深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

生成式知识迁移的SAR舰船检测

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。     

基于卷积神经网络和无人机倾斜摄影图像的单个高层建筑物高度测算方法

为了提升单个高层建筑物高度测算效果,本文提出了基于卷积神经网络的无人机倾斜摄影图像的单个高层建筑物高度测算方法。首先,采用无人机倾斜摄影技术采集高层建筑物图像;然后,在卷积神经网络中输入高层建筑物图像,对其展开增强处理,提高图像的清晰度;最后,通过波段转换指数和阴影指数计算阴影长度,以此为依据测算单个高层建筑物的高度。试验结果表明,本文方法的图像增强处理效果较好、高度测算精度和效率较好。     

改进的ELU卷积神经网络在SAR图像舰船检测中的应用

随着航天技术的发展,我国SAR载荷的探测体系呈现多种类、多分辨率的发展趋势。传统的检测识别方法很难适应多分辨率、多种类的SAR图像数据,从而需要寻求一种能从多分辨率的图像数据中提取有效特征的方法。智能化发展非常迅速,本文基于SAR图像的特点,提出了改进的ELU激活函数卷积神经网络的方法,建立了结合ELU激活函数和二次代价函数的深度学习模型。同时,在训练样本中建立样本特征与所在分类中心的距离函数,用模糊支持向量机（FSVM）对提取的特征进行了分类。试验结果表明,本文方法提高了SAR图像舰船检测的抗噪性,并且检测率达到了98.6%。     

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。     

改进球形张量投票的SAR图像边缘提取

张量投票方法根据平滑度、邻近度及连续性原则收集邻域内其他点的张量信息,从而提取各种几何结构,对噪声数据具有较强的稳健性。通过分析球形张量投票结果,本文提出了一种基于迭代球形张量投票的SAR图像边缘提取方法。该方法根据一定的尺度范围对图像进行迭代球形张量投票,迭代过程中利用广义非线性增强函数对像素的特征值进行增强处理,进而提高目标边缘提取的精度。利用真实的SAR图像进行对比试验,结果表明本文方法能够获得较好的边缘提取效果,提取的边缘定位准确、完整。     

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。     

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。     

利用卷积自编码器重建含噪重力数据

卷积自编码器融合了适于处理相同维度数据映射的自编码器神经网络,以及近年来在图像处理领域取得广泛应用的卷积神经网络。基于深度学习处理重力观测数据图像, 利用卷积自编码器从含噪声的重力图像中重建重力观测图像。首先,随机建模生成大量不同参数的重力异常体,正演其重力异常, 将加入噪声的重力异常和原始重力异常分别作为卷积自编码器的输入和输出进行训练;然后,模拟数据测试表明训练得到的神经网络重建效果良好;最后,用Kauring实验场实测重力数据测试该神经网络的泛化性能,并与快速傅里叶变换(fast Fourier transform,FFT)滤波、db小波(Daubechies wavelet)滤波方法进行了比较。结果表明,训练好的卷积自编码器重建实测重力数据的平均误差小于FFT滤波方法及db小波滤波,且能避免重力异常特征过度滤波而消失,受噪声干扰小于db小波滤波,综合效果理想。     

超轻量网络的SAR图像舰船目标在轨提取

为了解决遥感卫星信息获取实效性差,严重依赖数据传输通信带宽,难以满足卫星在轨实时提取感兴趣目标需求等问题,本文设计了一种以全局统计为基础的高效舰船目标检测算法和超轻量化疑似目标真伪鉴别网络,实现舰船目标快速提取。采用传统图像处理方法快速检测目标,获取疑似目标切片,大幅降低数据量,采用自主设计改进的基于深度学习的超轻量鉴别网络实现疑似目标二次筛查,进一步提升目标提取精度。在算法模型实时实现过程中,合理优化算法流程和计算方法,建立计算精度误差分析模型,使得算法实时处理的精度、速度、硬件规模以及热耗等方面达到良好平衡。利用GF-3卫星数据对算法进行测试,试验表明该方法对复杂海洋背景环境、斑点噪声高、信噪比低的SAR遥感图像,舰船目标提取的准确性提升20%,达到98%,计算量降低90%,实时性提升50%。该方法兼顾了算法的有效性及在轨实时处理的可行性,可以在当前的星载嵌入式电路中实现并将在某新体制雷达试验卫星上在轨应用,具有良好的应用前景。     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。     

