混合全变差和低秩约束下的高光谱图像复原

目的 由于高光谱遥感数据携带丰富的光谱和空间信息,使其在许多领域得以广泛关注和应用。但是高光谱遥感数据在获取过程中受到各种因素的影响,存在多种不同程度的退化,进而影响到后续的处理和应用。因此,提出一种基于低秩矩阵近似和混合全变差正则化方法来复原退化的高光谱遥感数据。方法 首先分析高光谱遥感数据的两种低秩先验：光谱低秩先验和空间低秩先验;然后利用光谱低秩先验建立低秩矩阵近似表示模型,有效抑制稀疏噪声,例如脉冲噪声、条纹噪声、死线噪声等;再利用空间低秩先验建立混合全变差正则化模型,有效去除高密度噪声,例如强高斯噪声、泊松噪声等;最后结合两种模型的优势,建立基于低秩矩阵近似和混合全变差正则化模型。结果 利用多组高光谱遥感数据,和多种相关的高光谱复原方法进行对比仿真实验,表明新模型的结果在视觉质量有很大改进。与目前最新的复原模型相比,提出的模型的平均峰值信噪比能提高1.8 dB,而平均结构相似数值指标能提高0.05。结论 新模型充分利用高光谱遥感数据的空间和光谱低秩先验,针对含有高密度噪声和稀疏异常值的高光谱遥感数据,能够有效复原出高质量的高光谱遥感数据。     

截断核范数和全变差正则化高光谱图像复原

目的 高光谱图像距具有较高的光谱分辨率,从而具备区分诊断性光谱特征地物的能力,但高光谱数据经常会受到如环境、设备等各种因素的干扰,导致数据污染,严重影响高光谱数据在应用中的精度和可信度。方法 根据高光谱图像光谱维度特征值大小与所包含信息的关系,利用截断核范数最小化方法表示光谱低秩先验,从而有效抑制稀疏噪声;再利用高光谱图像的空间稀疏先验建立正则化模型,达到去除高密度噪声的目的;最终,结合上述两种模型的优势,构建截断核范数全变差正则化模型去除高斯噪声、稀疏噪声及其他混合噪声等。结果 将本文与其他三种近期发表的主流去噪方法进行对比,模型平均峰信噪比提高3.20 dB,平均结构相似数值指标提高0.22,并可以应用到包含各种噪声、不同尺寸的图像,其模型平均峰信噪比提高1.33 dB。结论 本文方法在光谱低秩中更加准确地表示了观测数据的先验特征,利用高光谱遥感数据的空间和低秩先验信息,能够对含有高密度噪声以及稀疏异常值的图像进行复原。     

正则化技术和低秩矩阵在稀疏表示超分辨率算法中的应用

为了有效地利用图像的特征作为指导重建的先验知识,解决常规超分辨率算法对边缘与结构等细节恢复不足的问题,提出一种改进的超分辨率算法.对待重建图像进行低秩分解,得到不同特征的低秩子图像和稀疏子图像;对于低秩子图像,提出采用基于正则化技术的稀疏表示超分辨率算法进行重建,先通过在低秩子图像中寻找相似图像块构造非局部相似正则化项,得到图像的非局部冗余,以保持边缘信息;再通过局部线性嵌入方法构造流形学习正则化项,获得图像的结构先验知识,以增强结构信息.对于稀疏子图像则不参与稀疏表示超分辨率重建,而是采用双三次插值法进行重建.实验结果表明,与其他算法相比,无论在主观视觉效果上,还是在峰值信噪比和结构相似性指标上,文中算法都有显著的提高.     

基于迹表示和正则化的显著目标检测算法

显著目标检测旨在快速地辨别自然图像的显著区域.为了更完整地将图像的显著区域与背景分离,根据低秩恢复理论提出基于迹表示和正则化的显著目标检测算法.首先将核范数替换为矩阵的迹表示以获取更低秩的解;然后在模型中加入拉普拉斯正则化项,减少稀疏矩阵和低秩矩阵的联系;最后将位置、颜色和边界连接先验整合成权重矩阵,融入到矩阵分解模型中.在Matlab平台下的MSRA1K, SOD, ECSSD和iCoseg这4个数据集上与13种算法进行比较的实验结果表明,该算法优于其他算法.     

