混合稀疏表示模型的超分辨率重建

超分辨率重建是当前卫星遥感数据空间分辨率提升的重要技术，但目前现有的超分辨率重建方法在处理具有复杂地物特征的影像时效果往往不佳。当遥感影像中包含有各种非均匀地物信息时，难以构建一种通用的模型来解决遥感影像的病态问题。基于此，本文结合图像稀疏表达与非凸高阶全变分理论，提出了一种混合稀疏表示模型的新型超分辨率重建方法（MSR-SRR）。这种方法以遥感图像在多重变换域的稀疏性表达作为先验概率模型，通过正则化方法来完成超分辨率重构，不仅保留了超分重建结果影像的边缘信息，而且对影像中产生的“阶梯效应”进行了适当的平滑处理。该方法利用迭代重加权l1交替方向乘子方法进行求解，提高了算法的运行效率，改善了影像质量。为了证明所提出方法的有效性，MSR-SRR结果与非均匀插值、POCS和IBP等传统超分方法的重建结果进行了对比验证。结果表明，MSR-SRR方法的图像清晰度平均提升了31.74%，PSFs半峰宽度最大，高斯方差值达到1.8415，效果明显优于其他方法。为进一步评估MSR-SRR结果的实用性，本文以高分四号卫星（GF-4）影像作为样例，利用支持向量机（SVM）分类方法对超分重建前后的影像进行了分类试验和精度验证。结果表明，超分辨率重建后的影像结果相对于原始影像的分类结果，Kappa系数提升了9.7%，OA值提升了5.96%。这表明MSR-SRR方法可以有效提升影像清晰度，丰富影像纹理细节，增强图像质量，有效提升影像分类精度。     

结合改进Laplacian能量和参数自适应双通道ULPCNN的遥感影像融合方法EI北大核心CSCD

融合SAR影像的后向散射信息和光学影像的光谱信息是提高土地覆盖分类精度的重要手段之一，其中多尺度变换是一种有效的融合方法。然而，多尺度变换方法的融合规则通常根据局部特征信息和脉冲耦合神经网络模型进行设计，存在结构信息和细节信息提取能力有限，以及脉冲耦合神经网络参数设置复杂和空间相关性差等问题。为此，本文提出一种结合改进Laplacian能量和参数自适应双通道单位连接脉冲耦合神经网络(ULPCNN)的遥感影像融合方法。该方法混合成分替换方法和多尺度变换方法，首先对多光谱影像进行IHS变换得到亮度分量I,将亮度分量I与SAR影像通过非下采样剪切波变换(NSST)分解得到高低频子带。然后对低频子带采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则，同时对高频子带采用参数自适应双通道ULPCNN的融合规则，将高频子带的多尺度形态梯度作为链接强度，并根据OTSU阈值和影像强度来实现其他参数的自适应表示。最后依次进行NSST重建和IHS逆变换得到融合影像，并选择随机森林分类器对融合影像进行土地覆盖分类。试验结果表明，本文方法相较于13种其他方法在11个融合评价指标和土地覆盖分类精度上总体表现最佳，土地覆盖分类的总体精度和Kappa系数在区域1中比原多光谱影像分别提高了8.350%和0.107,在区域2中比原多光谱影像分别提高了6.896%和0.091。     

龙门山褶皱冲断带沿走向差异剥蚀作用 ——砂箱物理模型的启示

褶皱冲断带-前陆盆地系统普遍存在浅表构造剥蚀-沉积作用及其相关耦合机制,从而具有复杂的三维空间构造变形特征与演化过程.本文基于青藏高原东缘龙门山褶皱冲断带-前陆盆地系统,通过沿走向变化的剥蚀-沉积作用砂箱物理模拟实验和野外地质调查等研究,揭示其沿走向变化的剥蚀-沉积作用,导致了褶皱冲断带大规模抬升剥蚀、断层多期活化与无...