基于低空遥感系统的星载光学遥感器成像仿真

在星载光学遥感器设计过程中,利用计算机仿真技术模拟遥感器成像过程能够评估遥感系统设计可行性,并预测遥感器成像能力。针对高分辨率星载光学遥感器成像特点,提出一种基于低空遥感系统的成像仿真方法。以低空宽视场和多光谱图像数据为基础,利用图像分类、分类拟合等方法生成低空多光谱宽视场仿真图像,采用经验线性法进行反射率反演,结合星载光学遥感器空间分辨率、MTF、光谱响应等特性以及大气辐射传输理论得到遥感器入瞳处辐亮度仿真图像。将QuickBird卫星作为仿真对象,开展成像仿真实验,并评价仿真精度。实验结果表明仿真图像与卫星图像保持较高相似程度。     

用Kohonen 神经网络对高光谱分辨率图像进行无监督分类的研究

讨论了将Kohonen自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果。用于研究的是0.46-0.76um15个波段的高光谱分辨率的原始航空遥感图像. 该图像复盖了澳大利亚达尔文市周围约200km^2的试验区，包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型。神经网络分类的结果提供了试验区内地物分布符合实际的预测和 估计，它与传统的分类方法的结果相比较，用神经网络所得到的结果更准确可信。     

PHI高光谱数据和高空间分辨率遥感图像融合技术研究

提出了一种新的高光谱图像融合技术———基于最佳指数准则的高光谱小波包图像融合方法,即首先利用最佳指数选择高光谱的最佳合成波段,得到低分辨率的彩色合成影像,然后采用一种基于区域多特征的小波包融合算法进行融合处理.文中利用上海地区PH I高光谱数据和高分辨率全色航空像片来验证算法的有效性,实验结果表明该方法可有效的实现高光谱数据和高空间分辨率遥感图像的融合处理.     

结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

基于滤波器组的遥感图像融合方法及其性能分析研究

提出了一种基于滤波器组的图像融合方法，用以融合高空间分辨率全色图像和低空间分辨率的多光谱图像．在高空间分辨率全色图像经过多通道滤波器组分解的基础上，用多光谱图像直接替换全色图像低频子图像的方式进行融合处理；最后对替代后的子图像进行滤波器组重构得到融合后的图像．实验结果表明，通过调整滤波器组的通道个数，该方法能够使融合图像中空间信息和多光谱信息获得更好地折衷．     

基于海岸线区域两类不同轴遥感设备之间匹配应用

以高光谱分辨率的空间外差光谱仪为例,针对其获取地表目标干涉数据的特点,提出一种利用高空间分辨率遥感图像中海岸线区域的大面积均匀地貌且地表反射率有突变的特征来对空间外差光谱仪进行指向配准的方法,实现了不同轴成像遥感设备与非成像遥感设备之间的匹配应用.利用空间外差光谱仪在多个对地观测点的结果干涉数据和相同经纬度区域的高空间分辨率图像数据进行地基测试实验,将配准校正值结果与其标称值进行对比,误差范围在-3%~5%.结果表明,该方法可为星载不同轴成像遥感设备与非成像遥感设备之间匹配应用提供参考依据.     

艇载低空遥感数据管理系统构建

为满足卫星图像仿真信息全要素、多专题、分层存储管理的需要,构建了集高光谱影像、高分辨率彩色图像、 热红外影像、高光谱波谱信息、大气环境信息、GPS信息为一体的艇载低空遥感数据管理系统。该系统首先 根据测量系统数据量大、类型多样、时间跨度长的特点,提出了一种移动存储模型,利用Oracle支持二进制大 字段(Binary Large OBject, BLOB)的优势,采用数据分区迁移技术,实现多源、海量图像信息的集成和移动 存储。在此基础上,以VC++作为前台应用程序开发工具,OLE自动化服务器(Oracle objects for OLE, OO4O) 作为中间访问接口, Oracle作为后台数据库管理系统,实现了艇载低空遥感测量系统信息的全面描述和有效 管理,为卫星图像仿真和多源遥感数据定量化应用提供了一个综合化、专业化的数据共享平台。     

遥感图像的图像配准方法

图像配准技术是近年来发展迅速的图像处理技术之一，是图像拼接、信息融合不可缺少的步骤。本文对遥感图像的配准进行了总结和归纳，介绍了几种常见的图像配准方法，并根据高光谱图像和高空间分辨率图像的特点指出了适合不同类型遥感图像的配准方法。     

