一种融合光谱匹配和张量分析的高分辨率遥感影像目标探测器

提出了一种基于光谱分析理论和张量代数理论的高分辨率遥感影像目标探测器.首先在向量空间中对目标光谱进行特征匹配;然后对光谱特征与目标相似的像素进行空间-光谱特征一体化张量描述,进而在张量特征空间中对目标和背景进行分类.实验表明,张量学习机能够有效地对高分辨率影像进行目标识别.加入光谱特征匹配后的目标探测器能够极大地降低目标深测时间,同时进一步提高目标探测精度.     

基于局域自适应信息理论测度学习的高光谱目标探测方法

传统基于信号检测的目标探测方法需要依赖特定的统计假设,只有在符合条件的情况下才能取得较好的目标探测结果。为了克服这一缺陷,提出了一种基于局域自适应的信息理论测度学习方法。首先将信息理论测度学习方法作为目标主函数,然后加以局域自适应决策法则进行约束,自适应地减小相似样本对距离,增大不相似样本对距离,使得在考虑阈值的同时兼顾测度学习前后距离的改变情况来进行目标探测决策,从而更好地实现目标探测。实验证明,该方法与其他经典目标探测方法或测度学习方法相比,可以更好地实现目标与背景分离,能够更有效地对高光谱影像数据进行目标探测。     

“祝融号”火星车多光谱相机岩矿类型识别的地面验证研究

中国首个自主火星探测任务“天问一号”探测器于2020-07成功发射,其搭载的中国首台火星车“祝融号”将在着陆火星后开展巡视探测,获取中国火星探测的原始科学数据。识别火星表面岩矿类型对于了解火星的大气变化、环境状态、地质演化以及生物宜居性等具有重要意义。本研究利用“祝融号”火星车搭载的多光谱相机载荷鉴定件（8个波段）在地球环境下拍摄并获取了18种火星表面岩矿的多光谱影像数据。基于该数据所开展的火星岩矿类型的识别研究可为未来基于“祝融号”多光谱相机数据进行火星表面岩矿的原位识别提供指导。本文所采用的基于多光谱影像波段运算和彩色图像HSV颜色特征直方图的岩矿识别方法,可从多光谱特征和颜色特征两个层面来识别不同类型的岩矿。所使用的多光谱影像数据是在太阳高度角约60°、拍摄高度1.8 m、拍摄角度约37°的条件下采集所得。在该实验条件下,两种识别方法共提取出12种岩矿的识别指标。基于多光谱影像波段运算可以区分出在8个特定波段下具有突出光谱特征的岩矿类型,而基于图像HSV颜色特征可区分出颜色特征分布较为集中的岩矿类型。同时,研究发现拍摄角度不同会对岩矿的识别效果产生不可忽略的影响。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

顾及局域信息的核化正交子空间投影目标探测方法

提出了一种基于局域信息的核化正交子空间投影的目标探测方法(KLOSP).模拟数据实验证明,KLOSP方法比其他子空间目标探测方法具有更优的接受者操纵特征曲线;真实影像数据实验证明,该方法比传统子空间目标探测方法具有更大的目标与背景的可分度,能够准确地对高光谱影像数据进行目标探测.     

全卷积神经网络用于遥感影像水体提取

提出了一种全卷积神经网络模型用于遥感影像的水体目标提取的方法,介绍了全卷积神经网络的基本原理及构建3种网络模型的过程。为了分析模型效果,首先搜集带有水体的影像数据,并将这些数据标注为水体和背景两类,然后利用构建的全卷积神经网络模型进行推理和学习获取先验模型,最后对测试影像进行水体提取试验。通过与传统的基于影像光谱特征的阈值法和基于图论的Grab Cut算法提取结果进行比较,验证了本文方法的可行性。     

一种自适应匹配子空间亚像元目标探测方法

为了克服基于线性混合模型的高光谱遥感影像亚像元目标探测方法的缺陷, 提出了一种基于全限制性线性分解的自适应匹配子空间探测方法。首先利用交叉相关光谱匹配技术求得各个像元所含端元类别信息, 然后根据端元类别信息和全限制性分解的结果构造自适应匹配子空间探测算子, 利用端元类别信息在探测中动态选择端元, 降低端元数目估计偏差对探测结果的影响, 提高探测器对目标与背景的可分性。实验证明, 该方法与其他基于线性混合模型的亚像元目标探测方法相比, 可以更好地克服端元数目估计偏差对探测结果的影响, 无论是端元个数低估还是     

