条件生成对抗网络在遥感图像复原中的可行性

对于遥感图像中降质模糊的问题,经典的图像复原方法由于模糊函数难以估计等原因,复原效果较差。为了避免估计模糊函数带来的困难,通过深度学习的方法对图像进行去模糊,研究了基于条件生成对抗网络(conditional generative adversarial nets,CGAN)的图像复原方法。首先创建训练网络的训练库,然后设置网络训练的初始参数,该网络以对抗的方式来使生成模型和判别模型进行交替学习,通过不断学习降质图像和清晰图像之间的差异,并结合了对抗损失和感知损失来缩小两者之间的差异,实现图像复原。实验采用以GOPRO数据集为基础的混合模糊训练库来训练网络,并与其他方法进行了对比试验,结果表明,在图像细节和评价指标方面,CGAN具有较好的复原效果,保证了复原图像的细节信息和纹理信息,证明了该方法可以用于遥感图像的复原。     

结合残差编解码网络和边缘增强的遥感图像去噪

高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点,针对以上问题本文提出了一个基于边缘增强的残差编解码去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层,然后将含噪声信息的高频层输入到带残差模块的编解码网络中,通过采样运算在多尺度空间上学习残差映射生成残差图像,最后使用跳跃连接得到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成,逐像素损失使用传统的均方根误差学习像素级信息,感知损失学习语义特征上的差异可以保留更多边缘信息,最终得到更清晰的结果,其中感知损失是由级联在后的语义分割网络提取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法,不仅提高图像的峰值信噪比,得到最高的平均梯度值,还在视觉上取得了最清晰的结果。实验结果表明,本文提出的基于边缘增强的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题,保留更多遥感地物信息,提高图像视觉效果。     

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。     

基于非局部生成对抗网络的单张散焦图像去模糊

由于相机的景深有限,通常很难从单个相机获得全焦图像。针对因散焦现象而变得模糊的散焦图像,本文提出了一个端到端的非局部生成对抗神经网络DNGAN,通过在真实的数据集下训练模型,实现散焦图像的去模糊和散焦图的估计。DNGAN由散焦图估计和特征融合两大核心模块组成。其中散焦图估计模块采用编码器-解码器的结构实现对输入图像聚焦和散焦区域的判断;特征融合模块采用融合了注意力机制的由粗到细的非局部思想,让散焦图像充分融合周围相似的高频细节纹理信息,并结合散焦图估计模块的结果,指导散焦图像有偏重的进行去模糊图像增强;同时加入生成对抗模块让网络生成更加丰富的纹理特征。本论文实验从客观评价指标和图像视觉对比效果两方面论证了提出的网络在真实数据集下的散焦图像去模糊任务和散焦图估计任务上的优势。     

基于系统模型的CCD图像MTF补偿及误差分析

航天线阵推扫CCD图像在获取、传输过程中存在图像模糊的现象,而MTF是评价CCD图像质量的最可靠指标。为了改善图像质量,通过分析影响MTF的主要因素,提出基于系统模型的MTF补偿方法:首先建立系统模型,提出模型参数的估计方法,然后结合约束最小二乘算法复原图像。在仿真实验中,模拟图像的模糊和加噪过程,利用MTF模型复原图像,并评价MTF补偿图像质量,定量分析模型参数估计误差对图像复原结果的影响。实验结果表明:基于系统模型的MTF补偿方法能够有效而简便地复原图像,提高图像质量。     

基于混合熵模型的遥感分类不确定性的多尺度评价方法研究

不确定性是影响遥感图像分类质量的最主要因素,针对在遥感图像分类过程中同时存在随机不确定性和模糊不确定性的特点,提出基于混合熵模型来综合测度这两种不确定性的方法,并建立起多尺度的评价指标.在分析混合熵模型基本原理的基础之上,提出利用特征空间的和模糊分类器的统计数据来建立信息熵、模糊熵以及混合熵的方法.同时,在像元和类别尺度上,分别建立像元混合熵和类别混合熵的指标对分类不确定性进行评价.最后,应用湖北省黄石市的遥感影像对上述评价方法进行验证分析,实验结果表明,混合熵模型能有效地反映分类过程中随机不确定性和模糊不确定性的综合影响,并从不同尺度反映出遥感影像分类的质量问题.     

行列式点过程采样的文本生成图像方法

近年来,虽然基于生成对抗网络(generative adversarial networks, GAN)的文本生成图像问题取得了很大的突破,它可以根据文本的语义信息生成相应的图像,但是生成的图像结果通常缺乏具体的纹理细节,并且经常出现模式崩塌、缺乏多样性等问题。针对以上问题,提出一种针对生成对抗网络的行列式点过程(determinant point process for generative adversarial networks, GAN-DPP)方法来提高模型生成样本的质量,并使用StackGAN++、ControlGAN两种基线模型对GAN-DPP进行实现。在训练过程中,该方法使用行列式点过程核矩阵对真实数据和合成数据的多样性进行建模,并通过引入无监督惩罚损失来鼓励生成器生成与真实数据相似的多样性数据,从而提高生成样本的清晰度及多样性,减轻模型崩塌等问题,并且无需增加额外的训练过程。在CUB和Oxford-102数据集上,通过Inception Score、Fréchet Inception Distance分数、Human Rank这3种指标的定量评估,证明了GAN-DPP...     

基于差分卷积的弱光照车牌图像增强

车牌识别作为现代化智能交通系统中重要的环节,对提升路网效率以及缓解城市交通压力等问题具有重要的社会意义,然而弱光照车牌图像识别仍然具有重大的挑战。构建了一个基于差分卷积神经网络的弱光照车牌图像增强网络,将车牌的纹理信息解耦为水平垂直和对角线两个方向,对不同尺度空间的低照度图像进行纹理增强。为了避免增强结果局部过曝或低曝,该方法使用YCbCr颜色空间的损失函数来优化模型。图像增强实验结果表明,所提出的方法较传统的低照度图像增强方法相比,图像客观质量结果峰值信噪比提升了0.47 dB。同时,在仿真车牌和真实场景的车牌识别实验结果也证明了所提算法对于低照度图像感知质量提升的有效性。     

利用区域辐射特性优化获取光学遥感数据

通过分析成像过程及其影响因素,提出了对成像积分时间进行控制的优化成像方法。首先建立成像参数模型,探讨了模型参数计算、成像过程中模型参数的选择,分析了图像后处理问题,并利用北京一号小卫星进行了遥感数据优化获取实验。实验结果表明,根据地物特性进行成像参数优化后获取的图像具有更宽的动态范围和更高的辐射分辨率,信息量和信噪比也大幅增强。     

基于SPOT卫星影像的去模糊处理

用模糊区/清晰区平均反射率匹配法对SPOT 5卫星影像进行去模糊处理.首先,结合SPOT 5各波段的统计特征,从影像上识别出模糊区;然后,对影像进行非监督分类,对同一分类区内像元在模糊区和清晰区的辐射值进行比较,计算出气溶胶空间分布;最后,将气溶胶分布输入MODTRAN模型中,对影像进行大气校正.研究中将反演的气溶胶浓度分布重采样到全色波段的分辨率,用MODTRAN对全色波段进行大气校正,也取得了较好效果.研究得出模糊区/清晰区平均反射率匹配法是一种有效的去模糊处理方法,且可将处理后的影像转换得出反射率,便于不同时相遥感影像进行对比.