基于VGG19卷积神经网络和迁移学习的水稻病害图像分类方法

本文在原有VGG19卷积神经网络的基础上,提出了一种基于迁移学习模型参数的水稻病害图像分类方法。该方法利用ImageNet数据集预训练生成的VGG19卷积神经网络,通过将网络相关参数迁移和调整的方式构建水稻病害图像分类的技术流程。通过对图像的预处理扩充样本数据,针对病害特征利用训练集调整训练参数,并利用验证集进行性能实测优化分类模型,实现水稻病害图像的快速识别分类,最后利用测试集评价分类精度。测试结果表明,该方法能够很好实现水稻病害图像的分类,分类精度达到99%以上。     

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。     

一种多极化SAR图像融合方法研究

本文针对多极化SAR图像的融合问题,提出了一种基于非下采样Contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合方法。此方法用NSCT对已配准的多极化SAR图像进行分解,得到低频子带系数和各带通子带系数;采用简化的PCNN模型分别对低频子带和高频子带系数进行智能决策,并进行NSCT逆变换得到融合图像。经实验表明该方法能够最大程度地保留原始极化SAR图像的信息,融合效果好于基于单个像素和局部特征的融合方法。     

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。     

单样本对卷积神经网络遥感图像时空融合

遥感图像时空融合是一种生成兼具高时空分辨率的合成遥感数据的技术。近年来,产生了一些基于卷积神经网络的时空融合方法。这些方法效果良好,但需要较多的图像样本对训练模型,限制了它们的应用。针对此问题,本文提出了一种单样本对卷积神经网络时空融合方法（SS-CNN）。该方法以高空间分辨率图像的波段平均图像提供的空间信息激励卷积神经网络建立高、低空间分辨率图像间的超分关系,进而利用该超分关系映射求解目标高空间分辨率图像。在实验中使用两个模拟数据集和一个真实数据集对该方法进行了测试,并与两种常用的时空融合方法做了比较。实验结果表明,SS-CNN在单样本对训练的情况下,可以较好地预测地物的物候变化和类型的变化,且在异质性高、地块破碎的区域表现良好。其不足之处在于会在地物边界上会造成轻微的模糊,将来需针对此问题做进一步改进。     

采用散射特征相似性的极化SAR图像相干斑抑制

极化合成孔径雷达(SAR)图像的相干斑严重影响图像信息的有效提取,为此提出一种基于极化散射特性的相干斑抑制方法。该方法结合SAR图像的冗余信息及其散射特性的相似性,利用Wishart分布对SAR数据的相似性进行度量,然后依据相似性计算权重对协方差矩阵进行加权平均,实现对极化SAR图像的相干斑抑制。本文方法对协方差矩阵的各元素单独处理,因此在极化信息的保留方面尤具优势。通过真实SAR数据的实验表明,该方法与现有极化白化滤波(PWF)和极化Lee滤波相比,具有更好的相干斑抑制能力和细节的保持能力。     

基于Grab Cut和二维熵的SAR图像目标分割方法

传统的Grab cut算法需要人工交互操作,无法实现SAR图像的自动分割;且SAR图像的斑点噪声干扰容易降低图像的分割质量。针对以上问题,文中以Grab Cut图像分割算法为基础,首先利用FCM算法对SAR图像进行预分割,根据预分割结果标记SAR图像中的前景与背景集合,得到两组较为准确的GMM初始化参数,迭代求得能量函数的最小化,实现SAR图像前景区域与背景区域的自动分割;并结合二维熵算法滤除SAR图像中的阴影,分割出目标区域。实验表明,利用该方法可自动分割出SAR图像中的目标,且分割质量良好。     

基于DEM和查找表的高分辨率机载SAR图像正射校正

山区SAR图像的正射校正受成像几何影响存在较大畸变,实现无控制点的正射校正是一难点。本文提出基于DEM和RD模型来模拟SAR图像为基础,同时创建与DEM的地理坐标相一致的查找表,将模拟成像过程中DEM地理坐标与SAR图像坐标之间的RD模型映射关系采用查找表记录。经过模拟图像与真实图像的精确配准,DEM所在的空间三维坐标与真实SAR图像二维坐标实现了关联。实验选择了一景高分辨率的机载SAR图像和高分辨率的DEM数据,实验结果表明：本方法无需地面实测控制点,可以有效地正射校正高分辨率的机载SAR图像,平面位置与DEM平面坐标完全一致,精度在一个像素以内。该方法简单易于实现,除了模拟图像与真实图像需要人工半自动化的配准,在后续处理中均为自动化处理。校正结果受SAR成像特征所限,仅在透视收缩、叠掩区域存在辐射误差。     

混合智能优化算法的SAR图像特征选择

为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。