遥感图像蚁群算法和加权图像到类距离检索法

遥感图像检索目的是从遥感图像库中寻找出与查询图像相关的图像,但在检索过程中一般只考虑查询图像与待检索图像的相似度,通常忽略了遥感图像库中图像之间的语义相似度.针对该问题,本文提出一种基于蚁群算法和改进的加权图像到类距离的遥感图像检索算法.首先利用信息素浓度描述遥感图像库中图像之间的语义相似度,然后采用蚁群算法更新信息素...     

多/高光谱遥感图像的投影和小波融合算法

将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。     

一种改进包模型的遥感图像检索方法

提出了一种改进的包模型图像检索方法,使用本底图像构建视觉词汇字典。在建库过程中,通过近似KD-Tree搜索本底图像局部不变特征与入库图像特征间的对应匹配关系,并记录该关系;图像检索时,搜索检索图像与本底图像特征的对应关系,进而计算与入库图像的关系。该方法仅保存本底图像的局部不变特征,可实现感兴趣区域的图像检索。实验结果表明,该方法在提高图像检索准确性的同时,可以减少所需存储局部不变特征的数量。     

Contourlet方向区域相关性的遥感图像融合

对遥感图像经Contourlet变换后的高频子带系数分布的方向特征进行统计分析,发现遥感图像经Contourlet变换后高频系数的分布具有较强的方向区域特征,在此基础上,提出一种基于Contourlet系数方向区域相关性的遥感图像融合算法,该算法首先对多光谱图像经IHS变换后的亮度分量和全色图像分别进行Contourlet变换,然后以多光谱图像亮度分量的低频信息作为融合图像亮度分量的低频信息,通过计算并比较全色图像的高频系数和对应的多光谱图像亮度分量的高频系数的方向区域匹配度确定融合图像亮度分量的高频信息;最后经过Contourlet逆变换和IHS逆变换获得融合图像。实验结果表明,该算法在提高融合图像空间分辨率的同时能够更好地保留原始多光谱图像的光谱信息,与传统遥感图像融合算法相比,该算法具有较好的融合图像信息熵和清晰度,具有一定的实用性。     

机载SAR图像与仿真SAR图像的匹配策略

机载SAR图像与仿真SAR图像的匹配在机载SAR图像无控制正射纠正中具有重要的应用价值。为了提高机载SAR图像与仿真SAR图像匹配的可靠性,本文在SAR图像仿真的基础上,分别以机载SAR图像和仿真SAR图像作为匹配基准,设计了综合运用特征点提取、金字塔影像匹配、相关系数相似性测度计算、双向匹配等方法的匹配方案。利用机载SAR图像和由SRTM DEM仿真的SAR图像进行了匹配试验,统计了不同策略的正确匹配点数,并结合仿真SAR图像的特点,分析认为:以仿真SAR图像作为匹配基准进行匹配的策略较好。     

基于K-L变换的多极化SAR图像检索研究

K-L变换是将图像的多维信息进行数学正交矩阵变换,从而将原始图像的多个指标简化成几个少数综合指标的一种方法。多极化遥感图像经过K-L变换后,保留了原始图像辐射信息主要成分,从而降低图像的维数,节省图像存储空间,大大提高图像检索和查询效率。     

提高中巴卫星IR MSS图像空间分辨能力的光谱保真融合方法

介绍一种提高中巴资源卫星IRMSS图像空间分辨能力的光谱保真融合方法。通过计算低分辨率图像上每一个像元对应的高分辨率图像上一组子像元的平均亮度值及二者之差,将该差值与高分辨率图像上相应子像元亮度求和,形成新的图像。该图像具有高分辨率图像的空间细节,又具有低分辨率图像的光谱信息,从而实现融合图像信息保真。试验表明,光谱保真融合方法可以在不改变光谱信息的前提下提高IRMSS图像的空间分辨能力,是一种新的简单实用的数据处理方法。     

