傅里叶频率域上遥感影像的遗传优化增强

提出一种结合傅里叶变换及遗传算法的遥感影像增强方法,通过设计的适应度函数驱动自适应遗传进化。定义适用于傅里叶频率域的条带对比度,再借助遗传优化的增强参数,实现在频率域增强遥感影像的目的。将其与空间域增强方法、频率域增强方法、模糊域增强方法进行对比试验。试验结果表明,该方法在保持原始影像色调的基础上,能提高影像的反差、清晰度、信息熵等,同时可改善影像的视觉效果,有利于后续处理及模式识别。     

DCT域遥感影像融合算法

提出一种基于离散余弦变换(Discrete Cosine Transform,DCT)与IHS变换的多光谱与全色遥感影像融合方法及其改进算法。本文方法依据DCT系数的特点在DCT域进行遥感影像融合,适合压缩格式的遥感影像快速融合。目视效果与客观评价表明,相比常用遥感影像融合方法,本文方法能在提高空间分辨率与保持光谱特性之间得到更好的折衷。     

遥感影像遗传算法增强处理

遗传算法作为一种智能优化算法,已广泛应用于许多学科及工程领域。提出利用遗传算法对遥感影像增强进行空域操作,设计中构造了一种简单且规一化亮度变换函数,并设计遗传算法实现影像的自适应增强。实验结果表明,该算法处理后质量比传统算法要好。     

遥感影像遗传算法增强处理

遗传算法作为一种智能优化算法,已广泛应用许多学科及工程领域.本文提出了利用遗传算法对遥感影像增强进行空域操作,设计中构造了一种简单且规一化亮度变换函数,并设计遗传算法实现影像的自适应增强.实验结果表明,该算法处理后质量比传统算法要好.     

基于遗传优化的海岛礁彩色影像增强方法

针对海岛礁彩色遥感影像内容单一、色彩不鲜明、反差低的问题,将模糊增强技术与遗传优化策略应用到海岛礁遥感影像增强处理中,提出了一种无人工干预、无先验知识依赖、具有理论最佳色彩的海岛礁遥感影像增强方法。实验结果表明,该方法不但提高了海岛礁彩色遥感影像的视觉效果与质量测度,还保持了影像的色彩信息。     

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。     

一种薄云影响下的遥感影像匀光算法

如何解决遥感影像的薄云遮挡,是获取高质量的光学遥感影像的一个技术问题。针对单幅光学遥感影像内部所产生的色彩不均匀现象,分析了薄云影响下的遥感影像成像机理及影像特点,提出了基于HSV变换和小波域增强的薄云影像匀光算法。用两颗不同的卫星遥感影像数据进行了实验和分析,并与两种传统匀光算法进行比较,证明该算法能有效去除光学遥感影像中薄云的影响,并改善影像质量,匀光效果优于传统算法。     

彩色遥感影像色彩保持直接线性增强方法

将适用于全色遥感影像的线性增强技术直接应用到海岛礁彩色遥感影像增强处理中,实现了一种高速地具有色彩保持特性的海岛礁彩色遥感影像增强方法。将其与传统直方图方法、基于直方图的色调不变增强方法进行了对比实验,实验结果表明该方法不但有效改善了海岛礁彩色遥感影像视觉质量,还保持了海岛礁彩色遥感影像的色彩信息。此方法处理的海岛礁彩色遥感影像具有视觉效果好、色彩鲜明等特点,更有利于其后续处理。     

省域卫星遥感影像预处理方法研究

立足于某省域范围内高分辨率卫星遥感影像制作过程,提出了一套针对卫星遥感影像预处理方案,目的在于解决不同条带、不同时相卫星遥感影像在省域范围内基础数据生产中的匀光、匀色、雾气去除和噪声消除等问题,提高影像数据质量,为影像后期制图和数据深层次应用提供技术支撑。     

改进的暗原色卫星遥感影像去雾技术研究

受亚热带季风气候的影响,获取的福建省区域卫星遥感影像产品可能会出现云层或雾气覆盖遮挡的现象。提出了一种基于暗原色的卫星遥感影像增强处理技术。通过该技术可去除影像上的薄云或薄雾,以增强云雾遮挡部分的地物信息,提高卫星遥感影像的地物辨识能力。     

改进的自适应遗传算法在图像模糊增强中的应用

本文在图像增强中应用了模糊集理论,实现了以空间域—模糊域—空间域为主要过程的的图像模糊增强。首先通过Fibonacci数列对遗传算法做了自适应改进,而后以改进的适应度函数为惟一内在驱动力,利用遗传算法对模糊参数进行了自动选择,最后与传统的线性增强、直方图均衡进行了对比实验。实验结果表明该方法能改善原图像视觉效果,便于后续的图像分析。     

