高分光学遥感影像全参照质量评价指标对比研究

影像质量评价对遥感影像处理起着非常重要的作用。本文在论述当前常用全参照遥感影像质量评价指标的基础上,选用IKONOS,TM,SPOT,QuickBird四幅光学影像作为实验原数据,首先对各影像添加不同程度的高斯白噪声和降质重采样处理,然后以原数据作为全参照进行统计对比分析,验证信息熵、清晰度、均方误差、峰值信噪比、结构相似度5个常用影像质量评价指标的可靠性。通过对实验结果的分析与总结,得出了一些有益结论,可为光学遥感影像的选取与处理提供参考。     

基于TerraSAR-X影像的光学遥感影像地理定位研究综述

目前,我国遥感技术应用中最普遍采用的是通过光学遥感获取影像,这种方法一般需要控制点才能获得高分辨率遥感影像,不可避免地限制了其应用范围。然而TerraSAR-X具有精确的传感器校正、高精度的卫星位置及对卫星姿态的低依赖性等特性,在无地面信息的情况下,仍然可以获得高精度的遥感影像。因此,研究利用TerraSAR-X数据作为地面控制信息对光学遥感影像进行地理定位具有突破性的意义和价值。本文介绍了近几年TerraSAR-X影像对光学遥感影像进行定位的现状和方法,阐述了其理论基础和优缺点,并试着分析了现阶段争论的焦点。     

高分航空光学遥感影像的山体阴影去除方法

阴影是山区高分航空影像严重的干扰因素,去除山体阴影有助于提高实景三维建设、林业调查、变化检测等应用的准确性和有效性。本文构建了高分航空遥感影像的山体阴影指数(MSI),并提出了基于色彩迁移和色彩均衡的阴影去除方法。采用覆盖山区的0.2 m航空影像进行试验,结果表明,MSI和阈值分割法可以有效地检测航空影像的山体阴影,而结合对象化色彩迁移和基于邻域的非线性色彩均衡的阴影去除法既能有效地消除山体阴影,又能使阴影区域恢复纹理细节,色彩更贴合于非阴影区域,达到影像整体色彩更加均衡的效果。分析阴影去除前后的统计指标发现,随着阴影的去除,各波段平均值和标准差都明显增加,说明阴影区域的亮度有提高且色彩层次更加丰富。     

光学遥感影像变化检测研究的回顾与展望

地理实体或现象的变化数据是自然资源管理、灾害监测、生态环境保护和可持续发展等的重要科学分析依据。光学遥感影像变化检测是遥感科学与技术的重要研究领域,40年来,国内外学者针对遥感影像变化检测做了大量研究工作,取得了一系列成果。力图从变化检测关键问题、方法与技术、面临的挑战以及应用领域等多个角度对光学遥感影像变化检测研究进行系统的回顾,分析变化检测技术的研究现状,并且提出未来有待进一步解决的研究问题。     

高分辨率光学卫星遥感影像直线重建方法

为了解决遮挡、边缘模糊及锯齿化等因素造成的高分辨率光学卫星遥感影像检测直线的断裂问题,该文提出一种新的直线重建方法。该文首先分析了直线断裂的问题,进而揭示了其断裂的规律;其次以直线断裂规律为基础,将直线检测结果视为处理基元,依据直线长度大小确定初始长直线,同时针对初始长直线建立矩形跟踪区域;然后在该区域中建立几何光谱约束模型,多角度分析断裂直线和初始长直线间的属性差别,以此获得可参与长直线重建的断裂直线集;最后基于初始长直线及其断裂直线集,建立长直线重建模型,并动态更新矩形跟踪区域。通过不同区域多种光学卫星遥感影像的实验结果分析表明,相对于其他方法,该文方法在算法效率、重建精度、直线长度等方面,均具有较大的优势。     

