结合注意力机制的卫星遥感影像立体匹配

采用立体匹配技术对多视卫星遥感影像进行三维场景重建一直是摄影测量与遥感领域的核心问题。基于卷积神经网络的深度学习方法极大地促进了立体匹配技术的发展,然而其中涉及匹配困难和误匹配问题的相关研究仍然不足。为了提升卫星遥感影像不适定区域中视差估计的精度,本研究提出了一种结合注意力机制的立体匹配深度学习网络,在特征提取模块中加入注意力机制,分别从通道和空间两个维度捕获全局信息,对特征进行优化;在代价体的构建模块中构建新的代价体积,并重新设置视差的回归范围。为了验证本文方法的有效性,在US3D、WHU-Stereo两个数据集上分别与已有方法 Stereo-Net、PSM-Net进行了比较分析。结果表明,本文方法在EPE(endpointerror)和D₁两个指标上均能达到最优,取得了较好的性能,提高了立体匹配的精度,尤其在无纹理、重复纹理、遮挡及视差不连续区域表现出良好的鲁棒性。     

一种星载平台轻量化快速影像匹配方法

针对现有传统影像匹配在星载平台有限的存储及算力条件下难以快速计算的问题,本文提出一种适用于星载平台的、基于哈希学习的轻量化快速影像匹配方法。该方法以同源卫星影像的特征描述符作为训练集计算哈希函数,并利用训练好的哈希函数将特征点的浮点型特征描述符映射至汉明空间,实现特征点对间相似度的快速计算,进一步通过剔除误匹配点获得精确匹配结果。同时,训练集中的特征描述符的种类可根据星载平台载荷的传感器类型、影像分辨率及目标区域影像的地貌类型进行灵活选择,使得本文方法具备良好的可重构性;计算汉明距离衡量特征点对间的相似度,提高本文方法在星载平台轻量化处理的应用能力。选取不同时刻资源三号卫星影像及高分七号卫星影像进行匹配对比实验,本文方法轻量化处理后的LW-SIFT方法相较于经典SIFT方法,在耗时方面减少50.12%,且增加正确匹配点数达20.28%。实验结果表明,本文方法能够显著提升影像匹配的精确度及时效性,有较大的应用潜力,能够为星载平台应用提供有力支撑。     

基于YOLOv5算法的飞机类型光学遥感识别

飞机类型检测是遥感影像分析领域的研究热点,在机场监控和情报分析等应用中起着重要的作用。其中,深度学习方法作为遥感影像分析领域广泛应用的手段之一,在飞机类型检测任务中仍面临许多问题,如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时,光学遥感影像易受光照条件、云雨变化等因素影响,使检测任务更加困难。为了解决这些问题,本文首先利用MTARSI数据集对样本进行筛选,再结合Google Earth等开源方法收集飞机影像,采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次,采用YOLOv5作为基础网络框架,针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题,进行多尺度优化训练,有效检测飞机类型特征。最后,利用跨数据集验证模型的泛化能力。实验结果表明,本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型,具有较强的鲁棒性和泛化能力,跨数据集进行飞机类型检测正确率达到82.12%,可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。     

高分七号卫星足印影像激光光斑质心提取方法

足印影像激光光斑质心提取是精确获取激光指向位置的基础,对于提升高分七号卫星激光测高数据精度具有重要意义.设计一种基于最小二乘椭圆拟合的激光光斑提取方法,并根据反馈结果利用累计矩阵对序列影像进行粗差剔除,实现了高分七号足印影像激光光斑提取.通过仿真数据和高分七号真实足印影像进行实验,验证了该方法具有较好准确性和稳定性.未来我国在星载激光测高领域将拥有更广阔的前景,所研究的相关成果可以为后续国产激光测高技术研究提供参考.