基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提...     

基于独立分量分析的高光谱遥感图像混合像元盲分解

传统的独立分量分析并不适用于高光谱遥感图像的混合像元解混,因为图像中各端元的分布不是相互独立的.针对这一问题,提出了一种有约束的独立分量分析方法,来实现遥感图像混合像元的盲分解.通过在独立分量分析的目标函数中引入丰度非负约束与丰度和为一约束,改变了传统的独立性假设.同时,为了更好地适用于遥感数据分析,还提出了一种自适应...     

基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。     

多偏移遥感图像的BP神经网络亚像元定位

提出了一种借助多偏移遥感图像来改进基于BP神经网络(BPNN)的亚像元定位新方法.不同于原BPNN方法使用单幅低空间分辨率观测图像,新方法利用多幅带有亚像元偏移的低空间分辨图像来确定亚像元属于各类的概率,然后根据概率值和地物覆盖比例确定亚像元类别,以降低BPNN定位模型中的不确定性和误差.实验表明,提出方法在视觉和定量评价上,均能获得更高精度的亚像元定位结果,验证了提出方法的有效性.     

一种新的基于Fisher判别的混合像元分解算法:室内控制实验结果分析

混合像元分解技术(Spectral Mixture Analysis, SMA)是遥感图像处理的重要手段之一.传统方法假设每个端元具有稳定的光谱特征,然而端元内光谱差异普遍存在,这将导致混合像元分解精度的降低.针对该问题,提出了基于Fisher判别 (Fisher Discriminant Analysis, FDA) 的混合像元分解算法.Fisher判别对光谱各波段进行线性组合,使得转换后的光谱值分离度最大,即端元内的光谱差异较小而端元间的光谱差异较大.利用转换后的光谱对混合像元进行分解可以最大程度地减少端元内光谱差异对分解结果的影响.利用该方法对室内控制实验的模拟混合像元光谱进行分解,并与过去提出的几种混合像元分解技术进行比较,结果显示新方法相比传统方法在分解精度上有相当程度的提高.     

基于不变性特征的SVM遥感图像飞机类型识别

根据遥感图像飞机目标的特点,提出一种基于不变性特征的支持向量机(SVM)识别算法。首先结合小波分解进行平移、旋转、缩放不变性特征提取;然后对基于遗传算法(GA)的SVM模型参数选择方法在核函数的选择、搜索空间的确定等方面进行改进,并用改进后的算法实现SVM模型参数选择。对480幅遥感图像进行仿真实验,得到97.56%的正确识别率。与BP神经网络相比,识别率高,验证了算法的有效性。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于改进的BP神经网络模型的遥感图像分类方法研究

遥感图像通过像元灰度值的高低差异和空间变化来表示不同属性的地物目标及其分布情况。随着人工神经网络理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐渐取代传统遥感图像分类方法的趋势。重点分析了BP神经网络模型的遥感图像分类方法,并针对BP算法的学习速率慢做了改进,利用M atlab 7.0作为实验平台,对北京市海淀区遥感影像进行分类实验。实验结果表明,与基本BP算法相比较,改进的BP算法网络训练收敛速度快,分类方法是有效的。     

多光谱可见光图像与高分辨率图像的分维融合

针对遥感图像,提出了一种遥感多光谱可见光图像与遥感高分辨率全色图像融合的小波分维算法.利用小波变换的方向选择}生,对遥感多光谱的1分量和遥感全色图像进行小波分解,进而在不同子带中进行遥感图像融合,低频部分采用基于区域能量的融合算法;高频部分使用21×21的窗口加窗逐点计算分维作为权系数进行融合;最后将得到的灰度融合图像...     

基于相关向量机的高光谱影像混合像元分解

 提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.     

基于生成式对抗网络的遥感图像半监督语义分割

高分辨率遥感图像的语义分割问题是目前遥感图像处理领域中的研究热点之一。传统的有监督分割方法需要大量的标记数据,而标记过程又较为困难和耗时。针对这一问题,提出一种基于生成式对抗网络的半监督高分辨率遥感图像语义分割方法,只需要少量样本标签即可得到较好的分割结果。该方法为分割网络添加全卷积形式的辅助对抗网络,以助于保持高分辨率遥感图像分割结果中的标签连续性;更进一步,提出一种新颖的能够进行注意力选择的对抗损失,以解决分割结果较好时判别器约束的分割网络更新过程中存在的难易样本不均衡问题。在ISPRS Vaihingen 2D语义标记挑战数据集上的实验结果表明,与现有其它语义分割方法相比,所提出方法能够较大幅度地提高遥感图像的语义分割精度。     

