflow for boreal forest habitat type mapping. In object-based image analysis framework, Fractal Net Evolution Approach segmentation was combined with random forest classification. High-resolution WorldView-2 imagery was coupled with ALS based canopy height model and digital terrain model. We calculated several features (e.g. spectral, textural and topographic) per image object from the used datasets. We tested different feature set alternatives; a classification accuracy of 78.0% was obtained when all features were used. The highest classification accuracy (79.1%) was obtained when the amount of features was reduced from the initial 328 to the 100 most important using Boruta feature selection algorithm and when ancillary soil and land-use GIS-datasets were used. Although Boruta could rank the importance of features, it could not separate unimportant features from the important ones. Classification accuracy was bit lower (78.7%) when the classification was performed separately on two areas: the areas above and below 1 m vertical distance from the nearest stream. The data split, however, improved the classification accuracy of mire habitat types and streamside habitats, probably because their proportion in the below 1 m data was higher than in the other datasets. It was found that several types of data are needed to get the highest classification accuracy whereas omitting some feature groups reduced the classification accuracy. A major habitat type in the study area was mesic forests in different successional stages. It was found that the inner heterogeneity of different mesic forest age groups was large and other habitat types were often inside this heterogeneity.     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别，但是针对高分影像涵盖的细节多、类别复杂等特点，中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取，然后利用池化层对重要特征进行筛选，最后将提取到的特征进行组合，形成高阶语义特征，利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题，使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率，相比于传统方法，有效地提高了分类精度，同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

基于纹理谱的遥感影像纹理分析方法

重点论述了如何运用纹理谱的方法对遥感图像进行纹理分析。通过对不同地物图像进行试验,借助计算机语言实现了各类地物图像的纹理谱特征图的计算显示,并对其进行分析比对,最终达到区分识别各类地物的目的。     

判别流形学习算法的高光谱数据降维与树种识别

高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。