天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法

云和雪的检测是卫星遥感影像处理过程中的一部分,也是对其进行后续分析和解译等应用的关键步骤。本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。采用ResNet50骨干网络,根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型,并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。通过天绘一号卫星云雪影像数据集对网络进行训练并测试,试验结果表明,本文方法与传统Otsu法相比,稳健性更强,在检测精度上优于FCN-8s与DeepLabV3+,速度上优于DeepLabV3+,能推广用于不同来源的遥感影像,具有较好的应用前景。     

国产高分辨率遥感卫星影像自动云检测

云检测一直是卫星影像处理的难题,特别是混有地物光谱特性的薄云长期成为影像产品生产的阻碍。本文所介绍的国产高分辨率遥感卫星影像自动云检测方法能够有效克服这一难题。首先采用改进的颜色转换模型,将影像由RGB转换至HIS颜色空间,利用影像强度信息与饱和度信息生成基底图,并使用影像近红外与色调信息对其进行优化,生成修正图。然后利用直方图均衡化与双边滤波结合带限定条件的Otsu阈值分割提取纹理信息,并对修正图进行误差剔除生成云种子图。最后以HIS颜色空间的强度信息为向导,结合云种子图进行云精确提取。与不同自动、人工交互式云检测方法相比,总体精度提高了10%左右,并且能够较好地提升云检测效率。     

一种高分辨率卫星影像自动云检测方法

针对多数已有的卫星影像云检测方法利用云独特的光谱特征、构造指数图像进行云识别的方法,对传感器、环境参数、云层类型等比较敏感的问题,提出了一种改进HIS模型的高分辨率卫星影像自动云检测方法,以有效弥补传统纹理分析方法计算精度低、效率低下的问题.采用两景国产高分二号遥感影像进行试验.结果 表明,该方法错误率低于5％、查全率高于92％、查准率高于95％.     

基于天气模型的国产卫星影像获取能力分析

为了提升遥感影像质量,增强国产卫星遥感数据的地理国情监测能力,采用基于云层因素的天气模型,分析了云覆盖对国产卫星遥感影像获取的影响.在具体研究过程中,选取湖北省境内近年的高分一号、高分二号和资源三号卫星影像资料,重点分析了云覆盖对卫星遥感影像获取的影响.研究结果表明,高分一号卫星受云覆盖的影响相对较小,高分二号和资源三...     

基于数字实验场的国产测绘卫星影像定位精度评估及优化

提出了一种基于数字实验场的国产测绘卫星影像定位精度评估及优化方法。该方法利用超高分辨率遥感卫星影像及其测绘产品,在境外等无地面控制区域建立可满足国产测绘卫星全球定位评估验证需求的数字化实验场;以实验场控制基准为基础,通过构建国产测绘卫星影像的几何定位模型和精度优化模型,实现国产测绘卫星影像的定位精度评估及优化。利用天绘一号、资源三号卫星影像数据进行了实验和分析,结果表明:该方法能够在无地面控制区域对国产测绘卫星影像定位精度进行有效评估;并通过对系统误差进行补偿,显著提升影像定位精度。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄，导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构，获取待测遥感影像云特征；然后采用超像素分割方法进行影像分割；最后将检测结果影像块拼接，完成整幅影像云检测。试验效果评价表明，基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制，云检测精度高，误判较少，适合国产高分辨遥感影像云检测。     

多尺度特征融合神经网络的地表覆盖提取

深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F₁均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F₁均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。     

神经网络支持下的Sentinel-2卫星影像自动云检测

为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题，提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型，自动提取高层次影像特征；再将影像特征输入分类器，实现遥感影像的像素级分类，从而分割出云覆盖矩阵；最后将云覆盖矩阵转化为云二值图，结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试，结果表明：该方法检测精度较高，速度较快，且无须辅助信息与人工干预，可用于Sentinel-2卫星影像不规则区域自动云检测。     

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。     

PARASOL/POLDER3卫星数据的海洋上空云检测

在卫星海洋遥感中,云作为海气耦合系统最重要的调节器之一,其检测结果对海洋上空云微物理特性的反演精度有较大影响。因此,快速而准确识别海洋上空的云像元是卫星遥感数据处理过程中首要解决的关键问题。以PARASOL (Polarization and Anisotropy of Reflectances for Atmospheric Sciences coupled with Observations from a Lidar)卫星搭载的POLDER3载荷遥感数据为研究对象,提出一种改进的海洋上空云检测方法。首先剔除海洋耀光;接着利用有云与晴空区近红外反射率差异检验识别有云像元,并利用偏振反射率检验进一步识别低反射率的云像元;然后利用近红外与可见光反射率比值检验识别晴空像元;最后建立多角度云检测结果空间融合规则,重新标记有云、晴空和未定像元。以印度洋海区为例进行实验分析,将云检测结果与Buriez方法进行对比,发现检测精度基本相当,而有云像元的识别速度却平均提高约3倍。结果表明:该方法能有效的检测出海洋上空的云像元,满足业务化数据处理的高精度及时效性要求,为后续云微物理特性反演提供可靠的数据源。     

