基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。     

应急遥感快速制图技术研究

应急遥感快速制图是灾害发生初期应急决策和应急救援的重要支撑。为了解决现有遥感制图技术存在的时效性差、规范性低、内容针对性不强等问题,在快速制图应急预案的指导和保障下,分析了快速制图的需求、内容、制图流程等,优化了遥感数据快速处理算法,预制了标准化制图模板,并将专家知识归纳总结为计算机可识别的规则与指标。减灾业务应用实践表明,快速制图技术有效提高了制图效率和标准化水平。     

基于可编程GPU的遥感影像快速处理研究

自然灾害发生后,由于救灾的紧迫性,应急测绘保障要求我们第一时间提供处理后的灾区影像,但是现阶段我们仅能做到原始影像的快速获取,无法有效地快速处理遥感影像。本文研究了图形处理器(GPU)的并行可编程性和CUDA编程模型特征,通过对遥感影像正射纠正,快速傅里叶变换(FFT)和高斯差分算法的CUDA编程设计,在GPU上实现这三种算法的快速并行处理,并与CPU结果对比,证明GPU能够在数据精度和CPU保持一致的基础上大幅缩短遥感影像处理时间,加速比可以达到一个数量级。     

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。     

实景三维模型纹理的敏感目标自动识别与脱密方法

实景三维是国家新型基础设施的重要组成部分,在各行业具有广泛的应用。如何在安全的前提下促进三维数据最大程度的共享已成为实景三维应用的迫切需要。针对实景三维纹理中存在涉密敏感目标问题,传统依赖人工检索敏感目标并通过图像编辑工具处理的脱密方法效率低,本文提出一种结合深度学习的纹理影像敏感目标自动识别与脱密方法。首先通过秘密点POI检索包含秘密目标的三维模型及对应的纹理影像;然后基于YOLOv5s网络模型自动识别纹理影像中的敏感目标,并利用GrabCut有效提取目标;最后基于多尺度的Patch match对纹理影像块进行修复。试验表明,本文方法目标识别准确率为95.3%,与人工处理相比全流程用时缩短40%以上,有效提取并去除纹理影像中的敏感目标,实现了快速脱密,促进了实景三维模型数据的安全共享。     

基于众包的遥感灾害监测与评估模型

为了提高自然灾害应急响应的时效性,提出了一种基于众包(crowdsourcing)的遥感灾害监测与评估模型,重点研究了模型中基于动态投票一致性策略的灾害数据评估,并在模型的基础上设计实现了基于众包的遥感灾害监测与评估原型系统。研究表明:该模型能够汇聚和融合互联网亿万网民的知识参与,快速解译灾区高分辨率遥感影像,实现遥感影像数据的快速处理、海量灾害数据的高效采集和实时的灾害评估。     

一种结合非顶层特征图和自适应阈值的飞机目标检测算法

针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。     

一种高效的高分辨率遥感影像飞机目标检测方法

针对高分辨率遥感影像提出了一种基于神经网络的高效的机场和飞机目标检测方法,并制作了机场和飞机两类遥感影像数据集。首先对大幅遥感影像预处理,进行显著性检测和LSD(line segment detector)直线检测,通过对平行直线的筛选和聚类计算直线概率图,得到机场目标候选区域。然后,利用圆周频率滤波方法进一步提取出飞机的候选区域,最后利用深度学习模型定位飞机目标,实现了一体化的检测流程,检测准确率高达99%。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

基于全卷积网络的高分辨遥感影像目标检测

目标检测是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值。传统遥感影像目标检测方法多使用人工构造的浅层次特征,结合支持向量机、随机森林、Adaboost等分类器进行目标识别,难以充分挖掘和利用影像中的深层特征。近年来,深度学习,特别是卷积神经网络在图像认知方面取得了巨大成功。在目标检测领域,以Faster R-CNN算法为代表的方法取得了突破性进展,检测精度大幅提高,检测速度达到了近实时的性能。但是,Faster R-CNN算法由于使用了感兴趣区域（RoI）池化层,各个RoI计算不共享,因此检测速度依然有待提高。R-FCN基于全卷积网络结构,同时采用位置敏感池化来引入平移变化,抵消全卷积网络造成的平移不变形问题,检测精度和效率都有了很大的提高。本文阐述了R-FCN算法原理,并运用于高分辨遥感影像目标检测分析了不同参数和网络结构对R-FCN检测效果的影响,比较了利用Fast R-CNN、Faster R-CNN和R-FCN 3种算法进行飞机识别的性能。试验结果表明,利用R-FCN进行飞机识别定位可以达到99.3%的准确率和每张图180 ms的检测速度。     

