2000—2016年高台县绿洲变化动态遥感监测与分析

以2000—2016年的14期LandsatTM/OLI影像作为数据源,提取了高台县的绿洲分布范围,使用整体绿洲动态变化和局部绿洲变化分析该绿洲的时空格局,并进行对比分析.结果表明:近16 a高台县绿洲面积主要以扩张为主.其中2000—2005年绿洲面积增加了25.113 km2;绿洲扩张最迅速的时期是2005—2010年间,面积增加了107.837 km2;2010—2016年间绿洲增长缓慢,面积只增加了11.733 km2.稳定绿洲主要分布在黑河沿岸以及各乡镇居民区周围,绿洲的扩张区域主要分布在骆驼城乡、南华镇和盐池乡,而绿洲的频繁波动区域则分布较为零散.     

基于三频SNR数据探测北斗GEO卫星多径效应

多径误差是全球卫星导航系统（global navigation satellite system,GNSS）高精度实时定位的主要误差源。由于多径效应具有时变特性且与观测环境有关,难以有效探测与剔除,尤其是动态定位领域。鉴于多径效应对于同颗卫星不同频率观测值影响不同,本文采用三频信噪比（signal-noise ratio,SNR）频率间差分数据,设计算法探测北斗对地静止卫星（geostationary orbit satellite,GEO）多径误差,并依据开阔环境SNR频间差分数据序列进行统计分析,确定其探测阈值。实验结果表明,北斗GEO卫星易受多径误差影响,传统方法难以实时有效探测,本文提出的新方法可有效探测GEO多径误差,并基于设定的阈值对其数据进行降权或剔除,可应用于GNSS数据质量控制。     

遥感影像超分辨率重建的字典学习类算法

近年来基于字典学习的超分辨率重建技术已成为图像处理领域的研究热点,相比基于重建的超分辨率方法,基于学习的方法充分利用了先验知识,在放大倍数较高时,仍可取得较好的效果,因此被公认为一种非常有前途的方法。本文对国内外已有的基于字典学习的超分辨率重建方法进行了系统研究,梳理了3种基于字典学习超分重建算法的基本原理及优缺点。此外,本文根据遥感影像的特点,使用同一数据源进行字典学习,利用不同字典学习算法分别生成高、低联合字典对,采用不同尺寸大小及缩放倍数的测试图像,进行超分辨率重建,对各种算法的重建性能、鲁棒性和复杂度进行综合分析,进一步研究了各种算法对遥感影像不同应用需求的适用性。     

非参数贝叶斯字典学习的遥感影像超分辨率重建

为充分利用样本及参数的先验信息,对Yang提出的基于稀疏表示的超分辨率重建算法进行了改进,提出了一种基于非参数贝叶斯字典学习的单幅遥感影像超分辨率重建方法。该方法利用Beta-Bernoulli过程进行字典学习,建立字典元素和各参数的概率分布模型,并通过Gibbs进行迭代抽样构成马尔科夫链,用其平稳分布来近似字典元素及各参数的后验分布,最后由低分辨率影像及高分辨率字典的后验分布重建出高分辨率遥感影像。对比双线性、双三次插值及Yang的方法,该算法在平均峰值信噪比方面分别提高了3.29、1.79、0.17 d B,在平均ERGAS方面分别降低了0.78、0.37、0.02 d B。该算法因加入了更多的先验信息,可以使重建影像提供更多高频细节信息,具有一定的普适性。