重复轨道SIR-C极化干涉SAR数据植被覆盖区土壤水分反演研究

从理论和试验方面对图像的噪声评估方法进行了分析。结合北京1号小卫星特性, 进行了该类方法应用效能的评价, 讨论了分块评估噪声方法的最佳参数设置。选取满足噪声评估环境的图像, 实现了综合不同地表覆盖条件的北京1号小卫星图像噪声的评估。噪声评估结果与在轨测试情况的对比表明, 北京1号小卫星经过近3年的运行, 仍保持了较好的性能。     

北京1号小卫星图像噪声评估

从理论和试验方面对图像的噪声评估方法进行了分析。结合北京1号小卫星特性, 进行了该类方法应用效能的评价, 讨论了分块评估噪声方法的最佳参数设置。选取满足噪声评估环境的图像, 实现了综合不同地表覆盖条件的北京1号小卫星图像噪声的评估。噪声评估结果与在轨测试情况的对比表明, 北京1号小卫星经过近3年的运行, 仍保持了较好的性能。     

北京1号小卫星遥感器性能在轨测试

北京1号小卫星是中国第一颗实用型对地观测微小卫星,也是"国际灾难监测星座(DMC)"的第五颗星,该卫星于2005年10月27日在俄罗斯发射成功,设计寿命5年.在北京1号小卫星发射成功后,中英双方开始对卫星进行在轨测控和调试.在分析光学遥感器成像模型基础上,参考国际典型卫星在轨测试内容和北京1号卫星的特点,提出了北京1号小卫星在轨测试的内容、指标体系和技术方法,全面评价了北京1号小卫星的辐射性能、几何性能、光谱性能和图像综合质量,评价结果表明北京1号小卫星具有良好的性能.     

植被指数在“北京一号”数据耕地提取中的应用研究

本文旨在研究探讨适合我国最新发射的高性能对地观测"北京一号"小卫星影像中耕地提取方法。通过分析"北京一号"小卫星数据的波段特征,以山东曲阜多光谱图像为试验数据,计算典型的6种植被指数,在Erdas中建立模型,进行了耕地提取试验,并以灰度图像融合数据人工判读的结果作为参考数据,进行了精度评定。将适合"北京一号"小卫星数据的最佳植被指数提取模型应用于整个山东省的耕地提取中,得到修正植被指数提取模型,从而在"北京一号"小卫星数据耕地提取应用领域做了有效尝试。     

DMC遥感小卫星数据预处理方法分析

DMC遥感小卫星1G级数据产品虽然经过了波段配准、辐射校正和系统几何校正处理,但尚不能作为海啸灾害解译和评估的基础图像。为了满足图像解译和目标几何量测的要求,研究DMC小卫星数据产品中噪声、拼接缝以及色调不均匀去除的方法,以提高DMC小卫星图像质量。通过对其形成原因和特性进行分析,提出了消除噪声、拼接缝和几何精校正,以及制作色调一致的真彩色三维影像图的技术方法,并给出了具体示例。     

结合分形理论和自适应图像块划分的遥感图像噪声估计

针对场景复杂的光学遥感图像中加性噪声估计问题,提出了一种结合分形理论和自适应图像块划分的噪声估计方法。区别于传统的基于规则图像块划分的噪声估计方法,本文提出了一种自适应于图像局部信息的图像块划分算法,更大程度地保证了自适应图像块内部的平滑性。结合基于分形理论的图像低粗糙度纹理区域选取和基于统计分析的图像噪声标准差计算,实现了光学遥感图像加性噪声强度的自动估计。利用资源三号卫星图像进行定量试验分析,试验结果表明本文方法可以有效地适用于不同复杂程度、不同噪声强度的光学遥感图像。同时,本文中低粗糙度纹理区域选取和自适应图像块划分的方法经过改进后,还可以应用于雷达图像中乘性噪声的估计。     

北京一号小卫星多光谱图像波段配准和图像变形评价

北京一号小卫星是中国和英国联合研制的一颗实用型、对地观测微小卫星，星上携带中分辨率32m多光谱（近红外、红和绿波段）和4m全色两种有效载荷。为了提高多光谱图像的宽度和时间分辨率，北京一号小卫星的每个多光谱波段都是由两个相机独立成像然后拼接而成。由于这种成像方式很难保证6个相机的主光轴平行，导致图像配准精度较低。针对北京一号小卫星的这种成像特点，本文在图像灰度交叉相关匹配的基础上，发展了一种高精度波段配准算法来评价北京一号小卫星的波段配准精度，并在波段配准的基础上，评价北京一号小卫星多光谱图像的变形一致性。     

