高分辨率遥感影像城市道路提取方法研究

根据高分辨率遥感影像可以提取道路细节信息和中低分辨率遥感影像可以提取道路轮廓信息这一特性,提出基于多尺度的不同分辨率遥感影像道路提取方法。以原始高分辨率遥感影像为底层影像建立影像金字塔获取不同分辨率影像,利用中低分辨率遥感影像上提取的道路骨架轮廓约束高分辨率遥感影像的道路提取,并对Canny边缘检测算法进行改进。实验结果表明,该方法能够有效地消除高分辨率遥感影像城市道路路面噪声的影响,道路提取效果较好。     

基于高分辨率遥感影像的道路损毁评估方法

针对目前道路损毁评估不够形象直观的问题,提出了基于高分辨率遥感影像的道路损毁评估方法.通过对遥感影像进行影像增强等预处理使遥感影像更加容易判读,并利用损毁前后的DEM数据构建损毁前后道路模型,通过此模型来对道路损毁进行评估.实验表明:应用这种方法,道路模型形象逼真;在此基础上计算损毁地区的土方量,可为工程设计部门和决策部门提供影像数据参考.     

基于深度学习的光学遥感影像舰船检测算法对比分析

舰船目标检测是进行海洋环境监管,保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能,为测试不同深度学习目标检测算法在舰船检测中的效果,本文构建了一个包含3893张图像的数据集,涵盖了复杂背景下不同类型的舰船,基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验,结果表明,YOLOv4 、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上,其中YOLOv4最高达到91.77%,Faster RCNN误检较多,而SSD平均精度最低,只有79.23%,总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试,得到较好的检测效果,对舰船检测未来理论研究的开展具有一定的指导意义。     

基于单景高分辨率光学卫星遥感影像的浅海水下地形提取

本文基于海浪波折射现象和浅水波理论,提出了一种基于单景高分辨率光学遥感影像的浅海地形提取方法。首先,基于浅水波理论推导出适用于浅海区域的水深与海浪波长、频率的定量关系,针对近岸光学遥感图像复杂的海浪特征,讨论了两种海浪波长提取方法,即FFT方法和剖面线法。然后提出了基于长距离波长波动分析的海浪频率计算方法,解决了单景遥感影像的波浪频率计算难题。最后,利用单景QuickBird高分辨率光学遥感影像,以海南岛三亚湾为研究区域进行了应用实验,结果表明,对12m以浅的浅海区域,在不需要任何辅助参数的情况下,反演获得了浅海地形(DEM),经与1:25000比例尺海图的水深对比验证,地形趋势吻合良好,反演水深的均方根误差为1.07m,相对水深误差为16.2%,表明该方法适合于浅海水下地形的提取,且具有无需实测水深数据和环境参数的支持的优点。     

基于边缘引导约束的高分辨率遥感影像海岸线提取

针对海岸线的影像特征,提出一种基于边缘引导约束的海岸线提取方法。该方法是在遥感影像进行中值滤波处理,去除噪声的基础上,通过交互方式对遥感影像进行灰度拉伸,以增强海岸线特征;再利用梯度算子卷积运算得到梯度影像;然后通过边缘像素点和灰度差阈值引导种子点进行生长,进而提取包括滩涂在内的水域或其他地物;最后通过轮廓跟踪提取生长区域的边界,即海岸线。试验表明,该方法可准确提取出海岸线位置,效果较好。     

基于视觉特性的影像增强算法研究

遥感影像对比度调整是影像预处理中的关键部分。分析人的视觉特性发现：影像中不同区域特征变化被感知度有所差异。相对于高频区域及对角线方向,人眼更容易感觉到平缓部分的特征变化。以往的对比度增强算法并没有考虑这一视觉特性,提出了一种基于视觉特性的影像增强算法。实验表明,该算法在较好的保持影像细节特征的同时,改善了影像的对比度,得到了较好的视觉效果。     

高分辨率遥感影像海岸线半自动提取方法

海岸线快速准确提取具有十分重要的意义。利用遥感技术提取海岸线具有宏观、快速、综合、高频、动态和低成本等突出优势。然而,利用人工解译费时费力,而计算机自动解译精度低。对此,提出一种半自动的面向对象海岸线提取方法。首先利用eCognition进行图像分割,通过人机交互的方式进行海、陆标记,然后利用光谱直方图测度对象之间的相似性,最后通过两阶段对象合并的方式实现海岸线提取。使用高分2号数据分别提取人工和潮滩海岸。实验表明,本文方法具有快速、通用性强、精度高的优势。     

深度学习遥感影像油罐检测算法精度对比分析

油罐目标的检测对于海洋战场环境保障具有重要的意义和作用。选择当前较为经典的几种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3、RetinaNet,利用已有的公开数据,对各算法进行油罐检测的精度进行深入对比分析和实验验证。实验结果表明,上述方法中鲁棒性和平均精度最好的是RFCN和RetinaNet;影像中目标的尺寸是影响各算法精度的重要因素。最后对基于深度学习的遥感影像油罐目标检测算法提出了改进的建议。相关研究对于利用深度学习算法完成油罐目标的实际检测应用具有重要的指导意义和参考价值。     

