线性体图像自动矢量化算法研究

依据线性体图像的特点,提出了一种最大长度原则下基于端点提取的自动跟踪矢量化算法。该算法通过对节点及其信息进行提取快速抓住线性体的总体拓扑结构,并以节点信息为指导对线性体进行矢量跟踪和直线提取解决了复杂的线性体交叉问题。算法具有精度高、抗噪性好和适应性强的特点。     

卷积神经网络多层特征联合的遥感图像检索

针对卷积神经网络的特征表达方法难以满足大规模遥感图像检索需要的问题,该文将卷积层特征和全连接层特征进行联合,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法提取不同卷积层特征作为图像的局部特征,提取全连接层特征作为感兴趣区域,并对二者进行跨层整合得到新的图像特征并应用于图像检索。实验结果表明,与利用单一的全连接层或者卷积层特征以及传统的经典检索方法相比,该方法取得了很好的检索结果,能够更好地保留图像的全局信息和空间结构信息,提高遥感图像检索的性能。     

TM图像线性体信息微机自动提取

本文采用图像平滑、边缘跟踪、霍夫变换、逆霍夫变换等综合图像处理的技术,从卫星TM图像中提取线性体信息。在霍夫变换后的累加器阵列中采用局部最大值选择,逆霍夫变换后采用剖面分析等人-机交互处理方法,结合遥感地质学家的图像解泽经验,从而提高了线性体信息自动提取的精度。     

U型卷积神经网络的ZY-3影像道路提取方法

针对经典全卷积神经网络在池化和上采样过程中造成图像分辨率不断下降以及对各个像素进行分类时忽略了像素之间的关系,导致提取道路比较模糊和平滑的问题。该文提出一种基于U型卷积网络的ZY-3道路提取方法。首先,参考医学图像分割领域表现突出的U-Net模型,采用对称式网络结构将低级细节信息与高级语义信息相结合,提高道路的初提取精度;其次考虑到卷积神经网络对百万量级的参数优化程度相对不足,采用集成学习的方法,通过变更权重获得若干个模型进行融合,进一步提升了道路提取的精度;最后,通过使用形态学开运算完成孔洞的去除等工作。实验结果表明,该文方法的提取结果在不同实验区域中平均准确度达到了95%以上,显著优于基于经典全卷积网络模型、基于纹理与形状特征提取道路的方法。     

CBERS-1 PSF估计与图像复原

分析了遥感图像获取过程中导致图像退化模糊的原因。讨论了一种借助图像中的特定线状目标信息(如桥梁、堤坝等)，采用经验拟合的方式提取图像获取、传输过程中的点扩散函数，并利用该点扩散函数结合频域维纳滤波器求解去图像模糊的空域反卷积算子。将该方法应用于中巴资源卫星一号(CBERS-1)图像，图像质量得到明显的提高，收到了较好的复原效果。     

遥感图像线性构造信息微机机助提取

本文采用图像平滑、边缘跟踪、霍夫变换、逆霍夫变换等综合图像处理技术，从卫星ＴＭ图像中提取线性体信息。在霍夫变换后的累加器阵列中采用局部最大值选择，逆霍夫变换后采用剖面分析等人一机交互处理方法，结合遥感地质学家的图像判读经验，提高了线性体信息自动提取的精度。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

光谱可形变卷积驱动的高光谱图像分类

基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN（Spectral Deformable Convolutional Neural Network）。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱?空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明：本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%（Indian Pines,10%/类）、99.81%（University of Pavia,5%/类）以及97.41%（University of Houston,50个/类）,验证了该方法的有效性。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先，通过卷积神经网络定位与检测建筑物的位置，逐一提取单个建筑物轮廓，利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM），然后结合最大流最小割的图像分割方式实现全局优化，完成建筑物初步提取，最后用形态学进行优化。通过试验证明了该方法的可行性。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