北京1号小卫星多光谱影像全国镶嵌技术与制图研究

北京1号小卫星在轨运行一年多成功接收了覆盖中国各个行政区域的多光谱影像数据,为全国数字镶嵌图的研究提供了丰富的数据资料.针对北京1号小卫星特点进行关键技术和方法研究,形成了北京1号小卫星多光谱影像全国范围数据获取任务测控优化模式,解决了北京1号小卫星多光谱数据预处理中去条带、波段自动配准、MTF复原处理等关键技术,系统地、全面地阐述了全国镶嵌图制作的技术流程和方法.     

对地观测小卫星的相位噪声分析与控制

结合传输型对地观测小卫星一体化设计的特点，介绍了一种用于对地观测小卫星系统的锁相接收机的-构成及原理，并对系统的相位噪声性能进行了详尽的分析，提出了对其相位噪声进行技术控制的方法。通过文中的分析与研究，消除了由于对地观测小卫星相位噪声所引起的系统误码率的恶化，提高了系统的可靠性，为下一步对地观测小卫星的发展与应用打下了良好的技术基础。     

空间与光谱维度的高光谱图像噪声估计

高光谱图像能够获取地物精细的光谱诊断特征,但受限于多谱段分光的成像机制,图像各个谱段上光成像的能量不足,信噪比难以提升。高光谱图像噪声类型与强度的准确估计,是提升高光谱图像去噪性能的关键,也是优化其成像系统设计的重要依据。现有高光谱图像噪声估计算法通常将不同类型的图像噪声作为一个整体,并未充分考虑不同类型噪声的区别。本文从高光谱图像获取的机理出发,提出了一种联合空间与光谱维度分析的高光谱图像噪声估计方法。首先,建立了高光谱图像噪声退化模型,将图像中的主要噪声定义为两类:条带与高斯噪声。然后,基于条带噪声在空间维度上独特的频率特性,提出了基于傅里叶变换与局部均值滤波的条带噪声估计方法。最后,基于在光谱维度上高光谱图像相邻波段间的高相关性,通过多元回归分析估计高斯噪声的均值与标准差。本文在模拟高光谱噪声数据上进行算法验证的同时,深入分析了高分五号短波红外高光谱相机、机载Nano-Hyperspec成像仪等国内外成像仪获取的真实高光谱数据。实验结果表明,本文提出的噪声估计方法能够有效的估计出高光谱图像不同谱段条带与高斯噪声的量化指标。实验结果可用于分析高光谱图像在不同传感器与不同成像场景下的退化原因,从而设计更优的图像去噪方法与成像系统。     

改进的P-SVM支持向量机与遥感数据分类

本文介绍了将P-SVM算法引入多光谱/高分辨率遥感数据的分类, 并且展示了卫星ASTER和航空ADS40数字影像分类的技术过程和结果验证。结果表明：P-SVM方法的分类精度不低于SVM, 并减少了时耗。     

基于PCM改进算法的遥感混合像元模拟分析

混合像元的存在是影响遥感图像分类精度的主要原因,模糊分类是进行混合像元分解的重要方法,其效果的好坏取决于各像元分类后对各类别的隶属度值能否准确地反映像元的类别组成。当非监督分类中的聚类数目与实际类别数目不符,或者监督分类中训练样本存在未训练类别时,常用的模糊c-均值(FCM)方法的效果将大大降低,而可能性c-均值(PCM)方法则可以解决这个问题。该文提出了基于PCM算法的遥感图像混合像元分解方法,并用监督分类方法实例说明PCM方法的优越性。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

多源遥感影像像素级融合分类与决策级分类融合法的研究

首先探讨了基于像素的多源遥感影像高频调制融合法，根据成像系统特性和Heisenberg测不准原理，设计的高斯滤波器对高分辨率影像滤波的方法是合理有效的。在研究BP神经网络的基础上，采用动量法和学习率自适应调整的策略，提高了BP神经网络学习算法收敛速度，并增强了算法的可靠性。提出并实现了多源遥感影像像素级融合分类与决策级分类融合两种分类方法，并进行了比较。采用Landsat TM3，4，5和航空SAR影像进行试验，结果表明两种分类方法是行之有效的，均适用于多源遥感影像分类。     

