滨海湿地稀疏采样重构高光谱图像分类精度评价

高光谱遥感影像维数高、数据量大、波段之间的相关性强,分类时易出现"Hughes"现象,因此在分类过程中如何有效减小数据处理过程中的计算量,又保证原始数据重要的地物信息不丢失具有重要的意义。压缩感知理论可通过远低于耐奎斯特的采样率和少量观测数据实现信号的精确重构,具有对硬件读写要求低、图像恢复效果好等优势。通过利用基于小波变换的压缩感知算法对黄河口地区的高光谱影像进行图像重构,然后分别采用SVM算法、最大似然法以及神经网络分类法对重构后的影像进行分类,并对分类结果的精度分别从空域和小波域、不同的测量值等维度进行了分析和比较。结果表明:(1)压缩感知理论重构后的影像保留了原始影像的基本信息,保证了分类精度;(2)SVM算法的分类精度最好,空域和小波域的分类精度基本一致;(3)分类精度随测量值的增加先逐渐提高,然后趋于稳定。     

基于分形插值及小波增强的海岸带遥感图像处理

用分形插值方法和小波对比敏感度增强算法,对海岸带遥感卫星图像进行处理。分形插值方法用来进行图像的放大,由于自然图像并非理想FBR,放大后图像的边缘会出现模糊。为补偿放大后图像的细节特征及纹理信息,采用基于小波多尺度的对比敏感度增强算法对放大后的图像进行增强。实验表明,在遥感卫星图像的处理中,该方法能对特定区域进行局部放大,且能保持原始图像的细节特征及纹理信息,具有很好的实用性。     

一种快速自动检测海面目标算法

为实现海事动态视频监测中海面目标的自动检测,提出基于小波域视觉注意选择机制的海面目标快速检测算法。根据人类视觉观测特点,首先利用提升小波变换在小波域建立了双尺度视觉选择注意模型,然后在粗分辨率低频子带上分别利用相位谱法和梯度法建立视觉显著图,并对两者进行有效融合形成综合视觉显著图,最后通过小波反变换得到原始高分辨率图像的视觉显著图,并由此实现海面目标区域的提取。实验结果表明:该算法能够快速、准确地实现海面目标的自动检测,可用于基于海洋浮标的海事智能监测。     

基于多小波分析的多聚焦图像融合

多聚焦图像融合的关键问题是如何保持原始图像的细节。基于多小波分析具有多个分析基函数和产生更多分解子图像的特点,本文提出1种基于多小波分析的多聚焦图像融合方法。根据小波变换域分解信号的特点,分别对细节信号采用基于局部区域能量指导下的融合规则和对粗大信号采用局部均方误差加权均衡的融合规则,最后考虑了焦点区域的一致性调整。通过实验证明,在采用空间频率和清晰度作为客观评价条件之下,该方法比基于单小波分解、塔式分解和其它的融合方法都具有更好的融合效果。     

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。     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像,发展了一种结合地物光谱特征和多纹理空间特征信息,采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类,并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据,联合光谱特征和K-L变换的纹理特征信息,采用DCNN模型方法展现了高的分类精度,精度高达99%;2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%,相比于使用全纹理特征信息的精度提高了4.15%;3）基于验证图像,发展的DCNN分类方法精度优于其他算法,DCNN方法总体分类精度为84.64%,Kappa系数为0.80;4）相比于浅层分类方法,本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡,保持了主要地物类型的分类精度几乎不变,同时提高了滩涂和农田的精度。基于DCNN模型,潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

基于小波变换的声纳图像边缘特征检测研究

声纳图像的边缘特征检测是其目标识别技术的重要技术基础。声纳图像背景复杂、噪声污染严重,而传统的边缘检测方法对图像噪声非常敏感,所以针对这一特点,利用小波变换易于消除噪声、运算方便的数学特征,提出了一种基于小波变换的声纳图像边缘特征检测算法。由计算机仿真结果可以得到,与传统的边缘检测算法相比,此算法在有效地抑制噪声的同时,还可以得到较高的边缘定位精度,能够很好地检测到原始声纳图像的边缘。     

基于双树复数小波变换的特征点水印算法

提出了一种基于双树复数小波变换的特征点数字水印算法。对图像做三级双树复数小波变换,用F rstner算子提取图像低频子带中的特征点,根据复数小波变换的系数特点,通过修改相应的高频系数来实现水印信息的调制嵌入,提取水印信息的同时能够近无损恢复原始载体图像。算法兼顾了水印的鲁棒性和不可见性,能够有效抵抗剪切、平移、旋转等几何攻击,对线性拉伸、低通滤波等攻击也具有一定的鲁棒性。     