基于低空图像的Worldview-1 全色波段仿真

对地资源探索是遥感技术的追求目标,Worldview-1是高精度商业卫星之一,星下点分辨率为0.5 m。提出一种基于图像的Worldview-1全色波段仿真方法。以低空飞行的可见近红外图像为数据源,利用大气校正或经验线性法进行反射率反演得到地面反射率图;然后经过以下四个步骤:辐射传输模拟、光谱波段匹配、空间分辨率仿真和传感器调制传递函数MTF仿真,仿真出Worldview-1全色波段图像。通过以飞艇为平台的外场试验获取数据,将仿真图像与Worldview-1全色波段图像从相似度及图像纹理参数进行对比,结果显示这种模拟地物、大气、传感器特性的图像仿真方法可以应用于Worldview-1全色波段图像的仿真。     

基于双正交小波的多分辨率遥感图像数据融合

小波变换方法在图像分析与图像融合中具有很好的应用前景。本文首先介绍了图像的小波分解与重构的基本方法 ,从理论上阐述了具有广义线性相位的双正交小波基的优点 ,通过小波变换与 HIS变换的有机结合实现图像融合。融合后的影像 ,不仅使地物仍然保持了光谱信息 ,而且保留了高空间分辨率全色波段细节清晰的特点。实验成果表明 ,基于双正交小波的多分辨率遥感图像数据融合技术是提高卫星影象表现能力的一个重要手段     

基于多源遥感卫星的海面舰船目标检测方法

围绕光学卫星遥感图像中的海面舰船目标检测问题,考虑静止轨道遥感卫星和低轨道高分辨率遥感卫星的优缺点,提出一种基于多源遥感卫星的海面舰船目标检测方法。该方法首先通过多结构多尺度形态学滤波和自适应阈值分割对静止轨道卫星遥感图像进行目标预检测,然后将预检测结果与卫星图像的地理位置信息相结合来确定高分辨率遥感图像候选目标区域,最后提取候选目标区域中目标的主要特征,进行舰船目标判别,将判别结果反映到静止轨道遥感卫星图像上。仿真结果表明,该方法能有效检测出海洋背景遥感图像中的多个运动舰船目标,具有目标检测率高、虚警率低、时效性好等优点,为静止轨道遥感卫星对海面运动舰船目标的实时监视跟踪提供了技术支撑。     

联合多流融合和多尺度学习的卷积神经网络遥感图像融合方法

为尽可能保持原始低分辨率多光谱(LRMS)图像光谱信息的同时,显著提高融合后的多光谱图像的空间分辨率,该文提出一种联合多流融合和多尺度学习的卷积神经网络遥感图融合方法.首先将原始MS图像输入频谱特征提取子网得到其光谱特征,然后分别将通过梯度算子处理全色图像得到的梯度信息和通过卷积后的全色图像与得到的光谱特征图在通道上拼...     

基于Contourlet系数局部特征的选择性遥感图像融合算法

为了使融合后的多光谱图像在显著提高空间分辨率的同时,尽可能多地保持原始多光谱特性,提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同,对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量,然后选择适当的准则,对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合,通过Contourlet和亮度-色调-饱和度(IHS)逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明:提出的算法在显著提高空间分辨率的同时,又能很好地保持原始图像的光谱特征,并优于传统的融合方法。     

基于多级特征补偿的遥感图像时空融合方法

在许多地球科学应用中要用到大量的高时空分辨力的地球观测数据。时空图像融合方法为产生高时空分辨力的数据提供了一种可行且经济的解决方案。然而,现有的一些基于学习的方法对于图像深层特征提取能力较弱,对于高分辨力图像细节特征利用度不够。针对这些问题,提出一种基于多级特征补偿的遥感图像时空融合方法。该方法使用2个分支进行多层级的特征补偿,并提出了融合通道注意力机制的残差模块作为网络的基本组成单元,可以将高分辨力输入图像的深层特征更为详尽地提取利用。提出一种基于拉普拉斯算子的边缘损失,在节省预训练计算开销的同时取得了很好的融合效果。使用从山东和广东2个地区采集的Landsat和中分辨力成像光谱仪(MODIS)卫星图像对所提出的方法进行实验评估。实验结果表明,提出的方法在视觉外观和客观指标方面都具有更高质量。     