高分一号遥感影像地质灾害信息提取方法研究

山区地质灾害发生频繁,受灾范围大,危害严重。提取地质灾害信息、估算受灾情况,对救灾工作极为重要。传统的遥感人工解译方法速度慢、效率低;计算机自动解译速度快但解译精度受影像质量影响大,大范围地区很难建立起普适性的解译模型。本文利用洮南市西部高分一号遥感数据,结合DEM生成三维影像,建立解译标志,解译基础地质信息,分析地质灾害成因;根据研究区泥石流地质灾害的主要影像特征,提取影像的分类属性,基于面向对象的分类方法,建立信息提取模型,快速提取出地质灾害敏感区域;再进行人机交互,精确提取出地质灾害的类型和范围,通过野外验证,该方法十分可靠,为大范围地质灾害信息快速提取和灾后救援提供科学依据。     

国产高分卫星遥感影像融合方法比较与评价

选择适宜的融合方法有利于卫星遥感影像融合产品更好地服务于生产实践及科学研究。本文在总结现有影像像素级融合算法原理的基础上,选用Pansharp、Gram-Schmidt、HPF、Ehlers、Subtractive、Modified IHS、Brovey、PCA、NNDiffuse等多种常用的影像融合方法对国产高分影像的全色和多光谱数据进行了融合处理,并从定性和定量的角度对融合结果进行了详细评价,试图寻找适用于国产高分卫星遥感影像的最佳融合方法。结果表明：针对国产高分一号卫星遥感数据,超分辨率贝叶斯算法融合效果在视觉效果与影像质量定量评价指标中综合表现最佳;Gram-Schmidt、NNDiffuse、Subtractive和HPF融合结果地物边界最为清晰;Modified IHS、PCA、Brovey融合影像色彩失真较为明显;NNDiffuse在可见光波段表现较突出;Gram-Schmidt在近红外波段表现效果最佳。     

光学遥感影像的自动匀光处理及应用

针对光学遥感获取的影像存在一幅影像内部以及区域范围内多幅影像之间的色彩不平衡现象,提出了自动匀光处理方法和处理流程,通过影像匀光软件GeoDodging 4.0对原理和流程进行了实现,并结合实际工程应用取得了良好的效果。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

种子区域生长的高分遥感影像超像素分割

针对如何提升高分遥感影像超像素分割的精度与视觉效果问题,该文提出了一种基于种子区域生长(SRG)的超像素分割算法。该算法主要对超像素的生长过程进行了改进。在本文方法的超像素生长过程中,采用了一种充分利用光谱与形状信息的新度量标准,以有效搜索与种子适合合并的像素。该标准首先为斑块挑选在光谱上足够相似的像素,然后在这些像素中利用紧凑性异质性选择待合并的像素。为了定量评价算法的分割精度与视觉效果,定义了边界符合距离与平均斑块矩形度,并基于此发展了该文算法的参数选择策略。根据两景不同特点的高分遥感影像的超像素分割实验表明:本文方法在分割精度与视觉效果上均优于传统SRG与简单线性迭代算法。     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

高分辨率遥感影像超像素的模糊聚类分割法

传统模糊C均值聚类在影像分割中只考虑影像的灰度特征,导致该算法用于高空间分辨率遥感影像分割时分割结果不理想。针对该问题,本文提出了一种高分辨率遥感影像超像素的模糊聚类分割方法。该方法首先利用分水岭变换算法产生多个超像素子区域;然后比较各个子区域间光谱特征的相似性;最后利用融合光谱特征的模糊C均值聚类对这些超像素子区域进行合并。试验选用4组不同场景的遥感影像,采用定性和定量相结合的方法评价试验结果。试验结果表明,该方法有效提高了分割区域的分割精度,并取得了较好的分割视觉效果。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

遥感影像超分辨率处理方法与研究进展

随着人们对影像高分辨率需求的不断增加,图像超分辨率技术已成为相关研究领域的热点之一。针对在遥感领域并非所有的超分辨率方法都可用的现状,该文按照遥感影像超分辨率处理的流程,将超分辨率问题分为退化模型、配准、重建和精度评定4大模块。对于其中每一模块的理论、常用方法与研究进展进行了较全面的综述及比较分析。最后对这一领域的未来发展进行思考和展望。     