结合非局部低秩先验的图像超分辨重建概率模型

现今图像成像技术日益普及,但受成像设备、成像环境以及在获取图像过程中外界噪声等因素的相互制约,在实际应用中很多图像成像分辨率较低,带来诸多问题.为此,提出一种有效的基于最大后验概率和非局部低秩先验的图像超分辨重建模型.首先,该模型采用连续图像序列作为数据输入,利用单幅图像内与连续图像间的相似性作为先验知识,提升相似图像块匹配度,消除图像细节丢失现象.然后,以最大后验概率框架建模,使用高斯分布和吉布斯分布拟合模型参数,提升模型泛化能力.通过相似块的奇异值估计待求块的奇异值,采用低秩截断抑制重建过程中引入的噪声.最后,利用图像的非局部自相似性和低秩性质,以非局部低秩约束正则化图像重建过程,添加图像的局部和全局信息来提升重建效果.在标准光流数据集、纽约大学和山东省千佛山医院提供的数据集上的实验结果表明,文中基于最大后验和非局部低秩先验的模型与传统插值算法、基于重建的优秀算法相比,在5组仿真实验中,其平均峰值信噪比提升6.3 dB,在保持图像纹理特征和恢复图像细节方面可取得更好的重建性能.     

可解译深度网络的多光谱遥感图像融合

目的 多光谱图像融合是遥感领域中的重要研究问题,变分模型方法和深度学习方法是目前的研究热点,但变分模型方法通常采用线性先验构建融合模型,难以描述自然场景复杂非线性关系,导致成像模型准确性较低,同时存在手动调参的难题;而主流深度学习方法将融合过程当做一个黑盒,忽视了真实物理成像机理,因此,现有融合方法的性能依然有待提升。为了解决上述问题,提出了一种基于可解译深度网络的多光谱图像融合方法。方法 首先构建深度学习先验描述融合图像与全色图像之间的关系,基于多光谱图像是融合图像下采样结果这一认知构建数据保真项,结合深度学习先验和数据保真项建立一种新的多光谱图像融合模型,提升融合模型准确性。采用近端梯度下降法对融合模型进行求解,进一步将求解步骤映射为具有明确物理成像机理的可解译深度网络架构。结果 分别在Gaofen-2和GeoEye-1遥感卫星仿真数据集,以及QuickBird遥感卫星真实数据集上进行了主客观对比实验。相对于经典方法,本文方法的主观视觉效果有了显著提升。在Gaofen-2和GeoEye-1遥感卫星仿真数据集,相对于性能第2的方法,本文方法的客观评价指标全局相对无量纲误差(relat...     

高光谱协同稀疏与非局部低秩张量变化检测

高光谱图像变化检测可提供地球表面的时间维变化信息,对城乡规划和管理至关重要。因具有较高的光谱分辨率,高光谱图像常被用于检测更精细的变化。针对高光谱变化检测的问题,提出一种基于协同稀疏与非局部低秩张量的高光谱图像变化检测方法。该方法首先求得前后时间点的高光谱差分图像,再根据差分图像中图像块的非局部分布特点,提取不同的非局部张量簇。然后基于协同稀疏正则化和低秩正则化建立协同稀疏与非局部低秩张量变化检测模型,并采用交替方向乘子法对模型求解得到表示系数。最后根据表示系数求得张量在不同类别中的投影残差,进而根据投影残差最小准则判断该张量块是否发生变化。在Farmland数据集和Urban area in San Francisco City数据集上进行实验,实验结果表明该方法取得较好的高光谱变化检测精度。     

