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。     

基于卷积神经网络的快速SAR自聚焦方法

自聚焦是SAR高分辨率成像的关键技术。然而,传统的SAR自聚焦方法均需要迭代多次,实时性差,不适合在轨处理。本文提出了一种基于卷积神经网络的在轨快速SAR自聚焦方法(CNN-AF),该方法采用卷积神经网络来学习失焦图像到聚焦图像的映射,主要用于校正方位向的相位误差,由于在测试阶段该方法无须迭代和调整参数,因此该方法实时性好,更加适用于在轨处理。在真实SAR数据上的试验结果表明,本文方法具有较高的聚焦质量和聚焦速度。     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

一种利用卷积神经网络的干涉图去噪方法

干涉图滤波是合成孔径雷达数据处理的关键,引入卷积神经网络（convolutional neural networks,CNN）进行干涉图去噪。首先,采用自编码器结构进行非监督学习,将干涉图去除局部地形坡度相位,所得残余噪声作为模型输入;然后将模型输出结果与去除的局部地形坡度相位相加,生成滤波结果。利用航天飞机成像雷达数据和哨兵一号A(Sentinel-1A)卫星数据,通过与Goldstein滤波器、均值滤波器、Lee滤波、Frost滤波、改进的去噪卷积神经网络（denoising convolutional neural network,DnCNN）进行对比实验,结果表明,该方法对干涉图相位质量有很大的改善,不仅能够较大程度地抑制噪声,而且能够更多地恢复出图像细节,保持干涉条纹边缘连续性。     

基于深度学习的遥感图像匹配方法

目前,图像自动配准技术已成为图像配准领域中的研究热点之一。如何提高匹配精度是图像配准的关键步骤,基于此本文提出基于深度学习的匹配方法。首先,描述了卷积神经网络模型的网络结构,通过改善经典模型的网络结构,将其应用到影像匹配任务当中;其次,利用训练好的自适应网络模型来获取控制点的特征表达;最后,将控制点的特征表达通过欧式距离算法进行相似度匹配。实验结果表明,本文方法大幅降低了图像匹配粗匹配的错误率,为后续配准建立了良好基础,且对数据源具有良好的稳健性。     

基于导向滤波与迭代反向投影的遥感影像超分辨率重建

针对单帧遥感影像采取迭代反投影方法进行超分辨率重建时,重建图像的强边缘存在锯齿效应,在分析了导向滤波算法原理后,本文提出了一种将上述算法引入迭代过程来处理图像误差的方法,以进一步提升图像的高频信息,提高图像的重建质量。选取同时间不同地物的遥感影像作为实验数据,实验结果表明,本文重建的结果与双三次插值方法、边缘导向插值方法和迭代反投影方法相比,在客观评价指标上均有提高,改善了重建影像的纹理细节。本文提出的超分辨率重建方法,可以使重建影像提供更多的高频信息,具有较好的稳定性和鲁棒性。     

CNN结合SLIC的PolSAR区域化分类

针对PolSAR分类易受散斑噪声影响出现"椒盐"现象的问题,提出一种CNN结合SLIC算法的PolSAR分类方法。选取荷兰Flevoland地区机载L波段全极化数据作为实验数据,通过Pauli、Huynen和Yamaguchi分解获取了9维特征向量,利用指定窗口尺寸内像素在特征维度的分布特征作为CNN的输入端,在选取实际标签作为训练集进行训练的基础上,通过对网络学习率和随机失活率等参数调整优选,经过200次迭代将影像分为大豆、小麦和建筑等15种地类,并结合SLIC算法获取区域化分类结果。实验结果显示总体分类精度达到97%,Kappa系数为0.94,效果明显优于传统SVM和Random Forest分类算法,同时对国产高分三号全极化数据进行了分类,证明了该分类算法的有效性。     

特征重标定网络的高光谱影像分类方法

高光谱影像特征的利用率对提高其分类精度具有重要意义。为充分利用影像的特征,提出了一种特征重标定网络的高光谱影像分类方法。该方法通过全局平均池化将特征图转换为具有全局信息的实数,利用全连接层与非线性层生成能够代表各通道相对重要性的权值,进而采取加权法完成初始特征的重标定。为验证该方法的有效性,选取PaviaU和KSC两组高光谱影像数据进行实验。结果表明,提出方法总体分类精度分别达到98.38%和95.61%,可为高光谱影像提供有效的类别判定特征,有助于提高影像分类精度并获取平滑的分类结果图。