基于PCA的高光谱遥感图像分类

高光谱遥感图像的出现进一步提升遥感图像分类的准确性,但高光谱遥感图像的数据量大,处理高光谱遥感图像复杂度高、效率低。为解决这一问题,将主成分分析算法作为遥感图像分类的预处理技术。分析主成分分析算法的原理,利用主成分分析算法提取高光谱图像的主要波段图像。通过实验验证得出结论:高光谱遥感图像的主波段图像包含分类所需的大部分信息,利用少数的主波段图像即可达到70%以上的分类正确率。实验结果表明,在保证分类正确率的前提下,PCA算法可有效地减少图像分类处理的数据量,提高图像的处理效率。     

一种保特征的形态采样方法

提出了基于图像特征的形态采样方法,以反映图像某种重要信息的参考图像为加权模板,实现了在图像采样过程中保持图像形状及几何特征的相对不变性,研究了基于形态采样的图像形态多尺度分解方法.     

小波变换实现不同尺度土地利用图像融合

图像融合的目的是把同一目标的多幅图像融合成一幅质量高的图像。本文给出了一种基于小波变换的图像融合方法,首先对大比例尺土地利用图像使用正交小波进行分解,再使用小比例尺土地利用图像替换分解出的低频近似信息,然后重构,得到两幅土地利用图像的融合图像。最后使用该方法对两幅土地利用图像进行了融合,得到的融合后的土地利用图像汲取了两幅图像的优势,在一定程度上实现了土地利用空间类型的信息量随比例尺变化而自动增减。     

IHS变换和小波变换相结合的遥感影像融合

本文针对低分辨率多光谱影像与高分辨率全色影像的融合，提出了一种IHS变换和小波变换相结合的遥感影像融合方法。方法首先对多光谱影像作IHS正变换，得到亮度I、色度H和饱和度S三个分量：然后利用小波变换融合方法，融合多光谱影像的亮度分量与全色影像，并用融合后的影像替代多光谱影像的亮度分量；最后，利用IHS反变换得到新的多光谱影像。试验结果分析表明，新方法的性能优于IHS变换融合方法、小波变换融合方法，在增强融合影像的空间细节表现能力的同时，很好地保留了多光谱影像的光谱信息。     

基于IKONOS卫星立体像对的1∶10000地形图测绘应用

以IKONOS卫星立体像对为数据源,检测了IKONOS卫星影像在不同控制点布设方案的情况下的测图精度,找出了最经济、最有效进行1∶10000地形图测绘的方法;利用IKONOS卫星影像进行1∶10000测图,并分析了卫星像对影像更适合哪种地形测图;将卫星影像测图与航测测图进行效益和效率比较,分析了卫星影像测图的优势。     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

基于GF-1与Landsat-8影像的山区苹果园地信息提取

GF-1卫星影像具有空间和时间分辨率高、纹理信息丰富等优势,而Landsat-8卫星影像具有多波段、光谱信息充足等优势。针对两种影像的特点,本文分别用面向对象分类方法进行苹果园地信息提取研究,结果表明:两种影像的分类精度都比较高,但由于研究区域属于山区,地块分布不均匀,GF-1影像发挥其空间分辨率较高的优势,苹果园地面积提取精度比Landsat-8高1.19%。     

论地图设计中的形象思维问题

形象思维与抽象思维的有机结合是地图设计专家思维的主要特征，形象思维在地图设计中具有重要的作用。本文介绍了形象思维与抽象思维的基本概念，探讨了形象思维在地图设计中的作用、地图设计的形象思维工具和地图设计中的形象思维过程。通过对形象思维与地图设计专家系统关系的初步探讨，认为对形象思维的研究有助于地图设计专家系统的研制。     

Spectral and Spatial Quality Analysis in Pan Sharpening Process

Image fusion is a process to obtain new images containing more information by combining images obtained same or different sensors. With most of the earth observation satellites, high spatial resolution panchromatic images and low spatial resolution multispectral images are obtained. As an example of image fusion ??pan sharpening?? is a process of combining of high spatial resolution panchromatic images and low spatial resolution multispectral images. At the end of the fusion process both high spatial and spectral resolution new images are obtained. In this study, panchromatic and multispectral images gathered from Ikonos were used. Panchromatic and multispectral images belonging to the same sensor were combined by using different image fusion methods. As pan sharpening methods Brovey transform, Modified IHS, Principal Component Analysis (PCA), Wavelet PC transform and Wavelet A Trous transformation methods were used. Quality of fused products was evaluated from the point of view of both visual and statistical criteria. While wavelet based methods are succesfull in terms of protection of spectral quality of original multispectral images, the colorbased and statistical methods are giving better results within the improvement of spatial content.     

