基于小波分析的河道主溜线遥感检测研究

河道主溜是河势的关键要素,是防洪决策需要及时掌握的重要信息,遥感则是快速获取河道主溜的重要途径。根据对现实河道水流中主溜表象的实际观测,分析了河道横断面上主溜区域与非主溜区域表象特征,提出了基于小波多尺度峰值分析的河道主溜检测算法,并利用黄河下游河道TM遥感影像进行了主溜检测实验,以人工查勘主溜线为真值,对检测结果进行了精度评价,验证了该算法对检测河道主溜的有效性。     

线形特征检测及其在黄河主溜线上的应用

提出一种从点状随机分布背景中检测连续曲线的方法。根据曲线连续性特征,采用动态规划算法寻求数据集中最显著的曲线特征,给出了在基于多光谱影像黄河主溜线检测中的应用实例。由于黄河主溜区域和非主溜区域光谱差异小,造成提取出的主溜点存在一定散布情况。根据河流相邻主溜点之间的连续性,分析了算法在主溜线检测中的可行性,并用实验验证了算法的有效性和与曲线拟合方法相比的优越性。     

黄河下游1993年汛期河势遥感调查

利用ＭＥＲＩＤＩＡＮ遥感图像处理系统，通过ＴＭ图像最佳波段组合、线性拉伸放大、密度分割等处理手段，首次在黄河下游河段进行卫星遥感河势调查，其优势在于可以弥补目估河势的不足，对河势流路、主流线位置、洪水浸滩范围及水边线、生产堤、主要滩区洪水进出口门位置、进水和水围村庄等准确定位并详细计算各类滩区面积与分布密度。     

遥感图像中的黄河主溜线高效提取方法

黄河主溜线的趋向直接影响黄河的防洪决策与规划,而现有的主溜线演进方法需判断每一步河流方向。提出一种河流直向化的预处理方法,利用光谱相似性原理提取河流域,然后轮廓跟踪河流域外边界,对边界内的河流域通过线性插值的方式进行直向化处理;动态演进直向河流的主溜线,随后将其逆映射回原图像,获得原图像中河流域的主溜线。结果表明,运用直向化预处理方法提取主溜线,在没有降低误差精度的基础上,避免了频繁地检测河流走向,简化了主溜线的演进模型。     

黄河下游河势遥感监测系统建设分析

为提高黄河下游河势遥感监测能力,提升河势遥感监测服务水平,深入探讨黄河下游河势遥感监测的现状和存在的问题,提出黄河下游河势遥感监测系统的建设目标及思路。通过充分整合卫星遥感、黄河水利对象等相关数据,最大程度地共享现有数据资料和软硬件资源,设计开发黄河下游河势遥感监测系统,包括卫星遥感数据传输通道建设、遥感数据处理软硬件和存储设施建设、河势信息解译和服务功能开发,以及河势信息数据库建设等。结果表明：黄河下游河势遥感监测系统的建设可强化黄河河势遥感监测的数据计算与存储服务能力,提升河势信息解译的自动化水平,实现河势遥感监测工作的数字化及河势信息服务的高效化,具有很好的推广应用前景。     

SAR图像中的黄河主溜线提取

黄河主溜线的提取可为防洪堤的设计、管理以及防灾决策等提供科学可靠的依据,对黄河的生态环境建设、治理和堤岸的稳固也都具有十分重要的意义。这里利用SAR全天候、全天时成像的优势,依据主溜区与非主溜区波浪差异的物理特性,基于现代谱估计方法提出了一种黄河主溜线的提取方法。通过实际SAR数据实验,验证了算法的有效性。     

基于区域相关性的高分辨率遥感图像融合算法

针对基于现有的融合框架模型的遥感图像融合算法难以较好地同时保持融合结果的光谱特性和空间分辨率的问题,在分量替换融合框架模型的基础上,提出一种基于图像区域相关性的高分辨率遥感图像融合算法.该算法利用改进的脉冲耦合神经网络模型,根据全色图像和多光谱图像间的局部相关性差异对各多光谱图像进行区域分割,根据区域的相关性的差异确定相应的融合规则.实验结果表明,文中算法能取得很好的融合效果.     