Impact of discretization methods on the rough set-based classification of remotely sensed images

Abstract

In recent years, the rough set (RS) method has been in common use for remote-sensing classification, which provides one of the techniques of information extraction for Digital Earth. The discretization of remotely sensed data is an important data preprocessing approach in classical RS-based remote-sensing classification. Appropriate discretization methods can improve the adaptability of the classification rules and increase the accuracy of the remote-sensing classification. To assess the performance of discretization methods this article adopts three indicators, which are the compression capability indicator (CCI), consistency indicator (CI), and number of the cut points (NCP). An appropriate discretization method for the RS-based classification of a given remotely sensed image can be found by comparing the values of the three indicators and the classification accuracies of the discretized remotely sensed images obtained with the different discretization methods. To investigate the effectiveness of our method, this article applies three discretization methods of the Entropy/MDL, Naive, and SemiNaive to a TM image and three indicators for these discretization methods are then calculated. After comparing the three indicators and the classification accuracies of the discretized remotely sensed images, it has been found that the SemiNaive method significantly reduces large quantities of data and also keeps satisfactory classification accuracy.     

AN IMPROVED ALGORITHM FOR SUPERVISED FUZZY C-MEANS CLUSTERING OF REMOTELY SENSED DATA

l IntroductionClassification pIays an imPOrtant role for rernotelysensed data tO be intngrated into gapraphical infOr-mation systems(GISs), and is increasingly comPut-eriZed with soPhisticated hardware and software(Cambell l987; Lillesand and Kiefer l994). Pnd-ucts Of classification are usua[ly represented in formof contiguous patches of pixels,with each being la-belled as belonging to a discrete and dominantclass. Such tyPe of classification is termed as crispor discrete. The accuracie…     

An improved algorithm for supervised fuzzyC-means clustering of remotely sensed data

This paper describes an improved algorithm for fuzzyc-means clustering of remotely sensed data, by which the degree of fuzziness of the resultant classification is decreased as comparing with that by a conventional algorithm: that is, the classification accuracy is increased. This is achieved by incorporating covariance matrices at the level of individual classes rather than assuming a global one. Empirical results from a fuzzy classification of an Edinburgh suburban land cover confirmed the improved performance of the new algorithm for fuzzyc-means clustering, in particular when fuzziness is also accommodated in the assumed reference data.     

Applications of remote sensing and geographic information systems for urban land-cover change studies in Mongolia

The aim of this study is to compare the changes that occurred in the main urban land-cover classes of Ulaanbaatar city, Mongolia, during a centralized economy with those that occurred during a market economy and to describe the socio-economic reasons for the changes. For this purpose, multi-temporal remote sensing and geographical information system (GIS) data sets, as well as census data, are used. To extract the reliable urban land-cover information from the selected remotely sensed data sets, a refined parametric classification algorithm that uses spatial thresholds defined from local and contextual knowledge is constructed. Before applying the classification decision rule, some image fusion techniques are applied to the selected remotely sensed data sets to define the most efficient fusion method for training sample selection and for defining local and contextual knowledge. Overall, the study indicates that during the centralized economy significant changes occurred in a ger area of the city, whereas during the market economy the changes occurred in all areas.     

基于集群的影像并行OPTA算法研究

并行计算是提高海量遥感影像细化处理速度的有效途径.基于对OPTA细化算法的分析,深入研究OPTA细化并行算法中数据划分和数据通信优化等关键问题,提出一种适合集群并行处理的通信优化并行算法,实验证明该算法具有良好的加速比,适合集群计算环境下海量遥感影像的细化处理.     

自组织网络在遥感土地覆盖分类中应用研究

设计完成和比较了自组织网络的几种算法在遥感土地覆盖分类中的应用,结果表明非监督和监督学习结合方法进行遥感土地覆盖分类,各算法在分类性能上无显著差异,因此可采用算法和较简单的单竞争学习网络,根据最邻近原则进行非参数分类。