一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

热红外港口图像特征的评估器提取与选择

针对低对比度、条纹噪声、低空间分辨率等特点而导致的热红外图像识别效果不佳问题,提出了一种港口目标热红外遥感图像特征提取与选择方法,实现了一定情况下港口目标的高精度分类。采用纹理、几何等29个特征,通过评估器选择最佳特征组合,并根据识别精度选择最佳分类器,能生成热红外图像港口目标22个最佳分类特征,且具有一定的鲁棒性。经过参数优化后的libSVM(一种支持向量机)分类器分类精度较高;白天图像比夜间图像分类精度更高;像素值、灰度直方图相关的一维和二维统计特征、局部二进制模式特征、边缘方向直方图特征等与灰度和纹理相关的特征对港口目标热红外图像识别影响较大。     

基于支持向量机的特定目标检测方法

提出了运用支持向量机进行目标检测的方法。通过对航空影像中的军事目标和自然背景两类样本进行学习，支持向量机检测方法建立了针对目标和非目标有效区分的识别模型，该模型能够对航空影像中所有的区域进行快速的检测和识别，检测到所有感兴趣的人造军事目标。试验表明，该方法快速、高效且具备一定的鲁棒性。     

Efficient,simultaneous detection of multi-class geospatial targets based on visual saliency modeling and discriminative learning of sparse coding

Automatic detection of geospatial targets in cluttered scenes is a profound challenge in the field of aerial and satellite image analysis. In this paper, we propose a novel practical framework enabling efficient and simultaneous detection of multi-class geospatial targets in remote sensing images (RSI) by the integration of visual saliency modeling and the discriminative learning of sparse coding. At first, a computational saliency prediction model is built via learning a direct mapping from a variety of visual features to a ground truth set of salient objects in geospatial images manually annotated by experts. The output of this model can predict a small set of target candidate areas. Afterwards, in contrast with typical models that are trained independently for each class of targets, we train a multi-class object detector that can simultaneously localize multiple targets from multiple classes by using discriminative sparse coding. The Fisher discrimination criterion is incorporated into the learning of a dictionary, which leads to a set of discriminative sparse coding coefficients having small within-class scatter and big between-class scatter. Multi-class classification can be therefore achieved by the reconstruction error and discriminative coding coefficients. Finally, the trained multi-class object detector is applied to those target candidate areas instead of the entire image in order to classify them into various categories of target, which can significantly reduce the cost of traditional exhaustive search. Comprehensive evaluations on a satellite RSI database and comparisons with a number of state-of-the-art approaches demonstrate the effectiveness and efficiency of the proposed work.     

TM遥感图像FLAASH大气校正异常值的改正

针对经过ENVI的FLAASH模型大气校正后的反射率遥感图像中,经常存在异常值,即负值和大于100的高值,在水体分布众多的图像中尤其明显的问题,以Landsat的TM图像的校正结果为例,设计了改正算法,即对于异常高值采用阈值法进行改正,对于异常负值采用窗口搜索最小正值法进行改正。使用统计方法和NDVI植被指数对改正前后图像进行了对比。与改正前的图像相比,改正后图像进行计算的结果合理,表明算法是可行的和有效的。所提出的改正算法能够行之有效地改正图像中的异常值,为之后的遥感信息提取提供了良好的数据基础,具有一定的研究意义和应用价值。     

深度图像自动配准点云的方法研究

点云配准是三维激光扫描数据处理过程中不可或缺的一个环节,利用标靶进行配准是经典的手段之一,此类方案在单独扫描标靶的基础上进行半自动化配准。本文给出一种配准策略,利用中心投影原理将单站扫描的点云转换为深度影像,借助数字图像处理技术完成标靶的自动提取,拟合获得标靶中心点的坐标,并借用摄影测量学的知识实现点云的自动化配准。实验证明了本文方法的有效性。     