利用ICA正交子空间投影加权的高光谱影像目标探测算法

提出了一种利用独立成分分析(ICA)正交子空间投影加权的高光谱影像目标探测方法。该方法从影像像元集合的独立成分入手,通过一种光谱相似性测度加权,赋予每个像素合适的权值,从而有效地解决从原始影像中无法正确提取背景数据而造成的虚警概率高的问题。实验结果表明,相比于经典的CEM方法,在相同的探测概率下,该方法能降低1.97%的虚警概率;与相关目标探测算法相比,所提出的算法具有较好的目标探测效果。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

高光谱影像小目标谐波分析探测模型

针对高光谱影像小目标探测问题,结合白化处理(WP)与约束能量最小化(CEM)算法,提出一种基于谐波分析(HA)的小目标探测新模型,即HA-WP-CEM模型.该模型首先对原始影像进行3次谐波分析,提取出最适合小目标探测的高光谱影像谐波分析余项、振幅和相位等7个能量谱特征成分.其次通过对谐波分析特征成分的白化处理,实现各特征成分的背景抑制,突出低概率的小目标信息.在采集白化数据的探测目标参考像元光谱之后,将参考光谱矢量和白化数据协方差矩阵输入CEM算子,得到小目标的探测结果.最后利用高分辨率影像进行定性评价,并选取3个重点区域,通过计算模型探测结果的信噪比、探测率、漏检率和虚警率进行定量评价.研究结果表明,HA-WP-CEM探测模型在运行简易性、可靠性、实用性和准确性等方面均明显优于直接采用CEM、WP-CEM等方法.同时该模型在数据变换、抑制背景、降噪等方面也达到了很好的效果.     

同波束VLBI测量下的天问一号火星车定位及精度分析

针对中国天问一号火星探测任务中的火星车定位问题,进行了相关方法的研究和精度分析。根据现有测控条件,考虑到火星车无地面测距数据,提出了利用轨道器和火星车的同波束甚长基线干涉测量（same-beam very long baseline interferometry,SBI）数据对火星车进行定位的方法。由于利用SBI联合轨道器测距数据无法在定轨定位的同时解算差分相时延模糊度,分析了在固定轨道器的轨道情况下,仅利用SBI数据进行火星车定位。结果表明,火星车定位误差随着轨道器的轨道精度提高而减小,如果轨道器的轨道精度从1 km提升到100 m或10 m,6 h SBI数据可以将火星车定位精度提高到数百米,同时,增加数据弧段可进一步提高定位精度,当对着陆器高程方向进行约束时,定位精度会有明显改善。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973,优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

天问一号拓展任务对火星低阶重力场解算的潜在贡献分析

天问一号是中国首次独立开展的行星际探测任务,实现了对火星的环绕、着陆、巡视探测。天问一号正常科学任务阶段环绕以极轨设计为主,与历史火星任务类似,对当前火星重力场模型精度改进有限,因此其拓展任务轨道选取至关重要。通过对极轨圆轨道和近赤道大偏心率轨道进行仿真模拟,分析两种典型轨道构型对现有火星重力场模型改进的可能性,基于不同误差考量仿真解算了对应6个重力场模型。借助重力场功率谱分析,发现在测量噪声为0.1 mm/s的情况下,不论采用极轨还是近赤道轨道,一个月的跟踪数据均可较好地反演出42阶次的火星重力场模型;考虑综合误差影响之后,发现两种轨道对于重力场解算精度类似,其中实施近赤道大偏心率轨道对35阶次以上约束略强。     