基于DeepLabv3架构的高分辨率遥感图像分类

针对目前使用机器学习解决高分辨率遥感图像分类主要存在下采样导致的细节信息丢失问题,提出了一种基于DeepLabv3架构的小波域DeepLabv3-MRF(Markov random field,MRF)算法。选择当前较为普遍的DeepLabv3架构分类算法,能够获得更为精确的分类结果;采用小波域DeepLabv3-MRF算法,还能够获得更为清晰的边缘细节信息。选取南方某地区高分辨率无人机遥感图像进行分类实验,通过小波变换的方向性、非冗余性以及MRF变换像素空间的交互性这三个方面,将分类结果与原始DeepLabv3架构分类结果对比分析。结果表明,所提出的分类方法精度明显高于原始DeepLabv3架构分类算法的精度,总体精度可提升3%左右,并且可以充分表达高分辨率遥感图像细节信息。     

尺度自适应分层多阈值热红外遥感舰船检测

针对热红外遥感图像由于低对比度、条带噪声、低空间分辨率等特点而导致的检测效果不佳问题,提出了一种近岸舰船目标尺度自适应选择分层多阈值检测方法。采用舰船模板图像尺度归一化高斯拉普拉斯函数取极大值准则进行尺度自适应选择,利用所选的高斯多尺度空间差分多阈值筛选进行近岸舰船检测,并根据不同类型舰船模板图像尺度和分块数选择对热红外图像舰船目标检测的影响进行验证实验。实验结果表明:所提方法能根据模板尺度特征滤除相似区域,通过设置合理尺度和阈值参数能实现有效检测,且具有一定的抗噪能力。     

高辐射分辨率遥感影像的特性分析与处理

分析了高辐射分辨率遥感影像的特性,对其存储格式转换、动态范围调整进行了探讨,提出了一种基于多尺度梯度的自适应拉伸算法,并对高辐射分辨率遥感影像的应用前景进行了展望。     

高空间分辨率遥感影像融合方法探讨

针对高空间分辨率遥感影像特点,利用IHS变换、Brovey变换、PCA主成分变换、Gram_Schmidt变换以及Pansharp变换等五种融合方法对QuickBird影像进行了融合实验,并从目视效果、波谱剖面图以及定量分析三方面对融合后影像质量做出了科学的比较,结果表明Pansharp和Gram_Schmidt融合算法更适合高分辨遥感影像融合。     

基于遥感图像增强的海岸线提取方法

在人类活动和自然环境的影响下,海岸带长期处于变化状态,准确提取和实时监测海岸线变化对我国海岸带的利用与开发具有重要意义。文章利用Landsat TM遥感图像和ERDAS IMAGINE遥感图像处理软件的监督分类和图像增强方法,提出两种海岸线获取方法,完成海岸线的自动提取,实现海岸带的大面积同步和动态监测。     

一种海岸带高分辨率遥感图像椒盐噪声滤波的新方法

椒盐噪声是常见的图像噪声,典型的图像平滑算法不能区分海岸带高分辨率遥感图像中的噪声点和信号点,常造成图像平滑后海岸线等细节损失。提出先识别噪声点再进行去噪的新方法,通过统计关联参数用双阈值识别噪声,然后用中心权值为零的模板平滑噪声点。实验表明,该方法在滤除椒盐噪声的同时,较好地保持了海岸线等细节。     

基于船只尾迹遥感特征的航向提取方法研究

为解决单景遥感图像上航行船只航向的自动提取问题,研究了船只尾迹遥感特征和基于尾迹遥感特征的提取方法.对海上航行船只尾迹的形态特征和统计特征研究表明,湍流尾迹在遥感图像上出现概率高且特征稳定,其图像表现以条带状特征为主.考虑到湍流尾迹的线性特性,采用Randon变换算法进行了可以表征航向的尾迹提取.通过对10幅尾迹图像提...     

城市区域高分辨率遥感卫星成像模拟

由于受卫星平台的运动、传感器成像特性、卫星的星历与姿态和地形起伏等客观因素的影响,任何使用线阵列 CCD 传感器的航天遥感系统在成像过程中都会产生影像变形。 因此在卫星设计过程中,必须综合考虑这些因素对成像结果的影响。 针对这一问题,从线阵高分辨率遥感卫星成像方式及敏捷型卫星的成像特点出发,综合考虑成像时各种几何变形因素的影响,并依据严格成像模型,对所设计的传感器进行成像模拟,最后对模拟影像进行变形分析,以检核遥感卫星的系统设计是否能满足用户要求。     

基于Radon变换的SAR图像船迹检测研究

给出了一种检测星载(合成孔径雷达SAR)图像中舰船尾迹的方法,该方法主要特点是将Radon变换局部化,即在对像素灰度值积分过程中沿着线性特征被分割后的若干短线段进行积分,而非对整张图像进行积分。该方法克服了Radon变换方法的局限性,使尾迹信号在背景噪声较强时依旧能被检测出,并且能检测出相对于整幅图像的尺寸较短小的尾迹。