DMC卫星图像MTF分析及其复原方法研究

复原退化模糊图像是遥感图像处理的研究重点。对成像系统的调制传递函数(MTF)进行了研究,分析了调制传递函数的基本理论。讨论了一种近似测定成像系统调制传递函数的方法,通过有限采样,曲线拟合,傅立叶变换,规格化的一系列处理得到图像获取、传输过程中的点扩展函数(PSF)。提取完整光滑的调制传递函数曲线,在频域中对图像进行去卷积复原,分析和评价了复原结果。将该方法应用于DMC卫星图像,图像质量得到明显提高,收到较好的复原效果。     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

密集卷积残差网络的遥感图像融合

针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络。该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。该网络应用残差学习拟合深层特征与浅层特征之间的残差,加快网络的收敛速度。实验中利用GaoFen-1（GF-1）和WorldView-2/3（WV-2/3）的多光谱图像MS （Multispectral Image）和全色图像PAN（Panchromatic Image）（MS与PAN的空间分辨率之比为4）评估本文提出方法的有效性。从视觉效果和定量评估结果两个方面来看,本文方法得到的融合结果要优于所对比的传统方法和深度学习方法,并且该网络具有鲁棒性,能够泛化到不需要预训练的其他卫星图像。本文方法通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,有利于遥感图像的应用研究。     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

小波变换保持光谱特型融合算法

对遥感图像融合Brovey变换法存在颜色失真的现象,本文提出了一种小波比值融合法,该融合法首先对高几何分辨率的全色波段进行小波变换提取其低频分量,并对其进行三次卷积法重构得到与原分辨率相同的图像,而后将低分辨率多光谱图像与全色波段图像相乘,再除以重构后的全色波段图像,便得到融合图像。并从目视评价、GVI、统计评价证实了该小波比值融合法优于Brovey变换法,该比值融合法是一种能较好地保全低分辨率多光谱图像颜色的融合方法。     

蚀变信息和线性体提取在某铀矿区的应用(摘要)

随着遥感技术在地质上的应用不断深入,单一波段图像或常规的合成图像已不能满足地质解译的需要,作者通过对TM数据进行多种功能复合处理,期望能直接从影像上获得蚀变信息和线性体(构造)发育程度的信息。 蚀变信息的提取根据白云母化、绢云母化和绿泥石化等蚀变岩石波谱曲线和正常岩石波谱曲线的差异,通过TM 5/TM7的比值提高蚀变岩石的灰度。由于南方植被发育,这一比值也使植被信息得到提高,而TM 4/TM3是植被的指示系数,因此利用这两个比值进行变换分类,就可消除植被对蚀变信息的干扰。 线性体提取及其密度统计线性体与断裂构造是密切相关…     

基于CNN模型的遥感图像复杂场景分类

复杂场景分类对于挖掘遥感图像中的价值信息具有重要意义。针对于遥感图像的复杂场景分类,提出了一种基于卷积神经网络(convolutional neural network,CNN)模型的分类方法,在该方法中构建了8层CNN网络结构,并对输入图像进行预处理操作以进一步增强模型的适应性,且在模型分类器的选择问题上提供了Softmax和支持向量机2种分类器,使其能够自动化提取特征,避免了前期繁琐的图像处理和人工提取特征等过程。在UC Merced Land Use和Google of SIRI-WHU这2组数据集中进行实验,结果表明,相比于CNN with Overfeat feature和SRSCNN方法,该模型提高了2%以上的分类精度,且2种分类器的总体分类精度均能达到95%以上。     

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止，基于卷积神经网络改进的变体网络有效提升了学习效率，但由于提取特征比较单一无法准确描述图像特征，导致相似度学习效率较低。为此，本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同，但权值不共享，网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征；然后通过特征融合层进行特征融合；最后将融合特征直接输入全连接层进行相似度学习，既改善了提取的图像特征多样性，又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验，结果表明，相比其他模型，本文提出的模型具有较强的网络学习能力和模型泛化能力，准确率高达97.96%。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法.首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元.模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果.