时空轨迹多层级相似子段匹配方法

轨迹子段匹配是轨迹数据挖掘的重要手段,针对其计算复杂度较高、受噪声影响大的问题,提出了一种融合自适应希尔伯特地理网格编码的多层级轨迹编码树结构,在可接受的建树代价下,形成了从轨迹整段到最小片段的层次化组织形式和子段从属关系表达结构,并在轨迹片段编码树的基础上,设计了相似子段匹配算法,将复杂的空间计算转化为空间编码的字符串前缀匹配操作,极大地降低轨迹子段匹配的计算复杂度。实际轨迹数据的实验表明,在不影响匹配准确率的前提下,提出的子段匹配方法的效率与基于经典距离的相似性度量方法相比,有超过一个数量级的性能提升。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法。首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各个像素在不同尺度的"软"模糊评判结果进行定权处理和加权融合。实验以两组不同时相的高分影像为例,实现了基于模糊逻辑的多尺度变化检测有效融合,充分利用了多层次的像素特征,得到了整体优于单一尺度面向对象变化检测的结果,为多尺度变化检测提供了新的思路。     

基于相位均匀卷积的LiDAR深度图与航空影像高效匹配方法

多源影像匹配主要受到非线性强度差异、对比度差异及局部区域结构特征不显著等问题的干扰,而机载激光雷达（light detection and ranging,LiDAR）深度图与航空影像由于纹理特征之间的显著差异导致部分结构特征缺失更为严重,所造成的相位极值突变进一步增加了匹配难度。因此,提出一种基于相位均匀卷积描述子的方法来实现LiDAR深度图与航空影像之间的高效匹配。在影像特征匹配阶段,首先对相位一致性模型进行扩展,构造相位均匀能量卷积方程,求解得到均匀卷积序列与相位最大标签图,建立一种相位均匀能量卷积直方图（histogram of phase mean energy convolution,HPMEC）;然后采用最近邻匹配算法完成初始匹配,并利用快速边缘化样本共识进行粗差剔除;最后基于线程池并行策略,通过划分重叠格网对影像进行分块匹配。将多组具有不同地物覆盖类型的LiDAR深度图与航空影像作为数据集,分别与位置尺度方向-尺度不变特征转换（position scale orientation-scale invariant feature transform,PSO-SIFT）、L...     

面向高分影像建筑物提取的多层次特征融合网络

建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network, MAPNet)和MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据...     

井下巷道地磁匹配特征的CEA卷积增强的分析

针对井下某些巷道地磁空间变化平缓,地磁匹配概率低的问题,构建了井下巷道地磁卷积增强算子（convolution enhancement algorithms, CEA）,进行地磁匹配前的目标区域和匹配向量的卷积增强预处理,去除数据噪声和增强识别特征。以Laplace、高通滤波（High Pass）、索伯尔滤波（Sobel）图像卷积算子为基础,通过列向量特征的锐化处理,建立了井下巷道地磁卷积增强的Laplace、High Pass和Sobel卷积算子模板。选取某金矿4个巷道的地磁数据,开展了CEA算子卷积前后的均方差算法地磁匹配定位的仿真试验。试验结果表明,CEA算子卷积可以增强匹配序列和地磁图的地磁空间特征,降低了匹配数据中的噪声影响。在数据CEA卷积前后的地磁统计特征对比中发现,Laplace算子不仅保持了原有地磁图变化特征,还增大了数据空间变化的差异度,降低了相关性,效果明显。特别是600 nT的高噪声干扰匹配试验中,Laplace算子卷积能够降低噪声对地磁定位扰动影响,有效提高了地磁匹配定位的概率和精度,具有较强的鲁棒性,适合作为井下巷道地磁匹配的数据预处理模型。     

基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型

森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明,UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。     

顾及相似用户特征的个人位置预测算法

个体位置预测在传染病精准防控、公共设施科学规划等应用中具有重要意义,既有位置预测算法主要侧重对个体纵向历史轨迹特征进行挖掘建模,从而实现位置预测,对横向相似性用户的规律特性考虑较少。因此,基于图卷积和长短期记忆模型（long short-term memory,LSTM）框架,提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。首先,构建用户轨迹相似性算法并筛选高相似度用户;然后,利用图卷积模型提取待预测用户相似高的用户轨迹特征;最后,利用LSTM框架提取历史轨迹特征,集成相似用户轨迹特征,从而实现个体位置预测。基于某市8万多个用户连续4个工作日的数据进行实验,结果表明,所提算法的准确率随预测时间步长增加而下降,而夜间预测准确率明显高于白天,但相比于既有模型均有10%以上提高;以15 min为预测时间步长时,模型准确率达80.45%。