国产高分辨率卫星影像云检测方法分析

云检测方法大都针对特定的传感器或依赖多个波段，对参数要求高，而国产高分辨率卫星影像通常包含波段数较少，多数云检测方法不适用。本文采用深度学习的方法，以融合后的高分一号影像为例，应用基于双重视觉注意机制模型进行云检测，并与人工采集、全卷积网络模型的检测结果进行对比。理论分析和研究结果表明：基于双重视觉注意机制的模型云检测结果与人工采集进行对比，正确率为0.986 4；通过增加云样本数量和非云样本数量可有效解决模型对道路、河流、居民地的误检测问题；基于双重视觉注意机制的模型与全卷积网络模型相比，云边界更为准确，模型适用性更强。利用较少的波段信息进行云检测为国产其他高分辨率卫星影像云检测提供了参考。     

基于多光谱分析的HJ-1B数据云检测算法

云检测是遥感数据预处理中的一个重要环节。本文通过分析云及典型地物光谱特性,结合HJ-1B传感器波段设置,提出了一种基于多光谱分析的云检测算法。该方法针对不同下垫面类型,选取合适的波段组合逐一建立云掩模。利用该算法对多幅影像进行去云处理,结果表明,该方法能够很好地检测出不同时期不同背景上空的云像元。     

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

针对高分辨率遥感影像云检测过程中合适的云检测光谱阈值难以确定及影像中类云地物对云检测精度影响的问题,提出一种基于对象光谱与纹理的高分辨率遥感影像云检测方法。首先,对影像进行直方图均衡化处理,根据均衡化影像直方图获得合适的影像云检测光谱阈值。其次,用简单线性迭代聚类算法对影像进行分割生成分割对象,以对象为处理单元,根据云检测光谱阈值和对象光谱属性对对象进行云检测过滤,获得初始云检结果。然后,求得直方图均衡化影像的纹理图,根据对象的纹理均值及角二阶矩对初始云检测结果提纯,消除类云地物对云检测精度的影响。最后对提纯云区域进行区域增长及膨胀处理,获得最终的影像云检测结果。定性对比试验和定量评价结果表明,本文方法可以获得良好的影像云检测结果。     

全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。     

基于动态阈值的HJ-1B图像云检测算法研究

针对环境与灾害监测预报小卫星星座1B星(HJ-1B)的传感器波段特征,通过对云检测阈值的年度波动性分析,提出了一种基于波谱标准差异常的“动态阈值云检测算法”.该算法的实现主要是采用图像配准、波段运算、线性回归和误差分析等方法,获取云异常区域,进而剔除图像中的云像元.研究结果表明,该算法可以很好地检测出不同时相、不同类型下垫面上空的云像元,为有效利用HJ-1B数据并提高其图像分类精度发挥作用.     

一种局部稀疏地面点云与已有DEM的融合方法

机载LiDAR采集的点云数据中会存在一些局部区域地面点稀疏的情况，利用这些稀疏地面点构建DEM时会出现“三角面片化”的问题，严重影响DEM的质量。为此，本文提出了一种局部稀疏地面点云与已有DEM的融合方法：将稀疏点云作为高精度控制点，在尽量保持原始DEM的地形形态特征的前提下，通过高斯核函数加权迭代插值算法对DEM进行高程局部改正，实现稀疏点云与DEM的一致性融合。试验分析表明，融合后的点云数据得到了较好的补充，由此构建的DEM地形形态自然，在精度上相对于融合前的稀疏地面点云有一定改善，在弱精度区域的可靠性有显著提升。     

改进注意力机制的遥感地貌识别算法

对遥感地貌进行识别，近年来一直是遥感图像应用领域的研究热点。使用深度学习算法识别遥感影像具有比传统方法更高的准确率和稳健性。针对遥感影像中目标复杂度高、特征信息多等问题，本文提出了一种基于改进注意力机制的遥感图像识别算法，即将并联注意力机制（CS）和神经网络模型相结合，借助弱监督学习来辅助训练。同时采用双损失函数来缓解数据过拟合问题。试验结果表明，本文模型总精度为98.35%，Kappa系数达0.95，优于其他深度学习算法，能有效地识别出自然地貌。