一种卫星遥感图像目标位置快速精校正的新方法

从遥感图像目标识别处理等应用特点出发,提出一种卫星图像目标位置精校正的新方法。直接在系统级几何校正的遥感图像上检测目标及其附近的地面控制点,然后进行异常控制点检测,最后利用正常控制点对目标地理位置实施精校正。同时提出一种基于局部区域最大团的异常控制点自动检测方法。实验结果表明,所述方法在保证目标定位精度的同时,可显著提高目标地理位置精校正的速度。     

视频测量影像序列椭圆形人工目标点快速识别和跟踪方法

针对视频测量建筑物健康监测获取海量影像序列数据快速、准确识别和跟踪目标点的需求,提出基于影像块技术的椭圆形目标点识别和跟踪完整算法。该算法采用影像分块技术降低数据处理量,实现椭圆形目标点跟踪,集成数学形态学和椭圆几何属性特征,消除图像块边缘检测的非椭圆边缘信息,实现椭圆轮廓的提取,并采用最小二乘法拟合椭圆中心实现亚像素定位,快速、准确地实现视频测量建筑物健康监测椭圆形目标点的识别与跟踪。试验结果表明该方法获取的椭圆中心点像素坐标的RMS残差优于0.025个像素,且相对于随机Hough变换和模板识别算法,跟踪效率提高5倍以上。     

张量分类算法的遥感影像目标探测

提出了一种基于张量学习机的遥感影像目标探测方法。该方法基于张量数据模型和张量代数运算, 针对遥感影像数据多维或高维的特点, 将基于向量的监督法学习机扩展为基于张量的监督法学习机, 然后利用凸函数最优化理论和交互投影迭代法求得张量学习机的最优解。最后分别以高光谱遥感影像和高分辨率遥感影像为例, 使用张量学习机进行目标探测。实验表明, 与支持向量机等方法相比, 本文的方法在保持较高探测成功率的同时更好的抑制了虚警。     

PCA、ICA和Gabor小波决策融合的SAR目标识别

提出了一种基于主成分分析(PCA)、独立分量分析(ICA)和Gabor小波决策融合的合成孔径雷达SAR(Synthetic Aperture Radar)图像目标识别方法。首先用PCA、ICA和Gabor小波变换分别对SAR目标图像提取特征向量,再用3个支持向量机分类器分别对3种方法提取得到的特征向量分类,通过基于等级的决策融合方法对3个支持向量机分类器的输出进行决策融合,得到最终类别决策结果。采用MSTAR数据库中3个目标进行识别实验,实验结果表明,PCA、ICA和Gabor小波决策融合后得到的识别率高于单独用其中任何一个特征得到的识别率。因此,该方法可提高目标的正确识别率,是一种有效的SAR图像目标识别方法。     

顾及大气延迟效应的YG-13A斜距标定

针对大气延迟时变误差影响遥感卫星十三号(YG-13A)斜距标定精度的问题,提出利用顾及大气延迟时变误差的斜距标定方法提高其斜距标定精度的策略。首先,利用基于NCEP气象资料和全球TEC数据的大气延迟改正方法来计算各标定景的大气延迟改正量。其次,将各标定景的大气延迟改正量代入斜距标定模型中。最后,在地面布设高精度角反射器控制点的情况下通过顾及大气延迟时变误差的斜距标定模型求解斜距测量系统误差,从而提高和验证斜距测量精度,角反射器控制点的平面和高程精度均优于0.1 m。利用嵩山遥感定标场地区的4组不同拍摄模式下获得的YG-13A卫星影像数据对比试验表明,相较于传统的斜距定标方法,在顾及大气延迟时变误差的情况下,4组数据的斜距改正值离散度均有所下降。利用太原、天津两个区域3景影像验证斜距改正后的精度,最小值为0.55 m,最大值为0.91 m,均值为0.70 m。试验结果证明了顾及大气延迟时变误差的斜距标定方法的有效性和可行性。     

