基于数据融合的侧扫声纳图像预处理

论述了基于数据融合的侧扫声纳图像处理的特殊过程。根据现代侧扫声纳系统的特点，提出了利用声线跟踪法进行斜距改正，同时对目标阴影区进行了处理；对文献[1]的灰度不均衡的改正算法进行了改进。利用小波变换检测出灰度突变区，根据剔除突变区后计算的灰度改正系数进行航向上的灰度改正，并用模拟数据和实际数据进行了验证；鉴于波束展宽效应对远场目标造成的拖尾效应，论述了对拖尾效应使用的去卷积的改正算法。     

应用多传感器目标跟踪融合技术实现滑坡多点监测数据综合信息的提取

目前的滑坡预报模型只能利用一个关键监测点的监测数据，而不能同时利用多个监测点的监测信息，即只能处理一维时间序列问题.为了解决这个技术难题，本文将滑坡视为一个机动目标，将对滑坡的监测视为对机动目标的跟踪，提出了利用多传感器目标跟踪融合技术来处理滑坡多个点的监测数据的方法，分析了其可行性，并用实例说明了本文提出的方法在实际应用中是有效的.     

复杂多边形快速融合算法与实现

空间矢量数据结构复杂且信息丰富,复杂多边形作为矢量数据的重要组成部分,可由多个外环链和内环链组合而成,复杂的拓扑关系给相应算法的实现带来了极大困难。多边形快速融合作为GIS的基本功能,需要快速实现对任意、多个、复杂多边形的融合处理。根据多边形重心进行行列划分,利用排斥实验和多线程技术,实现了对任意多个复杂多边形的快速合并。算法已在生产实践中得到应用。     

高分二号卫星影像融合方法探析

图像融合技术是卫星影像处理过程中的一个重要步骤,它可以将全色影像的高空间分辨率特点与多光谱影像的高光谱分辨率特点有机地结合起来,使得融合后的影像更利于后续解译。由于融合处理方法的原理以及获取影像的传感器特性不同,不同的卫星影像适合于不同的融合方法。针对高分二号卫星影像的特点,本文采用Gram-Schmidt融合法、FIHS变换方法、HPF方法、Pansharp方法进行试验。实验结果表明:HPF方法所得融合结果在光谱特性保持方法性能最优,而Pansharp方法融合结果在信息量的保持以及清晰度方面效果更优,因此,在实际应用中,应根据具体需求进行方法选择。     

WorldViewⅡ全色与多光谱影像融合算法的比较研究

遥感影像融合是基于某种算法,将全色与多光谱影像的优势进行有效结合,从而获得比单一数据更精确、更丰富的信息,有助于影像的特征信息提取和分类处理.WorldViewⅡ(简称WV2)影像是目前主流的高分辨率卫星,探讨WV2数据的实用融合方法对进一步推动影像深度应用具有重要意义.现结合WV2数据特点,从主观定性与客观定量两个方面对不同融合方法进行了评价.结果表明Pan Sharpening算法具有更强的适应性.     

TRMM星载测雨雷达和地基雷达反射率因子数据的三维融合

TRMM卫星上的测雨雷达(TRMMPR)探测资料分布均匀且具有很高的垂直分辨率,但灵敏度较低;地基雷达(GR)水平分辨率较高且具有较高的灵敏度,但其垂直分辨率低。通过将TRMM PR与GR反射率因子数据的三维数据融合,得到了更优的反射率因子图像。测雨雷达与地基雷达三维数据融合主要分为以下几步:测雨雷达与地基雷达数据预处理——如去杂波、衰减校正;测雨雷达与地基雷达时空匹配;选取和应用合适的三维图像融合算法;对融合后的图像进行效果评估。试验结果表明:融合后的图像不仅增大了信息量,更好地检测弱降水,还提高了空间三维(3D)分辨率,能更好地反映降水区域细节,且使得数据总体上具有更高的完整性和可靠性。此外,还将基于雷达资料估测的降水数据与地面雨量计数据进行对比,估计反射率因子数据融合在降水测量上的有效性。      

东亚与南亚雨季对流和层云降水云内的温湿结构特征分析

为认知降水云内的大气温湿结构特点,本文利用1998至2012年热带测雨卫星的测雨雷达(TRMM PR)和全球探空数据集(IGRA)的探测结果,融合计算获得了一套大气温湿廓线和降水廓线的准时空同步资料,并利用该融合资料研究了雨季东亚和南亚降水云内的温湿结构和不稳定能量特点。个例研究结果表明深厚对流降水表现出整层大气湿润、高空风速小的特点,层云降水则表现出850 hPa以下大气湿润、水汽随高度升高显著减少、高空风速大的特点。统计结果表明东亚季风区降水强度更大,对流和层云降水的回波顶高度分别可达17 km和12 km;南亚季风区降水强度较弱,回波顶高度比东亚约低1 km;统计结果还表明南亚季风区对流活动受季风推进的影响显著。两个季风区降水云团内的温度结构差异主要出现在近地面,南亚的近地面温度比东亚约高4℃,南亚对流降水云内的大气较东亚更干燥;整个雨季南亚降水的对流有效位能(CAPE)要大于东亚。本研究结果为模式模拟降水云温湿结构提供了观测依据。     

利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识

青藏高原积雪对全球气候变化十分重要,针对已有积雪遥感判识方法中普遍采用的可见光与红外光谱数据易受复杂地形与高海拔影响,导致青藏高原地区积雪判识精度较低的问题,提出了一种基于多光谱遥感与地理信息数据特征级融合的积雪遥感判识方法:以风云三号卫星可见光与红外多光谱遥感资料与多要素地理信息作为数据源,由地面实测雪深数据与现有积雪产品交叉筛选出样本标签,构建并训练基于层叠去噪自编码器(SDAE)的特征融合与分类网络,从而有效辨识青藏高原遥感图像中的云、积雪以及无雪地表。经地面实测雪深数据验证,该方法分类精度显著高于使用相同数据源的FY-3A/MULSS积雪产品,略高于国际主流积雪产品MOD10A1与MYD10A1,并且年均云覆盖率最低。试验结果表明该方法可有效地减少云层对积雪判识的干扰,提升分类精度。     

遥感数据融合的进展与前瞻

数据融合是提升遥感影像应用能力的重要手段,一直是遥感信息处理与应用领域的研究热点。本文系统综述了遥感数据融合的进展与前瞻:首先对数据融合的层次与分类进行了总结和归纳,将遥感数据融合划分为同质遥感数据融合、异质遥感数据融合、遥感—站点数据融合、遥感—非观测数据融合4大类;在此基础上,重点针对时—空—谱光学遥感数据的融合,从多视超分辨率融合、多尺度融合、空—谱融合、时—空融合、时—空—谱一体化融合等方面进行了详细阐述;最后总结了遥感数据融合的前瞻研究方向,包括时—空—谱一体化融合的拓展、空天地观测数据的跨尺度融合、传感网环境下的在线融合、面向应用的融合方法等。     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。