A Wavelet-Based Method for the Determination of the Relative Resolution Between Remotely Sensed Images

Spatial resolution is a key parameter of all remote sensing satellites and platforms. The nominal spatial resolution of satellites is a well-known characteristic because it is directly related to the area in ground that represents a pixel in the detector. Nevertheless, in practice, the actual resolution of a specific image obtained from a satellite is difficult to know precisely because it depends on many other factors such as atmospheric conditions. However, if one has two or more images of the same region, it is possible to compare their relative resolutions. In this paper, a wavelet-decomposition-based method for the determination of the relative resolution between two remotely sensed images of the same area is proposed. The method can be applied to panchromatic, multispectral, and mixed (one panchromatic and one multispectral) images. As an example, the method was applied to compute the relative resolution between SPOT-3, Landsat-5, and Landsat-7 panchromatic and multispectral images taken under similar as well as under very different conditions. On the other hand, if the true absolute resolution of one of the images of the pair is known, the resolution of the other can be computed. Thus, in the last part of this paper, a spatial calibrator that is designed and constructed to help compute the absolute resolution of a single remotely sensed image is described, and an example of its use is presented.     

基于Shearlet变换与区域分割的遥感图像融合

结合区域分割理论,提出了一种基于Shearlet变换 的遥感图像融合算法。首先通过色度H-亮度I-饱和度S(HI S) 变换对多光谱图像进行分解,将I分量与全色图像进行Shearlet变换,得到低 频、高频信息图;然后对 低频信息图进行基于灰度的区域分割,两图像的低频部分使用改进的加权融合算法改善融 合图像轮廓模 糊问题,以区域匹配度作为融合规则,高频分量采用区域清晰比作为融合规则,得到更多 的细节信息; 最后通过HIS逆变换得到融合图像。实验结果表明,本文算法 所得融合图像在有效地保持了多光谱图像光谱信息的同时,提高了空间细节信息。     

Pan-sharpening via multi-scale and multiple deep neural networks

Interpreting remote sensing images by combining manual visual interpretation and computer automatic classification and recognition is an important application of human–computer interaction (HCI) in the field of remote sensing. Remote sensing images with high spatial resolution and high spectral resolution is an important basis for automatic classification and recognition. However, such images are often difficult to obtain directly. In order to solve the problem, a novel pan-sharpening method via multi-scale and multiple deep neural networks is presented. First, the non-subsampled contourlet transform (NSCT) is employed to decompose the high resolution (HR)/low resolution (LR) panchromatic (PAN) images into the high frequency (HF)/low frequency (LF) images, respectively. For pan-sharpening, the training sets are only sampled from the HF images. Then, the DNN is utilized to learn the feature of the HF images in different directions of HR/LR PAN images, which is trained by the image patch pair sampled from HF images of HR/LR PAN images. Moreover, in the fusion stage, NSCT is also employed to decompose the principal component of initially amplified LR multispectral (MS) image obtained by the transformation of adaptive PCA (A-PCA). The HF image patches of LR MS, as the input data of the trained DNN, go through forward propagation to obtain the output HR MS image. Finally, the output HF sub-band images and the original LF sub-band images of LR MS image fuse into a new sub-band set. The inverse transformations of NSCT and A-PCA , residual compensation are conducted to obtain the pan-sharpened HR MS. The experimental results show that our method is better than other well-known pan-sharpening methods.     

基于Ecogniton的光学遥感图像舰船目标检测

利用卫星遥感技术对海上舰船目标进行识别定位具有重要的意义。提出了一种基于面向对象的图像分割和分类软件Ecognition的技术方法来提取高分辨率遥感卫星图像中的海上舰船目标。利用多尺度分割算法和光谱差异分割算法对高分辨率卫星图像进行初步分割;利用归一化差异水体指数（NDWI）或灰度共生矩阵（GLCM）同质性纹理特征对陆地和海洋进行辨别;利用对象的相邻关系特征和形状特征来获取潜在的舰船目标;利用数学形态学算子实现舰船目标的连续化,从而获得最终的海上舰船目标。利用高分辨率卫星图像进行了实验验证,实验结果说明了所提出的技术可以有效地实现海上舰船目标的识别与定位。