单天线SAR运动舰船目标三维形状重构

基于单天线高分辨率机载SAR,研究了运动舰船目标三维形状重构问题。对运动舰船目标回波信号利用KEYSTONE变换和高阶相位拟合法完成距离徙动校正后,利用时频分析方法产生运动舰船目标二维图像序列,尝试着将因子分解法引入到SAR运动目标图像处理领域,通过因子分解法对二维图像序列进行处理,实现运动目标三维形状重构,最后给出了真实SAR数据的运动舰船目标三维重构结果,实验结果表明了该方法的有效性。     

基于自分类和颜色空间变换的遥感图像色彩校正方法

提出了一种基于遥感自动分类和lab 颜色空间变换的色彩校正方法, 并用此方法对不同时间的ETM遥感图像进行了多景色彩校正后的拼接实验。实验结果显示, 相对于重叠区域校正、直方图匹配等常规方法, 该方法能够很好地校正不同获取时间所导致的景间颜色、亮度差异, 提高遥感图像后续分类、变化检测的准确性以及多景遥感图像的拼接效果。     

深度学习的街景行道树自动识别提取研究

针对城市行道树调查中,街景影像背景环境复杂多变、行道树个体差异大,依靠目视判读费时费力的问题,该文基于车载移动测量系统采集的全景影像数据,利用深度学习算法,在快速区域卷积神经网络的目标检测方法基础上,建立适用于街景行道树检测的深度神经网络模型。模型采用基于共有显著性区域及冗余策略的行道树多示例目标候选区域选择方法,使用车载图像的几何约束进一步筛选合适的候选区域,从而实现行道树目标候选区域的统一选择,提升行道树目标的检测效果。实验结果表明,该文提出的方法能够实现多种行道树的准确自动识别与提取,进而大大降低行道树绿化调查的成本。     

基于暗原色先验的遥感影像去雾方法研究

目前,遥感影像应用的场景越来越多,但受到空气污染或气候等原因影响,局部地区雾霾现象严重,严重影响遥感影像质量。针对这一问题,本文结合遥感影像的特点提出了一种基于暗原色先验的遥感影像去雾方法。首先,结合遥感影像的特点,在求取暗通道过程中设置失效点,排除不符合暗原色先验的像素点;其次,根据获得的暗通道计算大气光值;然后,求取透射率图并用导向滤波精细化,根据大气传输模型求得去雾后的影像;最后,分别用无人机影像和Landsat卫星遥感影像进行去雾实验,验证了本文方法的有效性。     

中国区域DMSP-OLS与NPP-VIIRS夜间灯光影像校正

本文基于对传统不变目标区域校正法的改进,选择4期辐射定标参考影像对DMSP-OLS影像进行了饱和校正与时间序列连续性校正。通过阈值法去除了NPP-VIIRS影像的背景噪声及异常值,利用对数变换压缩了其灯光辐射值的动态范围,使其亮度分布更接近于DMSP-OLS数据。利用BiDoseResp函数模型对NPP-VIIRS影像进行了一致性校正,获得了1992-2019年长时间序列夜间灯光影像。从定性、定量及校正影像与社会经济参量的相关性方面对校正结果进行了精度验证。结果表明,改进后的校正方法改善了DMSP-OLS影像饱和严重的现象,使其获得了长时间序列纵向可比性。BiDoseResp函数模型可以很好地拟合DMSP-OLS和对数变换后的NPP-VIIRS之间的回归。校正后的长时间序列灯光影像数据与社会经济参量高度契合。校正结果对推广长时间序列夜间灯光影像的广泛应用、深化长时间序列科学问题的研究具有重要价值。     

