张量组稀疏表示的高光谱图像去噪算法

提出了一种基于张量组稀疏表示的高光谱遥感影像降噪。高光谱影像数据可视为三阶张量。首先,高光谱图像被划分为小的张量分块,然后,对相似的张量分块进行聚类,并对聚类分组进行稀疏表示。基于高光谱图像的空间非局部自相似性和光谱相关性,将张量组稀疏表示模型分解为一系列无约束低秩张量的近似问题,进而通过张量分解进行求解。对模拟和真实高光谱数据进行试验,验证了该算法的有效性。     

一种融合光谱匹配和张量分析的高分辨率遥感影像目标探测器

提出了一种基于光谱分析理论和张量代数理论的高分辨率遥感影像目标探测器.首先在向量空间中对目标光谱进行特征匹配;然后对光谱特征与目标相似的像素进行空间-光谱特征一体化张量描述,进而在张量特征空间中对目标和背景进行分类.实验表明,张量学习机能够有效地对高分辨率影像进行目标识别.加入光谱特征匹配后的目标探测器能够极大地降低目标深测时间,同时进一步提高目标探测精度.     

基于张量分解的超光谱图像降秩与压缩

超光谱图像在常规的二维图像中加入了光谱维度,具有更大的信息量的同时也带来了较大的光谱冗余性,这给图像压缩带来了新的挑战。提出了一种基于张量分解的超光谱图像降秩与压缩方法,将超光谱图像视为三阶张量数据表示,并使用张量分解技术将原始观测张量分解为核张量与多个投影矩阵的乘积形式。这样,超光谱图像被压缩为了低秩张量,它可以通过张量反投影进行图像重构。实验证明张量分解技术能够将超光谱图像压缩到很低的比率,同时保持较低的重构相对误差。     

基于光谱库优化学习的光谱超分与分类精度提升

光谱库优化学习是将光谱库中的光谱数据作为训练样本,在严格理论推导下构建字典优化学习过程。基于光谱库优化学习,本研究提出了一种光谱超分辨率重建方法,该方法在稀疏表示框架下,通过波段匹配,将光谱库映射为与待重建高光谱图像波段相对应的特定光谱库;并利用映射后的特定光谱库与高分多光谱图像,从理论上推导、并构建基于ADMM算法的光谱字典与稀疏系数优化学习过程。多种数据集上的对比分析表明,即使仅使用一幅高分多光谱图像,本研究方法仍能恢复重建出高质量的高分高光谱图像,同时光谱超分辨率重建后的高分高光谱图像可显著提升地物分类精度。结果表明,本研究实现了仅由一幅高分多光谱图像到高分高光谱图像的高质量光谱超分辨率重建。     

高分辨率影像解译理论与应用方法中的一些研究问题

近年来，不断发展的遥感技术使遥感数据呈现出高空间分辨率、高光谱分辨率和高时间采集频率的特点。卫星图像空间分辨率已经提高到0．6m级，而航空遥感数字影像分辨率高达0．1m以上。光谱分辨率高达3—4nm。不断发展的高分辨率遥感数据能够提高信息提取和监测精度，并拓展遥感数据的应用范围。目前，国外已经加快对高分辨率图像，特别是高空间分辨率影像，在城市环境、精准农业、交通及道路设施、林业测量、军事目标识别和灾害评估中的应用。但是总的情况是自动化程度不高。介绍高空间分辨率影像信息提取、高光谱和偏振影像信息提取、影像数据融合和高分辨率遥感变化探测等方面迫切需要研究的一些科学问题及其意义。建议建立图像知识库，改善数据共享环境，为有志于从事这方面研究的学者提供参考。     

低秩张量嵌入的高光谱图像去噪神经网络

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888...     

多源遥感图像融合发展现状与未来展望

近年来,随着遥感技术的发展,高光谱、红外、雷达等多源遥感成像手段在精准农业、资源调查、环境监测、军事国防等重要领域发挥着越来越重要的作用.同一场景多源遥感图像观测的地物对象相同,但观测的维度不同,图像的空间、光谱与时间分辨率存在差异,提供的信息既具有冗余性,又具有互补性和合作性.多源遥感图像融合能够综合利用不同来源获取...     

高光谱图像稀疏信息处理综述与展望

高光谱成像技术具有光谱连续、图谱合一,能够以较高的光谱诊断能力对地物目标进行精细化解译,可以大幅增强地物信息的提取能力。充分利用高光谱遥感图像丰富的空间、谱信息,进行观测目标地物的精细化解译,成为近年来遥感领域的研究热点和前沿领域,并在多个相关领域具有巨大的应用价值和广阔的发展前景。本文结合高光谱图像成像特点,对基于稀疏表示理论的高光谱图像处理与分析方法进行综述,概括了高光谱图像处理与分析主要研究,并对各个研究领域与方向进行分析和评价,最后对各研究领域发展提出建议和展望。     

一种基于多尺度稀疏分解的遥感图像融合新方法

为取得更好的遥感图像融合效果,结合形态成分分析的思想,提出了图像的多尺度稀疏分解方法。集合曲波变换基和局部离散余弦变换基组成分解字典,通过控制字典系数的大小,将二维图像从多个尺度稀疏分解为纹理成分和卡通成分;从图像融合的信息量角度出发,提出了基于多尺度稀疏分解的遥感图像融合方法,通过稀疏分解提取有效尺度下高空间分辨率图像纹理成分和多光谱图像卡通成分,并对二者进行稀疏重建得到融合图像。与已有的经典融合方法相比,该方法以较小的计算代价换取了更高的空间分辨率和更低的光谱失真;与稀疏重建法相比,该方法的执行速率有较大提升,且有更好的融合效果。因此,所提出的基于多尺度稀疏分解的遥感图像融合方法有一定的推广应用价值。     

缅甸毛淡棉地区高分一号卫星影像

正高分一号卫星是中国高分辨率对地观测系统的首发星,配置了2台2m分辨率全色和8m分辨率多光谱相机以及4台16m分辨率多光谱宽幅相机,具有高、中空间分辨率对地观测和大幅宽成像结合的特点,其2m分辨率全色和8m分辨率多光谱图像组合幅宽优于60km,16m分辨率多光谱图像组合幅宽优于800km,为国际同类卫星观测幅宽的最高水平,大幅提升了观测能力,对大尺度地表观测和环境监测具有独特优势。封面图片是高分