船只衰落尾迹的小波多尺度广义分形特征分析

船只衰落尾迹遥感图像是弱反差纹理图像,检测强尾迹的方法不具有适用性。基于区域特征统计比较的思想,构建了一种会聚衰落尾迹异常的小波多尺度广义分形特征提取方法。该方法由小波多尺度分解、细节图像融合、多尺度基本特征计算、多尺度分形特征计算和广义分形特征计算等5步骤组成。仿真实验表明,该特征能完整表达尾迹并体现强弱差别,是一种有效的船只衰落尾迹检测技术,具有广泛的应用前景。     

一种基于分布差异的分形网络演化分割方法

针对分形网络演化多尺度分割方法对高分辨率遥感影像存在的欠分割问题,文章提出以KL散度为核心的区域合并标准,研究出一种基于KL散度原理的改进分形网络演化多尺度分割方法。该方法相对于分形网络演化多尺度分割方法,在合并标准上更充分利用了遥感影像的光谱特征,能够很好地消除因光谱差异造成的欠分割,对同质性较强的地物效果尤为明显。通过WorldView-2高分辨率影像分割实验,比较欠分割率,结果证明该方法更适合于高分辨率遥感影像分割,能够为地物信息提取提供与自然更吻合的实体对象。     

船只衰落尾迹的小波多尺度广义分形特征分析

船只衰落尾迹遥感图像是弱反差纹理图像,检测强尾迹的方法不具有适用性.基于区域特征统计比较的思想,构建了一种会聚衰落尾迹异常的小波多尺度广义分形特征提取方法.该方法由小波多尺度分解、细节图像融合、多尺度基本特征计算、多尺度分形特征计算和广义分形特征计算等5步骤组成.仿真实验表明,该特征能完整表达尾迹并体现强弱差别,是一种有效的船只衰落尾迹检测技术,具有广泛的应用前景.     

期刊博览

提升遥感影像质量的多重分形技术研究 此文提出采用一种最佳截止频率的自动选择方法来快速有效地去除遥感影像的薄云影响,以解决遥感影像薄云、薄雾消除时滤波窗口大小难以确定,需要反复人工干预的问题。该方法是基于简单薄云成像模型的同态滤波,考虑了薄云、薄雾空间形态的自相似性,采用多重分形技术来自动确定滤波半径。试验表明,该方法能够实现遥感影像的快速自动滤波,能有效地去除遥感影像的薄云影响,提高视觉效果,增加图像细节信息。     

遥感尺度内涵及遥感像元尺度效应分析的改进分形方法

本文首先分析了遥感影像尺度的三层次内涵。重点针对遥感像元尺度,分析了遥感像元尺度效应及其分形机理,由于现有分形方法没有考虑影像本身尺度(空间分辨率),造成尺度间分形维数的比较时像元尺度效应变化难以有效反映,本文针对此问题提出了基于表面积的加窗分形布朗运动和加窗双层地毯两种改进分形方法。为验证改进分形方法的可靠性,采用了不同像元尺度下系列监督分类进行验证。试验结果表明,每种地物的分维数都随着空间分辨率的降低或像元尺度的缩小,呈总体下降趋势,在某些特征尺度上会出现预示着某些地物结构的拐点,这些拐点对观测该区域地物具有一定指示意义。系列监督分类精度也一定程度上证明了以上两种改进分形方法在分析尺度效应中的可行性。因此本文的方法对于分析遥感像元尺度效应和探索地物尺度聚合规律具有一定的理论意义。     

一种基于小波域的分形遥感影像压缩方法

解决大数据量遥感影像传输和存储问题的方案之一,是对遥感影像进行高保真快速压缩。通过对遥感影像进行小波变换产生子带频域之间的相似性,再利用分形方法对具有相似性的相邻高频子带进行编码,由高一级的子影像构造低一级的子影像,然后采用分形迭代解码和小坡变换的逆变换重建影像。实验结果表明,该方法在一定程度上能够提高压缩比,在压缩时间上比传统的分形方法有明显的缩短,并且压缩后影像信息的损失量较少,影像恢复的质量较好。     

基于分形的海岸线遥感信息空间尺度研究

空间尺度是地学研究的基础性问题，遥感信息的空间尺度及其转换随着遥感应用发展而日益受到重视，同时遥感与地理信息系统技术的发展也为空间尺度研究提供了有力的工具。本文以系列空间分辨率遥感图像为数据源，采用分形几何方法研究海岸线遥感信息的空间尺度，提出了基于分形尺度依赖性的遥感信息空间尺度转换模型和基于比例尺的遥感信息空间尺度转换模型，并以海岸线为例验证了模型的有效性和实用性。     

面向对象影像多尺度分割最大异质性参数估计

多尺度分割是遥感影像分析的关键步骤,影像分割过程中的尺度参数选择直接关系到面向对象影像分析的质量和精度。首先,总结了面向对象影像分析中尺度概念的内涵,分析遥感影像空间和属性两大基本特征,依据空间统计和光谱统计获得理论上最优的空间尺度分割参数、属性尺度分割参数。其次,运用了基于谱空间统计的高分辨率影像分割尺度估计方法,分析了分形网络演化多尺度分割与影像谱空间统计特征的关系,进而将基于谱空间统计的面向对象影像分析尺度参数应用于分形网络演化多尺度分割算法中,最后,对其参数的合理性进行验证。研究采用高空间分辨率IKONOS和SPOT 5影像数据,选择建筑实验区和农田实验区进行空间和光谱特征统计,以进一步估计分割中的最佳尺度参数。使用分形网络演化方法对图像进行分割,利用监督分类对本文提出的尺度估计方法进行验证,验证结果表明尺度估计方法可以一定程度上保证后续的面向对象影像分类的精度。不同于以往分割后评价的尺度选择方法会需要大量的运算量,本文方法不需要先验知识的参与,且在分割前就可以自适应地估计出相对较为合适的尺度参数,提高了面向对象信息提取的自动化程度。     