线阵CCD推扫式影像的扩展核线模型

首先简要论述了框幅式中心投影遥感影像的传统核线模型及其理论特性,分析和总结了线阵CCD推扫式遥感影像的核线模型及其研究现状;其次通过与框幅式中心投影遥感影像核线模型的对比研究,利用投影轨迹法建立了一种既适用于框幅式中心投影遥感影像,又适合于线阵CCD推扫式遥感影像的扩展核线模型;最后通过实验总结分析了它的基本特性。     

线阵CCD推扫式影像的扩展核线模型

首先简要论述了框幅式中心投影遥感影像的传统核线模型及其理论特性,分析和总结了线阵CCD推扫式遥感影像的核线模型及其研究现状;其次通过与框幅式中心投影遥感影像核线模型的对比研究,利用投影轨迹法建立了一种既适用于框幅式中心投影遥感影像,又适合于线阵CCD推扫式遥感影像的扩展核线模型;最后通过实验总结分析了它的基本特性.     

ALOS卫星图像分析与预处理实证研究

通过实证研究的方法对高分辨率ALOS卫星数据进行质量分析,结合ALOS数据特点,提出了ALOS原始影像数据的预处理方法和处理流程。研究结果表明： ALOS数据预处理工作量较大,且预处理方法要求较为严格,因此,在开展大规模、大范围、大区域、大精度、短周期的图件更新、动态监测等应用时,应考虑将ALOS卫星图像与其它卫星图像结合使用。     

Improving the mapping of crop types in the Midwestern U.S. by fusing Landsat and MODIS satellite data

Mapping crop types is of great importance for assessing agricultural production, land-use patterns, and the environmental effects of agriculture. Indeed, both radiometric and spatial resolution of Landsat’s sensors images are optimized for cropland monitoring. However, accurate mapping of crop types requires frequent cloud-free images during the growing season, which are often not available, and this raises the question of whether Landsat data can be combined with data from other satellites. Here, our goal is to evaluate to what degree fusing Landsat with MODIS Nadir Bidirectional Reflectance Distribution Function (BRDF)-Adjusted Reflectance (NBAR) data can improve crop-type classification. Choosing either one or two images from all cloud-free Landsat observations available for the Arlington Agricultural Research Station area in Wisconsin from 2010 to 2014, we generated 87 combinations of images, and used each combination as input into the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) algorithm to predict Landsat-like images at the nominal dates of each 8-day MODIS NBAR product. Both the original Landsat and STARFM-predicted images were then classified with a support vector machine (SVM), and we compared the classification errors of three scenarios: 1) classifying the one or two original Landsat images of each combination only, 2) classifying the one or two original Landsat images plus all STARFM-predicted images, and 3) classifying the one or two original Landsat images together with STARFM-predicted images for key dates. Our results indicated that using two Landsat images as the input of STARFM did not significantly improve the STARFM predictions compared to using only one, and predictions using Landsat images between July and August as input were most accurate. Including all STARFM-predicted images together with the Landsat images significantly increased average classification error by 4% points (from 21% to 25%) compared to using only Landsat images. However, incorporating only STARFM-predicted images for key dates decreased average classification error by 2% points (from 21% to 19%) compared to using only Landsat images. In particular, if only a single Landsat image was available, adding STARFM predictions for key dates significantly decreased the average classification error by 4 percentage points from 30% to 26% (p < 0.05). We conclude that adding STARFM-predicted images can be effective for improving crop-type classification when only limited Landsat observations are available, but carefully selecting images from a full set of STARFM predictions is crucial. We developed an approach to identify the optimal subsets of all STARFM predictions, which gives an alternative method of feature selection for future research.