基于Curvelet和2DPCA的遥感图像融合算法

根据图像处理不同算法模型的特点,提出了一种基于Curvelet和2DPCA变换相结合的遥感图像融合算法。首先,对多光谱图像进行2DPCA变换,获得其最佳投影轴集合U及特征向量矩阵Q,按照投影规则将多光谱图像投影到U上,得到各主成分分量Yk;再将与多光谱图像进行过直方图匹配的高分辨率图像投影到Q上,获得其主成分PanM及其它主成分分量,将PanM与Yk分别进行Curvelet变换,得到对应的高、低频系数;然后,根据相应的融合规则,对处理后的系数进行Curvelet逆变换,得到融合子图像;最后,将高分辨率图像的其他主成分分量与融合子图像进行2DPCA逆变换得到融合后图像。应用多光谱图像和高分辨率图像进行了融合实验,并将实验结果与其他方法进行比较。实验结果表明,该方法能够在保持源数据光谱特性的同时,较好的提高空间分辨率。     

基于LK-3DCNN网络特征的高光谱遥感图像分类算法

传统的高光谱图像分类方法均采用手工提取特征的方式,其表达能力有限,不能满足分类任务的高精度需求。因此,提出一种基于LK-3D卷积神经网络（Convolutional Neural Network,CNN）特征的高光谱遥感图像分类算法。该算法结合空洞卷积和三维卷积神经网络的双分支融合结构,对遥感图像进行深度特征提取,有利于提升小样本高光谱遥感图像数据分类的性能。在公开的3组高光谱遥感图像数据集上,与主成分分析（Principal Components Analysis,PCA）+3DCNN、PCA+3D-2DCNN算法进行对比,实验结果表明所提出的双分支融合网络提升了高光谱遥感图像的分类精度,具有较好的鲁棒性。     

基于分割区域及特征相似度的玉米田遥感图像分类方法

针对遥感图像中玉米田目标光谱复杂,同物异谱现象严重导致分类结果差的问题, 提出一种基于分割区域及特征相似度的玉米田遥感图像分类方法。首先利用主成分分析法(PCA) 对多光谱和高分辨全色融合图像进行第一主成分提取,以获得包含丰富图像信息的单色图像I; 对I 进行分水岭分割,得到一幅过分割目标区域图;构建由纹理、亮度及轮廓特征相似度组成 的特征组;最后基于随机森林原理,利用构建的特征组对玉米目标进行提取。用高分一号卫星 数据进行实验,并与支持向量机方法(SVM)、神经网络算法和最大似然算法进行了比较分析, 实验表明,该方法的分类精度优于其他算法。     

MODIS图象的云检测及分析

云一直是遥感图象处理、图象分析的一大障碍.为了解决这一问题,试图探讨利用中分辨率成像光谱仪MODIS检测云的方法,该方法充分考虑到MODIS数据具有36个光谱通道,特别是红外波段细分的特点,先是基于云的波谱特性采用多光谱综合法、红外差值法及指数法来对MODIS图象上的云点进行检测,鉴于这些方法有一定的局限性,因而还运用了一种基于空间结构分析和神经网络的云自动检测算法;最后将各种方法的云检测结果进行相互映证和对照分析,结果表明,这些方法检测到的云互相吻合,说明利用MODIS图象可成功地检测云点像元.这不仅为云的去除奠定了良好基础,而且也可以提高图象识别、图象分类及图象反演的精度.     

结合相位一致与全变差模型的高分辨率遥感图像边缘检测

目的边缘检测是有效利用遥感数据开展地物目标自动识别的重要步骤。高分辨率遥感图像地物类型复杂,细节信息过于丰富,使得基于相位一致的边缘检测结果中存在过多的噪声与伪边缘。为此提出了一种结合相位一致与全变差模型的高分辨率遥感图像边缘检测方法。方法根据相位一致原理,应用Log Gabor构造的2维相位一致模型,引入全变差去噪模型对基于相位一致的边缘强度图进行改进。结果借助有界变差空间对图像光滑性的约束,实现了高分辨率遥感图像噪声去除与伪边缘抑制,利用改进后的相位一致边缘强度图可有效检测高分辨率遥感图像的边缘。结论实验结果表明,与相位一致模型、Canny算法相比,该方法能消除了高分辨率遥感图像中同类地物内部细节特征形成的噪声,抑制相位一致边缘检测结果中的伪边缘,突出地物的真实边缘,并能正确地提取地物目标的整体轮廓信息,有助于后续地物目标的自动识别。     

基于小波分析的多源图像融合去云技术研究

云干扰是遥感图像解译过程中常遇到的问题。在介绍几种常用于多传感器遥感图像去云方法的基础上,采用多分辨力小波分解的图像融合法来达到对影像的去云目的。仿真结果表明:这种方法对多源或多时相影像进行融合处理,能较好地完成云区或阴影区域的填充与更新,达到了去云的效果。     