陆地卫星MSS图像地表水域信息的机助识别提取

本文介绍了一种利用陆地卫星MSS图像进行水域信息机助识别提取的快速、经济而有效的方法。该方法以对水与非水信息的光谱特征,比值图像的数据结构特点和大气校正的研究与分析为基础。 研究表明,水与非水的主要差异集中于MSS4与MSS7波段,这两个波段的比值图像可在压抑阴影的同时将两图像的信息集中于一。根据对比值图像数据特点的分析,发现比值图像在作等比例拉伸并取整时所不可避免的信息损失主要集中在低值区,高值区则相对得到扩展增强。由于在MSS4/MSS7图像中,水的信息位于高值区,因此其水域识别能力优于MSS7/MSS4。但是,即使MSS4/MSS7图像也无法完全排除山区深阴影对水域识别的干扰。在进行MSS4/MSS7比值运算之前,首先对MSS4图像作粗略的大气校正,则可圆满地解决这一难题。在经大气校正后的MSS4/MSS7图像上,水体像元的值大于1,而深阴影及其它所有非水信息像元的值则小于1,因此,只要以此为门限值将图像二值化,即可获得精度很高的水域识别图像。完全消除阴影和其它因素的干扰。 本方法运算简单,处理速度为最小距离分类的3倍以上,且精度比分类方法高。它不仅适用于MSS图像,也适用于TM图像。采用本方法进行湖北省地表水域机助识别和面积测量的实际应用表明,在各种地貌类型区内本方法均能以较高的精度完成     

稀疏场景目标的距离像峰值聚类分割成像方法

针对海面舰船等具有一定空间稀疏性的合成孔径雷达成像场景,提出了一种稀疏场景目标的距离像峰值聚类分割成像方法。首先采用小波降噪算法对SAR原始回波数据进行预处理,通过距离压缩和距离徙动校正获得不同观测位置的距离像,利用基于二阶差分算子的快速峰值检测算法检测距离像峰值点,对峰值检测结果距离维聚类后方位向成像,实现了距离向能量区间稀疏目标的分割成像;对峰值检测结果距离-方位二维聚类后方位向成像,实现了距离向能量区间与方位向合成孔径时间无耦合稀疏目标的分割成像。仿真结果表明,对海面舰船等具有空间稀疏性的成像场景,所提方法能够实现目标的有效分割成像,不仅在完整保留目标回波信息的同时大幅度地降低了方位向压缩的运算量,而且分割成像结果更有利于目标的快速识别。     

Systematic Geometric Image Measurement Errors of Circular Object Targets: Mathematical Formulation and Correction

The use of circular object targets is very common in spatial photogrammetric object reconstruction. An object circle is projected on to the image plane as an ellipse if the object plane and the image plane are not parallel to each other. The image co-ordinates of the centre of the ellipse are usually determined automatically by means of digital image processing. These co-ordinates are then used as observations for a subsequent reconstruction of the three dimensional object point. The image co-ordinates of the centre of the ellipse and the true co-ordinates of the projected centre of the circular object target are not identical; thus eccentricity is caused, resulting in systematic geometric image measurement errors. This paper describes the functional context of this eccentricity for a typical target/camera set-up. The possible solutions for a correction of this systematic eccentricity error are derived. Guidelines for the correct combination of object target sizes and exposure distances, guaranteeing reliable image point measurements and accurate object point determination, are proposed.     

基于GMRF-SVM的高分辨率遥感影像目标区域划分方法

高分辨率遥感影像数据量大、细节丰富并呈现出一定的尺度依赖性,单一尺度遥感影像分割难以同时兼顾影像的宏观和微观特征,这成为制约遥感信息自动化提取技术发展的瓶颈之一。对此本文提出了基于特征的多尺度高分辨率遥感信息提取技术框架,并分析了其对于大尺度海量数据信息提取与目标识别工作具有的理论及实践意义。根据影像光谱或纹理等特征,提出采用GMRF-SVM方法在大尺度上进行分类的目标区域划分方法。从大尺度信息提取的角度来看,该方法综合了GMRF纹理分类和SVM少量样本模式识别的优势,便于先验知识的融合,无论从花费时间还是分类处理效果上,都远远优于直接采用GMRF进行分割所取得的效果,对于后面的信息提取和目标识别来说更具有实际意义。