空间信息技术用于汶川地震救灾

近年来重大自然灾害频发,给世界各国造成了重大经济损失和人员伤亡,空间信息技术在自然灾害救助中发挥越来越重要的作用."5·12"汶川地震灾害发生后.全国相关涉灾部门充分利用空间信息技术为汶川地震救灾提供科学有效的决策支持,在灾害应急响应中发挥了巨大的作用.从地震灾害快速响应的空间信息需求以及汶川地震救灾的空间信息技术支持2个角度,从高时空分辨率遥感数据获取、遥感数据快速处理、灾害信息变化检测与次生灾害监测等3个方面,分析了空间信息技术在救灾中具体发挥的作用.总结了空间信息技术辅助汶川地震救灾中的经验和教训,为今后空间信息如何更好地服务于自然灾害救助,提出了中国空间信息技术发展的思路与建议.     

基于MPI的高效半全局约束密集匹配方法

灾害现场的地形地物高效三维重建是快速获取灾情信息的关键技术之一,也是正射影像纠正的先决条件。无人机等低空轻型遥感系统能快速获取高分辨率和高重叠度影像,因此在灾害应急响应中被广泛关注。利用大范围低空影像进行灾害现场快速三维重建依赖于高效的密集匹配方法。文中提出一种基于MPI(Message Passing Interface)的高效半全局约束密集匹配方法,既克服传统的影像匹配方法难以充分利用影像重叠度高的困难,也能在短时间内快速处理大量影像获取灾害现场的三维信息,适应面向灾害应急响应的效率要求。     

航空遥感灾害应急区域协同优化研究

针对航空遥感在自然灾害应急工作中存在效率低和组织无序的问题,分析国内外航空遥感灾害应急的现状与具备条件,提出区域协同的航空遥感应急组织模式,即对灾害所在区域的航空遥感力量进行优化配置,最大限度缩短应急时间;并且在该模式下充分考虑应急响应时间、飞机性能、作业面积、遥感成像设备和数据处理能力等5个方面的影响因素,建立基于层次分析法的应急择优模型。研究表明,算例结果有效地验证了区域协同组织模式及择优模型在航空遥感应急工作中应用的可行性与高效性。     

一种飞机目标的遥感识别方法

高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。     

无人机在重大地质灾害应急调查中的应用

传统的地质灾害应急调查受限于地形、天气等外界条件,不能快速全面地获取灾害的详细信息,而无人机具有灵活性强、时效性高和不受复杂地形影响等特点,在地质灾害应急调查中有独特的优势。本文以“6·24”新磨村滑坡和“10·11”白格滑坡为例,阐述了无人机数据获取及处理流程,重点介绍了无人机获取的数字地形产品在地质灾害精确描述、定性及定量分析中的应用。结果表明：无人机摄影测量技术为重大地质灾害应急调查提供了更加科学高效的现场影像采集和遥感成果处理及应用方案,为应急救灾工作的顺利实施及分析研判提供了重要数据支撑,科学有效地保证了现场施工救援人员的安全。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

面向灾害遥感快速制图的关键技术

根据遥感专题制图过程中存在的问题和面向灾害应用时面临的困难,对面向灾害遥感快速制图的关键技术进行了研究。在建立基础制图数据库基础上,实现灾情专题信息与基础制图数据库快速关联与匹配,并进行灾情信息快速空间化表达,最终实现灾害遥感专题图的快速制作流程。在现有的遥感影像处理基础上,可以很好提高整个制图效率,满足遥感实用化过程...     

无人机航摄技术在四川省应急测绘保障中的应用研究

近年来,无人机低空摄影测量技术发展迅速,已广泛应用到多个领域,其灵活机动的特点使其在防灾减灾与应急处置中的应用优势尤其突出。本文结合无人机在四川省应急测绘保障中的应用,研究应急状态下无人机航摄流程及应急影像快速处理技术,并以芦山＂4·20＂强烈地震应急测绘保障和四川省2013年防汛救灾应急测绘保障为例,探讨无人机航摄技术在重大自然灾害抢险救灾、灾害损失评估及地质灾害防治等领域中的应用。     

基于软硬件一体化无人机遥感影像快速处理的技术研究

随着测绘科学技术和地理信息产业的发展,遥感影像信息快速处理的需求越来越大,其中无人机遥感技术日益成熟。为了进行无人机遥感影像数据实时接入快速处理与分析,针对无人机遥感影像信息快速处理关键技术,使用基于基准图快速匹配和逐行带并行空三的无人机数据快速处理系统。本文主要对无人机遥感影像处理系统的飞行平台、飞控系统、硬件设备以及灾害、测绘方面应用进行了探索性的技术研究。