基于改进U-Net的海岸线提取方法

遥感影像海陆分割对于海岸线提取及其动态监测具有重要意义。传统的基于光谱特征和图像处理的海岸线识别和提取方法,在面对高分辨率遥感图像复杂的纹理和空间分布时,只能生成具有局限性的图像特征结果,且分割结果准确率不高。本文将深度卷积神经网络应用于高分遥感图像的海陆分割问题,并在经典编码器-解码器结构的基础上进行了创新。首先,为了降低调参难度引入批归一化层,降低了网络对参数的尺度和初始值的敏感度;其次,采用转置卷积代替传统卷积,在模型训练过程中通过梯度递减算法,不断更新参数权值,显著提高语义分割的精度。利用研究区域高分一号遥感图像数据对于人工岸线及自然岸线的分割实验结果显示:相较于经典U-Net与SegNet,改进U-Net网络,对于各种自然岸线和人工岸线具有更低的边界模糊度和更准确的分割结果,对于自然岸线的提取结果,漏检、错检现象较少;对于人工岸线的提取具有更大的感受野,能够提取岸线的空间结构信息,避免误分类。面对日益丰富的高分辨率的遥感影像数据源,基于改进U-Net的海岸线提取,能更好地保留边界信息且具备更优的语义分割效果,可以更为准确地挖掘高分遥感影像的空间分布特征、纹理特征以及光谱特征,...     

一种基于小波阈值的SAR图像降噪方法

由于SAR特殊的相干成像机理导致图像有斑点噪声,使得目标识别和特征提取造成困难。在小波变换阈值降噪法的基础上,提出一种改进的SAR图像降噪方法。先用新的阈值公式对图像进行小波分解,再对小波系数进行更为细致的处理,最后通过逆变换实现图像去噪和重建。实验结果表明,与传统方法相比,本方法更为有效地去除了SAR图像的噪声,并能保持图像的细节特征,有着良好的图像视觉解译效果。     

一种新的基于PCA变换多源遥感影像像素级融合方法

在多源遥感影像融合中,基于传统PCA变换的多源遥感影像融合的光谱分辨率受到较大影响。提出了一种新的基于PCA变换的多源遥感影像像素级融合方法,通过在传统PCA变换融合算法基础上引入小波变换融合,保留了多波段遥感图像光谱特性的有用信息,进一步提高融合后遥感影像的效果。给出实验的融合结果,并与传统PCA变换方法进行对比,证明了该方法的有效性。     

纹理特征提取及辅助遥感影像分类技术研究

研究了利用灰度共生矩阵提取纹理特征的方法,并对利用纹理特征影像辅助光谱特征分类的方法进行了研究。实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度。     

基于复contourlet域隐马尔科夫树模型的海面溢油合成孔径雷达图像相干斑抑制

海面溢油SAR图像中的相干斑噪声严重影响了后续的图像分割、特征提取和分类.为了更有效地抑制海面溢油SAR图像相干斑,文中提出了一种基于复contourlet域隐马尔科夫树模型的海面溢油SAR图像相干斑抑制方法.首先对观测图像取对数并进行复contourlet变换;然后在复contourlet域中用隐马尔科夫树模型对相邻尺度间的带通方向子带系数进行建模,并依据贝叶斯最小均方误差准则估计无噪系数;最后进行逆复contourlet变换和指数变换,得到相干斑抑制后的图像.大量实验结果表明,与Lee、Kuan、Frost及Gamma Map等4种经典滤波方法以及小波域和contourlet域隐马尔科夫树模型方法相比,文中方法从主观视觉和客观定量评价两方面来看综合性能更为优越,是一种行之有效的SAR遥感图像海面溢油检测的预处理方法.     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适...     

多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Lands...     