分块低秩图的遥感影像半监督分类应用

随着信息技术和对地观测技术的飞速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。分类模型的准确性和抗干扰能力对精确绘制复杂的土地覆盖和土地利用分类至关重要。针对大规模遥感数据难以获取大量标记数据的问题,基于低秩表示模型和图的半监督学习方法,提出了基于分块低秩图的大规模遥感图像半监督分类应用。为了解决低秩表示计算复杂度高的问题,将预处理后的图像按像素进行分块处理,并在每个块上实现低秩表示。在WorldView-2影像上的分类结果表明,在少量标记样本下,该方法利用简单的最近邻分类器即可实现对城市地物的精确分类。因此,该方法有效地提高了土地覆盖的分类精度,在遥感图像分类中具有较高的效率。     

基于小波域正则化和贝叶斯规则的图像恢复算法

提出了将小波变换的正则化图像恢复与贝叶斯统计模型分析相结合的方法用于对图像进行消噪处理。正则化图像恢复是条件约束的最优化问题,而小波系数的贝叶斯统计选择是基于图像的随机场观点。两者的有机结合可以辨证地处理正则化参数和算子的选择以及先验模型的分布计算问题。     

稀疏性正则化的图像泊松恢复模型及分裂Bregman迭代算法

生物医学、天文等成像系统通常会受到泊松噪声的干扰, 基于图像在过完备字典下的稀疏表示, 在贝叶斯最大后验概率估计框架下, 建立了针对泊松噪声的稀疏性正则化图像恢复凸变分模型, 采用负log的泊松似然函数作为数据保真项, 模型中非光滑的正则项约束图像表示系数的稀疏性, 并附加恢复图像的非负性约束. 进一步, 基于分裂Bregman方法, 提出了求解该模型的多步迭代快速算法, 通过引入辅助变量与Bregman距离, 可将原问题转化为两个简单子问题的迭代求解, 大幅度降低了计算复杂性. 实验结果验证了本文模型与数值算法的有效性.     

遥感大数据研究现状与发展趋势

目的 遥感数据空间分辨率、时间分辨率、光谱分辨率以及辐射分辨率不断提高,数据类型也不断增加,从航天、航空、临近空间等遥感平台所获取的遥感数据量急剧增加,遥感数据已经具有明显的大数据特征。本文旨在从系统应用的角度分析遥感大数据处理中涉及的关键技术与问题,为相关研究人员提供有价值的参考。方法 在参考大量文献的基础上,首先阐明遥感大数据的特点。其次,从GPU硬件加速、集群、网格、云计算、云格、复杂高性能计算等角度介绍了遥感大数据处理系统。再次,从分布式集群化存储技术等,分析了遥感大数据处理的关键技术。最后,从遥感大数据的多类不确定性、信息融合、机器学习、分析平台等出发,说明了目前研究存在的问题;从遥感大数据多类不确定性建模,面向遥感大数据的机器学习方法等角度说明了遥感大数据发展的趋势。结果 本文详细梳理了遥感大数据的特点、典型的处理系统、核心技术,力图总结出在实际应用与学术研究中该领域需要解决的关键问题以及未来的发展趋势。结论 大数据技术为遥感数据挖掘与知识获取带来了机遇与挑战,面向大数据的机器学习、数据统一分析框架、面向大数据的信息深度融合等问题的突破,将促进遥感知识挖掘的进一步发展。     

基于数据融合的遥感图象处理技术

简要地回顾了数据融合技术产生，发展的必然性，以及学者们提出的几种相关定义；尽可能详细地分析了数据融合的框架结构。包括像素层，特征层和决策层三层数据融合，并重点分析了各个数据融合层中的融合方法，以及这些方法在遥感图象处理中的应用，由于数据融合与遥感图象分类，目标检测，变化检测，目标识别的密切相关性，还对数据融合与这些应用的结合作了一定的分析。最后给出了结论和展望。     

遥感图像像素级融合方法的建模与分析

遥感图像像素级融合方法众多，但缺乏统一的定义，使得各种方法的差并不明确，不利于有针对性的应用；各种方法的融合质量差异悬殊，缺乏选用合适融合方法的理论指导，往往只能根据操作者的经验进行判断。为此，本文首先对融合方法的一般处理过程进行建模，提出了基于融合过程中图像信息表示的遥感图像融合方法的形式化定义RSPF; 然后，基于RSPF从理论上分析了现有融合方法的融合质量差异；最后，通过实验定量分析了各种典型融合方法的融合质量。结果表明，融合过程中图像信息的表示形式是影响响融合质量的关键因素。     