多尺度特征孪生神经网络的建筑物变化检测方法

针对从多时相高分辨率遥感影像上做建筑物变化检测出现的细节特征丢失、变化检测结果模糊的问题,该文提出了一种基于多尺度特征孪生神经网络的遥感影像建筑物变化检测算法。以孪生神经网络为基础网络,将Inception v2结构加入网络特征提取层中,获得遥感影像多尺度特征,并对其进行多特征融合,更好地还原建筑目标的细节信息。与全卷积孪生神经网络网络相比,在WHU和LEVIR-CD建筑变化数据集下的实验结果表明,overall accuracy、F1-score和Kappa系数指标都有所提高,本文的多尺度孪生神经网络方法更利于建筑物变化检测,并获得了良好的测试结果。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

Dense RFB和LSTM遥感图像舰船目标检测

针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。     

自相似性和边缘保持分解的超分辨率重建算法

针对目前遥感图像超分辨率重建中存在边缘细节信息重建效果不佳的问题,本文提出了—种自相似性特征和边缘特征保持分解的超分辨率重建方法。首先,为了充分利用原始低分辨率图像自身的相似性信息,通过局部自相似性重建方法得到图像的初始重建结果;然后,为进一步增加不同尺度的边缘信息,采用加权最小二乘法对初始重建结果进行多尺度边缘保持分解,并对分解的细节层进行加权线性组合;最后,通过优化计算,得到融合多尺度边缘、细节信息及局部相似性特征的超分辨率重建图像。利用多组仿真和遥感卫星图像进行对比试验。结果表明,该方法可有效提升遥感图像的边缘信息和细节信息。     

多尺度细节增强的遥感影像超分辨率重建

鉴于现有超分辨率重建方法难以突显重建影像细节信息的问题,提出多尺度细节增强的遥感影像超分辨率重建模型框架。首先,通过最小二乘滤波方法将序列影像分解成包含大尺度边缘的平滑信息和包含中小型尺度的细节信息;其次,利用插值方法得到相应的高分辨率细节信息和平滑信息,构造纹理细节增强函数,提升中小型细节的增强幅度;最终,融合细节信息和平滑信息,得到初始的超分辨率重建结果,并利用局部优化模型进一步改善重建影像质量。选取同时相和多时相遥感影像作为试验数据。试验结果表明,本文重建结果与插值方法、TV方法和MAP方法相比,在客观评价指标上均有显著提高,明显改善了重建影像的纹理细节。论文提出的多尺度细节增强的超分辨率重建方法,可以使重建影像提供更多高频细节信息,具有较好鲁棒性和普适性。     

水环境参数定量遥感反演空间尺度误差分析

对地观测技术的快速发展为水环境定量遥感监测提供了多源遥感数据的有利支撑,然而多源数据空间尺度差异引起的遥感数据和定量产品的不一致性严重制约了水环境科学研究和业务化应用。针对多源遥感数据的空间尺度转换和尺度误差问题,本文提出一种模拟遥感成像过程点扩散函数(PSF)的多源遥感数据空间尺度转换方法。以高空间分辨率GF-1卫星16m遥感数据为基础,模拟了常用的内陆水环境监测卫星Landsat TM/ETM+/OLI(30m)、Terra/Aqua MODIS(250m、500m、1000m)数据,系统研究了高动态浑浊水体(以鄱阳湖悬浮颗粒物监测为例)多源定量遥感监测的空间尺度误差,并对比分析了常用的多源数据尺度转换方法(基于遥感反射率数据平均法和基于悬浮颗粒物产品平均法)的有效性。结果表明,基于点扩散函数的空间尺度转换方法与传统方法具有较高的相关性,基于遥感反射率数据平均法的水环境定量遥感产品的误差水平低于基于悬浮颗粒物产品平均法;相对于南海等相对平稳水体的低空间尺度误差水平(0.5%),在高动态浑浊的内陆或近岸水环境遥感监测中,由空间尺度变化引起的产品误差可达±5%左右。因此,在高精度水环境定量遥感发展应用的需求和多源多尺度遥感数据协同的背景下,本文研究对于提高多源遥感监测产品的一致性和应用能力具有重要理论和现实意义。     

提升遥感影像质量的多重分形技术研究

提出采用一种最佳截止频率的自动选择方法来快速有效地去除遥感影像的薄云影响,以解决遥感影像薄云、薄雾消除时滤波窗口大小难以确定,需要反复人工干预的问题。该方法是基于简单薄云成像模型的同态滤波,考虑了薄云、薄雾空间形态的自相似性,采用多重分形技术来自动确定滤波半径。试验表明,该方法能够实现遥感影像的快速自动滤波,能有效地去除遥感影像的薄云影响,提高视觉效果,增加图像细节信息。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.0500s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。     

一种基于变分Retinex的遥感影像不均匀性校正方法

本文提出一种基于变分Retinex的遥感影像灰度不均匀性校正方法。该方法在Retinex框架上,利用变分最优化技术和投影归一化最速下降法求解成像瞬间的照度分布,并以此为基础对遥感影像的灰度不均匀性进行校正。为了提高运算效率,引入了多尺度数值求解的策略。利用模拟影像和真实影像进行了实验,并与传统方法进行了对比分析,结果表明,本文方法能够在消除影像灰度不均匀现象的同时,有效保持影像本身的色彩和细节信息,同时还具有较高的运算效率。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN (Region Proposal Network)机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。