基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

变序字典学习AO-DL的资源三号遥感影像云去除

采用了一种压缩感知方法进行遥感影像去云。该方法以压缩感知为理论基础,在采用K-SVD字典学习与稀疏表示的正交匹配追踪算法(OMP)相结合的同时,在字典原子训练的过程中加入某种特定的排序规则,使得各个影像字典在拥有各自影像属性的同时其原子也具备相似的排列顺序,减小影像间差异的干扰,使得遥感影像受云和阴影污染区域的重建取得良好的效果。最后应用两组相同地区不同时域的资源三号卫星影像进行了试验验证。     

高分辨率遥感影像的压缩纹理元分类

针对传统的高分辨率遥感影像分类中特征提取复杂,特征维数大等问题,提出一种新颖,简单,高效的纹理特征提取方法。首先,利用随机投影对基于原始像素灰度值的纹理元矢量进行降维,将其投影到压缩的纹理特征子空间。然后,在压缩子空间中对各类纹理元进行聚类,将聚类中心作为纹理字典,得到局部纹理特征集。最后,将样本中包含的纹理元编码到纹理字典中对应距离最近的词汇,得到样本的视觉词汇图,并融合词汇统计直方图与词汇二阶矩信息作为最终的纹理表达。通过两组实验,验证了本文方法能够有效的表达纹理,提高分类精度。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

利用在线字典学习实现图像超分辨率重建的算法

图像超分辨率重建是通过对单张或多张具有互补信息的低分辨率图像进行处理,重建一张高分辨率图像的技术。在单张图像的超分辨率重建中,基于稀疏表示的方法取得了很好的效果,得到了广泛的应用。一张图像中不同区域的图像块的内容一般会有显著变化。而基于稀疏表示的超分辨率重建算法多采用固定的字典,无法适应每一个图像块的重建需求。提出了一种结合外部数据和输入图像自身信息进行超分辨率重建的方法,通过搜索待处理图像块的非局部自相似块,结合在线字典学习方法对字典进行更新,从而保证更新后的字典能够匹配待处理的图像块。采用包括遥感图像在内的5张图像进行实验,并与4种经典的超分辨率重建算法进行比较,实验结果表明,此算法在主观评价和客观评价方面都有更好的表现。     

一种结合稀疏表示和纹理分块的遥感影像超分辨率方法

提出了一种基于稀疏表示和纹理分块的单幅遥感影像超分辨率方法,主要利用先验知识及影像自身的纹理信息重构遥感图像。首先,提取用于字典学习的图像块,从高、低分辨率遥感图像块中训练出冗余字典,采用正交匹配追踪方法更新字典,用迭代的方法直到算法收敛;然后,将训练的字典应用于遥感影像超分辨率重构。重构时将图像块分成平滑块和非平滑块两种类型,平滑块采用双三次卷积方法重构,非平滑块采用低分辨率遥感图像块的稀疏表示系数及高分辨率图像块冗余字典重构。实验结果表明,此方法重构速度较快,并在视觉及客观评价指标上有较好的超分辨率效果。     

一种结合地理知识的遥感影像目标实体关联方法北大核心CSCD

遥感影像目标识别技术已广泛应用于目标动态监测与定位等领域。但影像目标识别的结果缺乏与目标属性信息的链接,导致分析人员只能依据影像特征进行分析,难以进行更复杂的目标数据关联分析与挖掘。针对遥感影像目标识别语义属性信息缺失的问题,本文利用知识图谱相关技术将影像判别的目标信息与知识语义网链接。首先,提出了一种遥感影像目标知识图谱构建框架;其次,针对遥感影像目标不同的数据类型,构建遥感影像目标知识抽取模型,提出了基于相似度目标实体识别和预定义模式的关系抽取方法;然后,基于多特征Logistic模型的影像目标实体链接方法,实现了遥感影像目标实体与百科知识库的知识关联;最后,针对预定试验区域进行试验,验证了本文方法的可行性。     