利用边缘检测对高分辨率影像中建筑物的提取研究 

遥感作为一种探测技术,越来越广泛地运用到城市建设等应用研究领域中。近年来,高分辨率遥感影像的应用推动了城市遥感进一步向定量化方向发展,同时,也大大增加了数据处理的工作量。如何从海量的遥感数据中筛选出有价值的信息一直是遥感影像处理工作最需要解决的难题。将尝试使用Sobel算子与数学形态学相结合的方法,利用2001年阜新市区的QuickBrid多光谱影像,探索一种高分辨率多光谱影像建筑物的提取方法。
     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

基于松弛因子的快速独立分量分析算法的遥感图像分类技术

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。M-FastICA算法同FastICA算法一样,它们的收敛依赖于初始权值的选择。通过在M-FastICA算法中引入松弛因子,使算法可以实现大范围收敛,得到更稳定的收敛效果。应用BP神经网络对独立分量分析算法预处理后的图像进行自动分类,其分类精度较原始遥感图像的精度均高,并且三种独立分量分析算法的分类性能也相当。     

基于三维上下文预测的遥感图象无损压缩

随着遥感技术的发展,其应用领域大大拓展,随之也带来了遥感数据的海量增长,这给存储、传输都带来极大困难,因此必须对遥感数据进行压缩,为了实现遥感数据的高效压缩,提出了一种基于三维上下文预测测的无损压缩编码算法,该算法包括如下三部分;首先,结合多波段遥感图象的特点,综合考虑其二维的空间相关性和谱间相关性,建立了三维预测模型;其次,在三维预测的基础上,进一步进行上下文预测;最后,引入二次预测的思想来去除图象的统计相关性,从而使残差图象的熵得到最大程度的降低,实验结果表明,该算法大大优于最优JPEG;而对AVHRR图象,其预测效果也明显优于空间和谱间最佳线性预测方法（SSOLP）。     

大幅面多光谱遥感图像快速自动配准

针对大幅面多光谱遥感图像的配准需求,提出一种基于特征点的快速全自动配准方法。由于多光谱遥感图像的尺寸较大,计算量大,因此提出特征网格理论,即根据图像灰度值、信息熵值及特征分布均匀性准则,在二级规则网格中选取特征网格参与后续运算,以减小计算量。同时,该理论为SIFT(Scale Invariant Feature Transform)特征点提取算法的并行运行及特征点初匹配方法的改进提供了条件,提高了算法的效率及配准精度。利用本算法对CBERS-02B拍摄的遥感图像进行了实验。结果表明,该方法能够达到亚像素级配准精度,且计算速度快,能够满足大幅面遥感图像处理的要求。     

全卷积神经网络下的多光谱遥感影像分割

目的 传统的遥感影像分割方法需要大量人工参与特征选取以及参数选择,同时浅层的机器学习算法无法取得高精度的分割结果。因此,利用卷积神经网络能够自动学习特征的特性,借鉴处理自然图像语义分割的优秀网络结构,针对遥感数据集的特点提出新的基于全卷积神经网络的遥感影像分割方法。方法 针对遥感影像中目标排列紧凑、尺寸变化大的特点,提出基于金字塔池化和DUC（dense upsampling convolution）结构的全卷积神经网络。该网络结构使用改进的DenseNet作为基础网络提取影像特征,使用空间金字塔池化结构获取上下文信息,使用DUC结构进行上采样以恢复细节信息。在数据处理阶段,结合遥感知识将波段融合生成多源数据,生成植被指数和归一化水指数,增加特征。针对遥感影像尺寸较大、采用普通预测方法会出现拼接痕迹的问题,提出基于集成学习的滑动步长预测方法,对每个像素预测14次,每次预测像素都位于不同图像块的不同位置,对多次预测得到的结果进行投票。在预测结束后,使用全连接条件随机场（CRFs）对预测结果进行后处理,细化地物边界,优化分割结果。结果 结合遥感知识将波段融合生成多源数据可使分割精度提高3.19%;采用基于集成学习的滑动步长预测方法可使分割精度较不使用该方法时提高1.44%;使用全连接CRFs对预测结果进行后处理可使分割精度提高1.03%。结论 针对宁夏特殊地形的遥感影像语义分割问题,提出基于全卷积神经网络的新的网络结构,在此基础上采用集成学习的滑动步长预测方法,使用全连接条件随机场进行影像后处理可优化分割结果,提高遥感影像语义分割精度。