基于GDAL框架的多源遥感数据的解析

针对图像软件系统工程项目中涉及的多源遥感数据的预处理问题,研究了当前几种典型卫星数据的不同存储格式,提出了对各种遥感数据进行解析的方法.通过对地理空间数据抽象库( GDAL)原有功能进行完善和扩展,并重新编辑发布动态链接库( DLL)版本,设计了多源遥感数据在GDAL框架体系下的统一解析模式,实现了遥感数据解析结果存储为项目中通用的统一数据格式(如Tiff格式),为后续的遥感数据处理和定量遥感数据产品的生产提供数据基础和技术支持.     

A variational method for multisource remote-sensing image fusion

With the increasing availability of multisource image data from Earth observation satellites, image fusion, a technique that produces a single image which preserves major salient features from a set of different inputs, has become an important tool in the field of remote sensing since usually the complete information cannot be obtained by a single sensor. In this article, we develop a new pixel-based variational model for image fusion using gradient features. The basic assumption is that the fused image should have a gradient that is close to the most salient gradient in the multisource inputs. Meanwhile, we integrate the inputs with the average quadratic local dispersion measure for the purpose of uniform and natural perception. Furthermore, we introduce a split Bregman algorithm to implement the proposed functional more effectively. To verify the effect of the proposed method, we visually and quantitatively compare it with the conventional image fusion schemes, such as the Laplacian pyramid, morphological pyramid, and geometry-based enhancement fusion methods. The results demonstrate the effectiveness and stability of the proposed method in terms of the related fusion evaluation benchmarks. In particular, the computation efficiency of the proposed method compared with other variational methods also shows that our method is remarkable.     

智能遥感：AI赋能遥感技术

随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、合成孔径雷达等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。除此之外,面向大智能分析技术发展需求,本文还对遥感开源数据集和共享平台方面的研究进展进行了回顾。在此基础上,对遥感数据智能分析与解译的研究情况进行梳理、总结,给出了该领域的未来发展趋势与展望。     

国内多源遥感影像信息融合技术的新进展

遥感影像信息融合是有效利用遥感海量数据的关键技术。在总结传统遥感影像融合算法的基础上,对传统算法的改进算法和新的融合算法做了较为详尽的介绍,以期为全面系统地了解我国影像融合技术的发展,为我们的学习和研究工作提供便利。     

基于GPU的遥感图像IHS小波融合并行算法设计与实现

遥感图像融合是遥感图像应用的一个重要处理步骤。随着遥感图像数据规模与融合算法计算复杂度的增大,遥感图像融合面临着处理速度的挑战。最近几年,GPU计算能力得到极大提升,面向通用计算的应用得到了快速发展。本文基于GPU编程模型和硬件特性,深入研究了遥感图像融合的并行加速算法,提出了适合融合执行流的并行映射模型。本文选取计算量大、计算精度高的IHS增强小波融合算法进行GPU并行设计,并针对主流的GPU平台在数据传输、循环优化、线程设计等方面进行了优化,最后在nVIDIA GTX 460 GPU上进行了实验。实验结果表明,本文设计的并行映射模型及优化策略能够很好地适用于遥感图像融合应用,最大加速比达到了114倍。研究表明,GPU通用计算技术在遥感图像处理领域具有广阔的应用前景。     

遥感影像融合及高保真算法比较分析研究

随着传感器性能的提高,现代遥感技术提供了各种光谱分辨率、空间分辨率的遥感数据,如何充分、有效的利用多源、多尺度遥感影像数据成为遥感应用技术的一个挑战。本文系统阐述了遥感影像融合的理论和方法,详细分析了像素级、特征级、决策级遥感影像融合的方法和优缺点,深入探讨了Gram-Schmidt和SFIM两种高保真的融合方法,给出了融合结果的评价体系,结果表明SFIM融合方法是最优方法。