高光谱图像稀疏信息处理综述与展望

高光谱成像技术具有光谱连续、图谱合一,能够以较高的光谱诊断能力对地物目标进行精细化解译,可以大幅增强地物信息的提取能力。充分利用高光谱遥感图像丰富的空间、谱信息,进行观测目标地物的精细化解译,成为近年来遥感领域的研究热点和前沿领域,并在多个相关领域具有巨大的应用价值和广阔的发展前景。本文结合高光谱图像成像特点,对基于稀疏表示理论的高光谱图像处理与分析方法进行综述,概括了高光谱图像处理与分析主要研究,并对各个研究领域与方向进行分析和评价,最后对各研究领域发展提出建议和展望。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

利用矢量影像法进行土地利用变化自动检测

为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。     

利用视觉词袋模型和颜色直方图进行遥感影像检索

基于内容的遥感影像检索已经成为遥感领域的研究热点,因此,本文提出了一种综合视觉词袋模型和颜色直方图的遥感影像检索方法,利用尺度不变特征算子提取影像的局部不变特征,通过视觉词袋模型组合局部特征,生成每幅影像的金字塔直方图,接着结合每幅影像的颜色直方图生成更有区分性的特征向量,利用新的特征向量集训练支持向量机分类器,通过分类器输出与查询属于一类的影像,完成遥感影像检索。试验结果表明,本文方法不仅提高了影像检索的查准率和查全率,并且验证了该方法能有效克服影像光照、噪声、方向等变化,鲁棒性较好。     

基于解析字典的图像压缩方法

随着高分辨率图像采集技术的发展,采集图像的数据量大幅增加给图像的压缩、存储和传输带来了严重的挑战。近年来,压缩感知理论以能够通过少量观测信号高精度重建原始信号的优势给图像压缩带来了新的思路。目前压缩感知理论的研究主要集中于综合模型,然而综合模型下图像数据的稀疏表示却存在着计算量大、耗时长的问题。提出了基于解析字典的图像压缩模型。在分析综合模型字典学习方法的基础上介绍了解析模型字典学习的流程,然后详细分析了基于解析字典的图像压缩的总流程。以标准测试库自然图像为数据对模型的重构质量和系统耗时进行了分析,结果表明,本文所提模型在采样率相同的情况下,相对其他模型不仅能够缩短系统的耗时,也提高了图像重构的准确性。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

多层特征与上下文信息相结合的光学遥感影像目标检测

目标检测是遥感影像分析的基础和关键。针对光学遥感影像中目标尺度多样、小目标居多、相似性及背景复杂等问题,本文提出一种将卷积神经网络(CNN)和混合波尔兹曼机(HRBM)相结合的遥感影像目标检测方法。首先设计细节—语义特征融合网络(D-SFN)提取卷积神经网络低层和高层融合特征,提升目标特征的判别力,特别是小目标;其次考虑上下文信息对目标检测的影响,结合上下文信息进一步加强目标表征的准确性,提升检测精度。在NWPU数据集上试验表明,本文方法能够显著提升目标检测精度且具有一定程度的稳健性。     

主题学习和稀疏表示的MODIS图像超分辨率重建

针对MODIS图像分辨率受传感器限制和噪声干扰,且分辨率局限在一定水平等问题,提出一种采用主题学习和稀疏表示的MODIS图像超分辨率重建方法,该方法通过双边滤波将MODIS图像的平滑及纹理部分分离,并将纹理部分看成是由若干"文档"组成的训练样本;运用概率潜在语义分析提取"文档"的潜在语义特征,从而确定"文档"所属的"主题"。在此基础上,针对每个主题所对应的图像块,采用改进的K-SVD方法训练若干适用于不同主题的高低分辨率字典对,从而可以运用这些字典对,通过稀疏编码实现测试图像相应主题块的超分辨率重建。实验结果表明,重建图像在视觉效果和PSNR等指标上均优于传统方法。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。     

Fractal-based dimensionality reduction of hyperspectral images

The spectral reflectance of any pixel in a remote sensing image depends on the characteristics of the particular land cover (LC) present in the Instantaneous Field of View (IFOV) of the sensor. The fractal dimension of the spectral reflectance curve (SRC) of any pixel can thus be visualized as a representation of the characteristics of the LC. Based on this, a fractalbased method for reduction of the dimensionality of Hyperspectral (HS) images has been investigated. The fractal dimension (FD) of SRC has been calculated by adopting a method based on Hausdorff metric that reduces the dimensionality from N HS bands to a single feature incorporating the characteristics associated with each of the bands. Further, it has been established that FD values can be used as a feature to identify anomaly in water cover.