IHS变换与小波变换相结合的ETM+影像融合技术

多分辨率影像融合技术已广泛应用于遥感影像处理方面,针对ETM＋多光谱影像和全色影像融合中存在的光谱失真现象,提出了一种改进的ETM＋影像融合方法。该方法首先对多光谱影像进行IHS变换;然后将全色影像进行小波分解,利用亮度分量替换小波分解后的近似分量,进行小波逆变换得到新的亮度分量;最后进行IHS逆变换得到融合影像。试验结果表明,融合后的影像在保持多光谱信息和提高空间分辨率上均能获得较好的效果。     

高分影像砂质海岸线精细提取及校正方法

通过遥感影像稳定获取大范围、连续性海岸线数据,是开展海岸带研究的重要手段之一。针对传统边缘检测算法处理高分辨率遥感影像存在的噪声敏感性、阈值不稳定性等问题,引入一种强鲁棒性的结构森林边缘检测（Strected Forests Edge Detection, SE）算法,对海口市西海岸砂质岸线进行识别,并提出基于Bruun-Dean平衡剖面模式建立拟合剖面模型的潮位校正新方法,结合实测数据对提取结果进行了精度评估和误差分析,最终提取得到了精细海岸线数据。研究表明,SE算法检测所得水边线结果清晰细腻,对比Roberts算子、Canny算子、LoG算子等传统边缘检测算子法更加精准高效,适用于高分遥感影像海岸线提取研究;针对砂质岸线的潮位校正,基于RTK实测剖面数据和拟合剖面模式建立的拟合剖面模型,克服了传统线性模型误差较大的问题,提升了海岸线校正的精度和可行性;基于实测岸线,使用断面法对结果进行定量分析,验证所得提取岸线定位精度优于2.5 m。     

一种基于众数赋值的高光谱图像地物分类方法

提出了一种融合监督分类与非监督分类结果的高光谱遥感影像分类新方法——众数赋值分类法。采用ISODATA非监督分类方法对高光谱遥感影像进行分类,并对非监督分类结果的图斑进行标记,同时用最大似然法(ML)和支持向量机(SVM)法进行监督分类,然后以监督分类结果对非监督分类后各斑块进行类别赋值。方法是:统计每个非监督分类斑块中由监督分类所获得的各类别像元数及所占比例,将非监督分类斑块的类别赋予所占比例最高的监督分类结果的类别,最终获得高光谱图像分类结果。研究表明:(1)非监督分类类别数量大于10时,其与ML分类结果融合的总体分类精度和Kappa系数均较监督分类法的分类结果好;(2)ML和20个类别的ISODATA分类结果融合的总体精度最高,为87.35%,比单独ML的总体精度高约2个百分点;(3)SVM和10个类别的ISODATA分类结果融合的总体精度提高最大,较SVM的总体精度提高近3个百分点;(4)随着非监督分类类别数量的增多,分类结果的总体精度呈现由低到高再到低的变化过程。     

遥感影像局部兴趣目标的可逆信息隐藏算法

提出了一种适用于遥感影像局部兴趣目标授权使用的可逆信息隐藏算法。提取遥感影像上的局部兴趣目标作为待隐藏的信息,并在原始图像上对该目标进行变形处理,然后利用可逆整数线性变换实现待隐藏信息的调制嵌入,授权用户能够完全无损重建原始遥感影像。算法为盲算法,具有较大的嵌入容量,含隐藏信息图像的峰值信噪比较高,并且可以有效抵抗剪切及椒盐噪声等攻击。     

基于CU-Net模型的红树林自动识别方法研究以广东省珠海市淇澳岛为例

红树林对维护生物多样性以及生态平衡等具有重要意义。因此,高效、精确地提取红树林植被信息以及实时对其进行监测十分必要。本文提出了一种高分辨率遥感影像红树林像素级精确提取的深度学习方法。针对红树林遥感分类精度不高的问题,通过强化图像中心信息,弱化边缘信息的方法引入CLoss损失函数,添加Dropout、Batch Normalization层构建了适用于红树林识别的CU-Net模型,采用滑动重叠拼接方法构建了新的预测模型,有效解决了预测结果边缘信息不足以及有拼接痕迹的问题。将本文方法的识别结果与U-Net、SegNet、DenseNet模型的预测结果以及传统的SVM、RF方法进行对比,结果表明,本文模型相较于其他深度学习模型泛化能力更强,识别效果更好,在两个测试区域的平均总体精度、平均交并比分别达到了94.43%、88.12%,平均F1-分数在红树林和普通树木的精度分别达到了95.96%、90.49%,精度明显高于传统的SVM、RF方法,也高于其他几种神经网络方法,验证了该模型在红树林识别领域的有效性,可为高分辨率遥感红树林识别领域提供一条新的思路。