大面积水深异常检测的条件变化自编码算法

针对大面积海底地形数据缺失或异常的复杂及多变性特点,结合条件变分自编码器(CVAE)与深度卷积生成对抗网络(DCGAN),构建了条件变分自编码生成对抗网络(CVAE-GAN)大面积海底伪地形的检测与剔除方法。本文方法利用条件变分自编码算法改变原有的样本分布,通过对训练样本的学习重新构建样本之间的分布规律,有效提高了高维到低维映射的稳定性;结合生成对抗网络,提高了整体算法的稳健性,最终得到较优的检测与剔除结果。采用水深格网数据进行试验,并与中值滤波法、趋势面滤波法进行比较。结果表明,本文方法在精度、稳定性及噪声稳健性方面有所提高,验证了本文方法在海底地形数据处理上具有可行性。     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多,容易导致“维数灾难”。传统流形学习方法一般仅考虑其光谱特征,忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入(WSCPE)的维数约简算法。首先采用加权均值滤波(WMF)方法对高光谱影像进行滤波,以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性,通过采用加权空-谱联合距离(WSCD)来融合像素点的光谱信息和空间信息,有效选取各像素点的空-谱近邻,并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构,提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明,总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时,有效融合了影像的空间-光谱信息,故能提高影像特征的鉴别性,并提升分类性能。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

高分二号卫星影像自适应模糊阈值法小波去噪

高分二号卫星影像提供了丰富的图像信息,高分二号影像数据的发布打破了我国高分辨率对地观测数据长期依赖进口的局面。但是图像在传输和保存过程中会有噪声干扰,如果感兴趣区域受到污染,则会导致该区域内的影像信息不能被充分利用。为了解决高分二号遥感影像去噪这一难题,本文采用自适应模糊阈值法去噪方式,该方法根据各个尺度下噪声方差建立的自适应模糊阈值函数非线性处理后,重新构造作为新的小波系数,经小波逆变换后得到去噪图像。通过与均值滤波器滤波、高斯平滑滤波、中值滤波器滤波、小波全局阈值去噪和Birge-Massart策略阈值法去噪比较,结果表明,自适应模糊阈值去噪法充分结合软硬阈值处理方式的优点,既保留图像细节又使图像更加平滑,图像整体信息完好,去噪效果更为理想。     

基于星通软件的农村土地承包经营权确权登记颁证数据处理

更新地籍信息对于记录土地所有权和财产分割的变化至关重要,在大多数情况下,现有的宗地图不能提供关于地块边界的最新信息,因此,需要及时提供地籍图中的地籍数据和地块边界信息。本文以安徽省一个行政村土地承包经营权确权登记颁证为研究对象,以星通承包经营权采编系统(以下简称星通软件)在土地确权颁证登记中的应用为研究内容,通过实践表明,星通软件为农村土地确权内业数据处理带来了极大的便利。     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法

针对现有利用阴影长度法提取建筑物高度时存在的阴影间相互遮挡问题,提出了一种基于建筑物侧面轮廓线进行建筑物高度估算的新方法。首先,利用RPC模型计算建筑物像点位移的方向与卫星成像角度,再将遥感影像进行旋转,使建筑物像点位移沿水平方向;然后,利用Canny算法进行轮廓检测,并构建一定长度的矩形形态学结构元素,对轮廓图像进行形态学开运算,以提取侧面轮廓线,再利用Hough变换与建筑物角点约束,对所提取的轮廓线进一步筛选;最后,根据卫星侧视成像时建筑物高度与像点位移的几何关系进行建筑物的高度估算。利用实际的高分辨率卫星影像对本文方法进行了验证,并与阴影法估算建筑物高度进行了对比。试验结果证明,利用建筑物侧面轮廓线进行建筑物高度估算平均误差可以达到0.7 m,且实际精度优于使用阴影法进行建筑物高度估算。     

Research on Parallel Algorithms for uv-faceting Imaging

The uv-faceting imaging is one of the widely used large field of view imaging technologies, and will be adopted for the data processing of the low-frequency array in the first stage of the Square Kilometre Array (SKA1). Due to the scale of the raw data of SKA1 is unprecedentedly large, the efficiency of data processing directly using the original uv-faceting imaging will be very low. Therefore, a uv-faceting imaging algorithm based on the MPI (Message Passing Interface)+OpenMP (Open Multi-Processing) and a uv-faceting imaging algorithm based on the MPI+CUDA (Compute Unified Device Architecture) are proposed. The most time-consuming data reading and gridding in the algorithm are optimized in parallel. The verification results show that the results of the proposed two algorithms are basically consistent with that obtained by the current mainstream data processing software CASA (Common Astronomy Software Applications), which indicates that the proposed two algorithms are basically correct. Further analysis of the accuracy and total running time shows that the MPI+CUDA method is better than the MPI+OpenMP method in both the correctness rate and running speed. The performance test results show that the proposed algorithms are effective and have certain extensibility.     

Astronomical Image Co-adding Method based on Wide-field Image Deconvolution

Due to the atmospheric turbulence, the static aberration, tracking and pointing errors of telescopes, the point spread functions (PSFs) in different fields of view are different. Meanwhile, there are different PSFs in the images obtained by different telescopes. The quality of co-adding image is limited by the image with the poorest quality, and finally the resolution and sensitivity of the quad-channel telescope will also be affected. Dividing the image into some regions with the same type of PSF, and deconvolving these regions can improve the quality of the co-adding image. According to this theory, an image restoration algorithm based on the PSF clustering is proposed. Firstly, this paper makes the PSF clustering analysis by using Self-Organizing Maps, and makes the image segmentation based on the result of the PSF clustering analysis, then using the clustered PSFs to make deconvolutions on the sub-images. Then, the restored sub-images after deconvolution are joined together. Finally, by through the image registration and co-adding, the image with a high signal to noise ratio can be obtained. The result shows that the signal to noise ratio of the astronomical images are improved with our method, and the detection capability on faint stars is also improved.     

基于DFT模型的大场景InSAR图像配准

图像配准是实现干涉合成孔径雷达(InSAR)高精度相位提取及地形高程反演的关键,大场景图像的高效高精度配准成为近年高分宽幅InSAR成像应用研究的难点问题之一。由于大场景图像中不同区域偏移量及变化规律差异较大,传统最大相干系数配准方法需多分块及插值处理,面临计算量大且配准精度低等问题。针对此问题,本文提出一种基于DFT模型的大场景InSAR高效高精度图像配准算法。该方法利用最小均方差准则构建InSAR复图像配准的DFT模型,采用四叉树自适应分块及矩阵相乘DFT快速重采样配准方法,实现大场景InSAR图像各子块区域的高效高精度亚像素配准。仿真和实测数据验证本文算法的有效性,结果表明该算法不仅可实现大场景InSAR复图像亚像素级配准,还具有较高的运算效率,其运算效率相对于传统FFT配准方法通常可提升3倍以上。