非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强

针对部分遥感图像整体亮度偏暗、对比度较低的特点,为提高遥感图像的视觉效果和可解译性,提出了一种基于非下采样Shearlet变换(non-subsampled shearlet transform, NSST)和参数化对数图像处理(parameterized logarithmic image processing, PLIP)模型的遥感图像增强方法。首先,遥感图像经非下采样Shearlet变换分解成低频分量和高频分量;然后依据PLIP模型对其低频分量进行增强,提高图像的对比度;同时利用改进的模糊增强方法对高频分量进行增强,突显边缘细节信息。大量试验结果表明,与双向直方图均衡增强、基于平稳小波变换的增强、基于非下采样Contourlet变换的增强等5种图像增强方法相比,本文提出的方法在主观视觉效果和对比度、清晰度等客观定量评价指标两个方面均有优势,能更有效地提高遥感图像的对比度、增强边缘纹理细节信息,视觉效果更佳。     

一种基于伪随机序列和DCT的遥感影像水印算法

首先,对原始影像进行分块,通过伪随机序列选择要嵌入的影像块;然后,采用量化的方法在每一块的DCT低频系数中嵌入水印信息;最后,通过精度约束,对嵌入水印信息后的遥感影像进行误差控制。由于采用了量化的方法嵌入水印信息,其提取过程不需要原始影像的参与,实现了盲检测。实验结果表明,该算法在满足水印算法鲁棒性的同时,也能达到对遥感影像近乎零修改的目标。     

基于混沌遗传算法的遥感影像分类

为提高遥感影像分类精度,本文提出基于混沌遗传算法(Chaos Genetic Algorithm)的遥感影像分类方法.首先应用混沌遗传算法对样本进行自学习得到全局最优的聚类中心,然后通过得到的聚类中心对整幅影像进行分类.该方法利用混沌变量的遍历性,进行粗粒搜索,优化遗传算法的初始种群,从而提高收敛速度;对经过选择算子、...     

粒子群优化算法在遥感影像增强中的应用

遥感影像的复杂性给影像增强处理带来了困难。非完全Beta函数增强方法具有理想的增强效果,但是,其参数的合理选取是算法的关键与难点。粒子群优化算法(PSO)是基于鸟群群体智能的新型进化计算技术,具有自适应、自组织等智能特性,具有强大的寻找最优解的能力。这里将PSO用于Beta函数参数的自适应选取,实现了基于PSO的非完全Beta函数增强方法,并通过航空和卫星遥感影像的增强实验,验证了该方法的有效性。     

轨迹延续性与影像特征相似性结合的城市道路提取

城市道路区域检测是城市土地管理、交通规划等领域的迫切需求,而传统城市道路区域检测多使用轨迹提取、遥感解译、人工采集等单独方式,在自动化程度或提取质量上存在一定的局限性。本文结合GNSS轨迹点与高分遥感影像各自的数据优势,提出一种基于轨迹延续性与影像特征相似性的遥感影像道路区域检测方法。该方法以出租车GNSS轨迹点构建轨迹特征栅格,基于轨迹延续性在平均方向特征栅格中划分路段对象,利用道路对象的光谱特征向轨迹无法覆盖的小区内部进行拓展,以获得提取区域内较为完整的道路信息。试验证明：本文方法可以有效降低道路的同物异谱现象及阴影、树木遮挡的影响,高效地提取高分遥感影像中的道路区域。与传统的遥感影像分类方法相比,具有更高的精度与自动化程度,相较于深度学习模型具有更广的适应性。     

基于对比度增强和形态学的遥感影像道路提取

提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。     

集成改进Mean Shift和区域合并两种算法的图像分割

Mean Shift算法分割图像时,带宽的大小直接影响分割效果。带宽分为空间带宽和值域带宽。本文根据待分割遥感图像的空间分辨率参考选定空间带宽,基于渐近积分均方差最小原则计算每一波段值域带宽;针对MS算法分割图像时存在过分割问题,提出基于区域面积加权的区域相似度准则和基于区域熵的合并停止准则来合并分割后区域。MATLAB软件3组实验结果表明:本文方法相比EDISON软件能得到更好的分割效果,且能在一定程度上提高遥感影像分割的自动化。     

影像增强对 ISODATA 遥感影像分类结果的影响

ISODATA算法是遥感影像非监督分类的典型算法之一。在进行非监督分类前,需要对遥感影像进行必要的处理,影像增强就是其中最为重要的步骤之一。本文通过对ISODATA算法和影像增强算法的阐述,分析了影像增强算法与非监督分类结合的方式和局限性。并通过实验分析了常用影像增强算法对非监督分类结果的影响,科学合理的选择适当的影像增强算法来提高非监督分类的可靠性。