基于误差补偿预测树的多光谱遥感图像无损压缩方法

预测树方法是一种有效的无损多光谱图像压缩技术,将自适应线性预测方法与传统预测树方法相结合,提出了一种多光谱遥感图像的误差补偿预测树压缩方法。该方法利用多光谱图像谱间的局部统计冗余和结构冗余建立自适应预测器,对传统预测树方法产生的误差进行补偿,从而进一步减少了多光谱图像的数据量;并且利用多光谱图像的局部平稳特性对算法进行了简化。实验结果表明,该方法得到的压缩比与原始预测树方法相比有明显提高,同时算法简化后可以使计算复杂度大幅度降低。     

深度残差网络的多光谱遥感图像显著目标检测

本文侧重于介绍智能化摄影测量深度学习的深度残差方法。显著目标检测致力于自动检测和定位图像中人最感兴趣的目标区域。多波段遥感图像因其更加丰富的光谱信息和揭示观测目标物理属性的能力在目标检测中获得重要应用。传统的显著目标检测方法通过手工设计特征,计算图像各像素或者超像素与邻域像素或者超像素之间的对比度检测显著目标。随着深度学习的巨大发展,特别是全卷积神经网络的引入,基于深度卷积网络的显著目标检测算法取得重要进步。然而,由于数据获取和标记的困难,多波段遥感图像显著目标检测的研究依然主要采用手工设计特征。本文研究基于深度卷积神经网络的多波段遥感图像显著目标检测算法,提出一种基于深度残差网络的自上而下的多光波段遥感图像显著目标检测网络,该网络可以有效挖掘深度残差网络不同层次上的显著性特征,以端对端方式实现显著目标检测。为了应对多波段遥感图像数据量有限、无法训练深度残差网络的问题,本文提出通过浅层神经网络从RGB图像直接生成多波段遥感图像,实现光谱方向的超分辨率。在现有多波段遥感图像和可见光图像显著目标检测数据集上的试验结果超过当前最好方法10%以上,验证了本文方法的有效性。