基于地表类型的TM6波段像元分解方法

先利用TM其他波段信息,将TM6波段的像元空间分辨率由120 m提高至30 m,对各子像元进行地类划分;再结合不同地表类型的热惯量特性,确定出每个子像元占原像元的权重和该子像元的辐射亮度;然后用单窗算法反演其温度,得到研究区地表温度的空间分布。对比三次卷积插值重采样反演地表温度的方法,该方法能更好地反演地表温度的空间分布特征。     

融合多元稀疏特征与阶层深度特征的遥感影像目标检测

遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点，本文提出了一种新的目标检测算法，该算法有效融合了多元稀疏特征提取模块（MNB）和阶层深度特征融合模块（HDFB）。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征，随着网络层的堆叠获取更大感受野范围内的稀疏特征，从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征，然后提取特征通过独创的树状融合网络，从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证，实验结果表明：(1)多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%，单张遥感影像的平均检测耗时为3.8毫秒；(2)通过使用多元稀疏特征提取模块，多尺度和外观相似性目标的检测精度得到了提高，与使用Step-wise分支的物体检测结果相比，总体精度提高了5.8%；(3)通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度...     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

关于Stokes公式的球面卷积和平面卷积的注记

讨论了Stokes公式球面卷积和平面卷积形式的近似性和严密性问题,分析了Stokes函数球面卷积形式和平面卷积形式的关系,推导了其间的差值表达式,估算了最大差值及其对计算大地水准面差距的误差影响。同时指出,将顾及Stokes函数全项的平面卷积公式称为严密公式的提法,仅仅是相对仅顾及Stokes函数首项的简单平面卷积公式而言,认为更合理的提法应该是“高精度Stokes平面近似卷积公式”。理论分析表明,球面卷积不可能严格转化为等效的平面卷积。     

潘晓川教授的反投影滤波(BPF)新型重建算法介绍

计算机断面成像(CT)的精确重建方法一直是现代CT成像领域中一个活跃的研究方向。近几年,关于平行束、扇束、锥束CT精确重建的研究取得了一系列重要的突破和创新成果。本文主要介绍了美国芝加哥大学潘晓川教授为首的课题组提出的一类基于反投影卷积(BackprojectionFiltration:BPF)的CT精确重建算法。BPF算法最重要的贡献在于它成功地解决了从沿探测器方向截断的投影数据进行CT精确重建的问题;因此,通过BPF算法能够设计出针对目标的感兴趣区域成像策略,减少成像扫描、重建时间,辐照剂量和散射光子。     

由地面重力数据确定扰动位径向二阶梯度

提出利用地面重力异常数据计算地面扰动位径向二阶梯度，将该梯度的积分表达式转换为卷积形式的谱表达式，便于应用ＦＦＴ／ＦＨＴ技术进行快速计算。这一将地面重力异常化为重力梯度的实用算法为将卫星重力梯度和航空重力梯度观测数据与地面重力数据的联合处理提供了一种有效途径。最后，以本文导出的数学模型为基础，给出了模型（ＷＤＭ９４）数据的试算结果并作了分析     

中国大陆及邻近地区Lg尾波的Q值分布

10个中国数字地震台网(CDSN)台站和5个全球地震台网(GSN)台站所记录的785个浅源地震的宽带垂直分量, 被用来研究中国大陆及邻近地区L_g尾波的衰减特性. 首先运用叠加谱比法对各记录进行处理, 得到与各路径相对应的椭圆内L_g尾波的Q₀ (1 Hz处的Q值)和频率相关因子η的平均值. 进一步应用反投影技术, 得到L_g尾波的Q₀值和η值的成像图及其误差分布. 结果表明, 在所研究的范围内, Q₀在200~500的范围内变化. 最低的Q₀发生在滇藏地区; 最高的Q₀发生在西伯利亚地台的南端. η值的变化范围在0.3~0.8之间. 对于所研究的大部分地区, η值呈现出与Q₀值的反向变化关系.     

规则格网DEM地形表面重构的形态精度研究

规则格网 DEM 是数字地形模拟的主要数据结构,以黄土丘陵地区1:50000规则格网 DEM数据为例,分析研究双线性内插模型和三次卷积内插模型在规则格网 DEM 地形表面重构中的形态精度问题。结果表明,不同内插模型构建的细小格网 DEM,在高程数值精度方面没有显著差异,但对局部地形的形态精度具有显著的影响,且双线性内插模型和三次卷积内插模型都难以实现形态高保真 DEM 地形表面重构;随着 DEM 应用的深入,非常有必要构建一些科学合理、简洁高效的形态高保真 DEM 地形表面重构模型。     

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。