极移和激发的研究

极称可分为长期极移，钱德勒摆动（CW），周年极移（AN），不规则极移和短周期极移，由于极移运动对不同频率的激发响应是不同的，采用反卷积方法将极移序列进行了分析，对各类极移运动与激发的关系作了对比研究，认为周年极移与激发是逐年不同的，若能将它们逐年进行比较，将会对气象模型提供更好的约束条件，不规则极移可能反映了地球上较大规模的异常气象现象。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于卷积神经网络的电成像图像空白条带填充方法

全井眼微电阻率成像(Fullbore Formation Micro Imager,FMI)技术广泛应用于强非均质性的碳酸盐岩储层测并精细解释.然而,由于各极板间间隙的影响,FMI无法测量360°全井壁地层电阻率信息,这使得FMI图像出现空白条带,严重影响了图像视觉和测井解释进程.为获取全井壁的电阻率信息,必须有效的填充空白条带.本文在探讨现有的电成像图像空白条带填充方法基础上,提出了一种基于卷积神经网络的电成像图像空白条带填充方法.与常用的Criminisi插值法对比填充效果显示:该方法完全适用于各种特征的电成像图像空白条带填充,延续了所有待填充边缘的暗色条带和亮色背景,填充结果与原始图像的像素值频率占比相关性高达0.9581.Criminisi插值法在复杂区域电成像图像的填充结果连通性较差且存在干扰区域,填充结果与原始图像的像素值频率占比相关性仅为0.5924.本文提出的方法具有处理速度快、干扰区域少、连通性强、相关性高的特点,能够满足电成像空白条带成规模填充的实际应用需求,还可为测量极板间的测量缺失带信息处理提供参考手段.     

光谱保真归一化卷积高光谱超分辨率重建方法

高光谱遥感图像受到成像系统硬件限制,无法同时具有高空间分辨率和高光谱分辨率,较低的空间分辨率制约高光谱图像的应用,超分辨率重建技术可提高图像的空间分辨率。针对高光谱图像的超分辨率重建中光谱保真度的问题,在重建方法中耦合光谱保真度函数,结合结构自适应归一化卷积方法,提出基于光谱保真约束的归一化卷积方法。具体地,将图像局部邻域内像素间的光谱相关性作为约束条件,将与中心像素光谱类似的像素赋予较大权值,从而提高重建后图像光谱特性的保持程度。实验中分别从空间结构与光谱信息保真两个方面来评价重建后结果,结果表明该方法具有较好的光谱信息保持度。     

基于双分支卷积神经网络的SAR与多光谱图像融合实验

针对合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱(Multi-Spectral,MS)融合图像中存在的空间细节模糊和颜色失真问题,该文兼顾光谱监督和空间细节监督,设计光谱损失函数和空间细节损失函数,提出一种基于双分支卷积神经网络(Convolution Neural Network,CNN)的SAR和MS图像融合算法。该算法网络框架包含光谱保持和细节提升两个分支:光谱保持分支通过上采样MS图像连接到网络的输出,直接将光谱信息传递到融合图像中;细节提升分支对SAR和MS图像通过高通滤波提取高频细节信息,然后应用CNN对细节信息进行特征提取、特征融合及重建,最后将重建的细节信息叠加到上采样的MS图像,得到融合结果。以哨兵-1B GRD级别的SAR图像和Landsat8卫星多光谱图像为实验数据,通过与传统融合算法和深度学习算法RSIFNN进行对比,结果表明,该文算法在定性和定量评价方面效果更好,能够在保持光谱信息的基础上增强多光谱图像的空间细节信息,有利于后续地物分类和目标识别等工作的开展。     

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

基于卷积神经网络的高分辨率遥感影像云检测

在深度学习理论模型的基础上,提出了基于卷积神经网络的云检测方法。以GF-2号卫星影像为数据源,选取广西壮族自治区贵港市为实验区,提取了不同下垫面的云,验证了该方法的有效性。     

基于卷积神经网络的极光图像分类

极光是由带电粒子经磁层—电离层碰撞大气而产生的。面对形态各异、演变过程复杂的极光图像,对其合理分类为进一步探究日地电磁活动和能量耦合等空间物理问题奠定了基础。针对该问题,引入深度学习的方法,通过卷积神经网络模型自主表征极光特征并实现极光图像分类。该方法对2003年北极黄河站越冬观测的38 044幅和8 001幅典型极光图像分类正确率达93.17%和91.5%;自动识别2004—2009年观测数据的极光形态,4类极光时间分布规律与三波段激发谱能量分布基本一致。实验结果表明,基于卷积神经网络的极光表征方法,能有效实现极光图像的自动分类。     

基于残余插值的卷积神经网络去马赛克算法

在去马赛克问题中,为了精确插值倾斜边缘并提高结果图像的整体质量,提出一种基于残余插值的卷积神经网络去马赛克算法.针对Bayer格式的颜色滤波阵列,插值绿色平面时,对于红蓝通道信息不全的问题,采用同通道邻近像素值近似代替,综合考虑3个通道的梯度,运用倾斜方向的边缘检测算子,将倾斜边缘分为不同方向的边缘分别插值.在插值完成后,利用深度卷积神经网络,进一步训练插值结果.在标准的IMAX数据集上,与目前流行的算法相比,本文算法视觉上更接近原图,具有更高的峰值信噪比和更短的运行时间.     

一种边缘辅助的卫星影像云修复卷积神经网络

遥感影像的云修复是改善影像质量、降低数据成本的一种重要手段。使用Landsat 8影像研究卷积神经网络在云修复中的应用,提出一种影像信息重建的新式网络结构——边缘辅助的门控卷积网络（edge-guided gated convolutional network,EGCN）。该网络以多时相数据作为含云影像上被遮挡信息的辅助数据,主干网络为多时空门控卷积网络（spatial-temporal based gated convolutional network,STGCN）,在多尺度特征融合模块引入一种改进的非局部（non-local,NL）模块——门控非局部（gated non-local,GNL）来替代传统的卷积层,并以边缘特征提取网络（edge network,ENet）为分支,从边缘信息层面进行特征引导。实验结果表明,GNL模块和ENet的加入均有助于提升云修复效果。