深度神经网络条件随机场高分辨率遥感图像建筑物分割

高分辨率遥感图像建筑物分割的实质是构建一个输入图像到分割结果之间的高维强非线性映射模型。然而,建筑物可能遍布整幅遥感图像,则在语义分割过程中,当前像素点可能与非邻域的像素点存在直接关系。为了更加精确地逼近建筑物分割的真实映射模型,克服道路、建筑物错层和阴影的影响,提高分割精度,本文以深度残差神经网络为基础,构建Encoder-Decoder的深度学习架构,自动提取建筑物的特征,学习建立高维强非线性分割模型;同时,通过条件随机场的成对势函数调节当前像素点与其他像素点之间的关联关系,从而构成全连接条件随机场对Encoder-Decoder的分割结果进行调节,提升分割精度。在全连接条件随机场的计算过程中,采用循环神经网络的运行机制来完成均值场的计算,这将条件随机场与深度神经网络有机融合,实现了Encoder-Decoder和全连接条件随机场参数的同步训练。实验结果表明,本文采用的深度神经网络条件随机场方法能有效克服道路、建筑物错层和阴影的影响,提升高分辨率遥感图像中建筑物的分割精度;同时,在一定范围内对多分辨率遥感图像具有较好的泛化能力。     

高分辨率影像分类的最优分割尺度计算

针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。     

基于遥感影像的GPS实景化导航在野外地质调查中的应用

针对现有手持GPS系统不提供地图支持及野外地质调查过程中边远山区无图可用的问题,提出了基于遥感影像的GPS实景化导航方法,研究如何利用Google Earth提供的海量免费高分辨率遥感影像和Trimble GPS提供的强大导航功能,制作研究区域高精度背景导航影像,以实现野外地质调查的实景化导航。结果表明,基于遥感影像的GPS实景化导航方法简单、直观,能满足野外调查和旅游等导航的需求。     

国产高分卫星数据在高海拔地区地质调查中的应用潜力分析

随着国产高分卫星的陆续发射,高分卫星数据在区域地质调查中的应用能力显得越来越突出。采用资源一号02C(ZY-1 02C)和高分一号(GF-1)卫星数据,在对原始数据质量进行评价的基础上,开展其在高海拔地区地质调查应用中的潜力分析。研究结果表明:ZY-1 02C和GF-1卫星数据已基本满足大比例尺地质制图的要求;在区域构造解译和岩性信息提取方面已达到同等空间分辨率国外卫星数据的水平,在高海拔地区地质调查中有很大的应用潜力。     

Unsupervised evaluation-based region merging for high resolution remote sensing image segmentation

Image segmentation has a remarkable influence on the classification accuracy of object-based image analysis. Accordingly, how to raise the performance of remote sensing image segmentation is a key issue. However, this is challenging, primarily because it is difficult to avoid over-segmentation errors (OSE) and under-segmentation errors (USE). To solve this problem, this article presents a new segmentation technique by fusing a region merging method with an unsupervised segmentation evaluation technique called under- and over-segmentation aware (UOA), which is improved by using edge information. Edge information is also used to construct the merging criterion of the proposed approach. To validate the new segmentation scheme, five scenes of high resolution images acquired by Gaofen-2 and Ziyuan-3 multispectral sensors are chosen for the experiment. Quantitative evaluation metrics are employed in the experiment. Results indicate that the proposed algorithm obtains the lowest total error (TE) values for all test images (0.3791, 0.1434, 0.7601, 0.7569, 0.3169 for the first, second, third, fourth, fifth image, respectively; these values are averagely 0.1139 lower than the counterparts of the other methods), as compared to six state-of-the-art region merging-based segmentation approaches, including hybrid region merging, hierarchical segmentation, scale-variable region merging, size-constrained region merging with edge penalty, region merging guided by priority, and region merging combined with the original UOA. Moreover, the performance of the proposed method is better for artificial-object-dominant scenes than the ones mainly covering natural geo-objects.