云计算与区块链平台的遥感影像安全检索方案

遥感影像外包到半可信的云平台进行存储和检索时,可能导致影像数据的泄露和返回不完整的检索结果。加密可以保护影像数据的安全,但无法保证云平台提供真实、完整的存储和检索服务。区块链技术能有效保证存储和检索服务的真实性和完整性,但区块链的计算和存储能力有限,如何实现遥感影像的安全存储和检索仍是一个具有挑战性的问题。该文提出一种结合云平台和区块链的遥感影像安全检索方法,将影像哈希等轻量级数据存储于区块链,云平台存储海量加密影像数据,确保云存储影像的真实性;区块链执行基于遥感影像属性的检索,在此基础上由云平台执行复杂度较高的基于内容的安全检索,保证了检索结果的完整性;利用区块链技术设计遥感影像检索交易机制。实验表明方案可以实现安全、真实、完整和高效的遥感影像检索,并构建一个双方信任的公平交易环境。     

基于脊波和神经网络的大压缩比遥感图像压缩

为了实现大压缩比的遥感图像压缩,利用神经网络的自组织、并行计算和分布式存储的能力,提出一种基于神经网络的压缩方法.在传统单隐层前向神经网络的基础上,该网络使用一种新的能有效处理直线型和曲线型奇异性的多尺度几何分析工具-脊波,作为隐层神经元的激活函数.它不仅具有神经网络压缩的优点;并且由于脊波良好的时、频和方向局域化特性,能够对遥感图像的边缘和轮廓实现更加有效的表示.仿真结果表明:该方法不仅能实现较高的压缩比,而且具有重建图像质量好、学习快速和鲁棒性强等优点.     

Parallel design of convolutional neural networks for remotesensing images object recognition based ondata-driven array processor

Object recognition in very high-resolution remote sensing images is a basic problem in the field of aerial and satellite image analysis. With the development of sensor technology and aerospace remote sensing technology, thequality and quantity of remote sensing images are improved. Traditional recognition methods have a certainlimitation in describing higher-level features, but object recognition method based on convolutional neural network(CNN) can not only deal with large scale images, but also train features automatically with high efficiency. It ismainly used on object recognition for remote sensing images. In this paper, an AlexNet CNN model is trained using2 100 remote sensing images, and correction rate can reach 97.6% after 2 000 iterations. Then based on trainedmodel, a parallel design of CNN for remote sensing images object recognition based on data-driven array processor(DDAP) is proposed. The consuming cycles are counted. Simultaneously, the proposed architecture is realized onXilinx V6 development board, and synthesized based on SMIC 130 nm complementary metal oxid semiconductor(CMOS) technology. The experimental results show that the proposed architecture has a certain degree ofparallelism to achieve the purpose of accelerating calculations.     

基于残差网络的光学遥感图像场景分类算法

提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法。本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征映射和融合不同层次的多分辨率特征信息,并在3个公开的经典遥感数据集上进行了实验。结果证明,本文方法不仅可以将残差网络中不同层次的多分辨率特征信息融合在一起,还可以利用高阶信息来实现更具代表性的特征学习。与已有的分类方法相比,本文方法在场景分类问题上拥有更高的分类精度。     

遥感图像星上背景扣除和灰度拉伸方案与实验

在遥感相机的实际应用中,卫星下传的图像灰度分布往往不佳,针对该问题展开了相关研究。分析了影响卫星下传图像灰度分布的因素,并以遥感相机成像电子学系统的系统参数为基础,给出了3种可行的星上图像背景扣除和灰度拉伸方案;推导了3种方案下获取图像的灰阶丰富程度公式,并确定了最优方案,即采用模拟和数字混合拉伸的办法,对初始量化位数的图像数据进行处理,然后舍掉后若干位,以数传规定位数下传。在实验室条件下,以实际的遥感相机成像系统为依托进行了实验。实验结果表明:文中提出的3种方案均能够实现遥感相机图像的星上背景扣除和灰度拉伸功能;但方案(三)得到的灰阶数量最多,成像效果最好,适合且能够应用于航天遥感相机当中。     

联合特征增强和锚点自动生成的遥感图像高精度目标检测

目标检测是遥感图像处理领域中一项重要而具有挑战性的任务,针对遥感图像中目标尺度差异较大以及方向分布随机等导致的遥感图像多尺度目标检测精度较低问题,本文提出一种基于特征增强和锚点框自动生成模块的目标检测方法。该方法在ResNet50网络中加入可操控的空洞卷积模块,并以此为基础设计了增强特征金字塔网络,提高网络对于目标多尺度特征表达能力。在区域建议网络中利用锚点框自动生成模块自主学习锚点框的位置和形状,以此获得更为稀疏和高质量的候选区域。本文在NWPU VHR-10数据集和飞机目标数据集上与多种基于卷积神经网络的目标检测算法进行对比实验,结果表明,本文所提方法在两个数据集上的mAP均为最优,分别为99.2%和87.7%,该方法具有较强的尺度自适应能力,有效的提高了遥感图像多尺度目标检测的精度。