一个新的纹理图像合成方法

基于样本的纹理合成方法是继纹理映射、过程纹理合成等方法后发展起来的一种纹理拼贴方法,可以避免以往方法中的接缝、走样等问题,在计算机图形学、计算机视觉、图像处理等领域是非常重要的.一种基于块的纹理合成新方法被提出:应用最大流原理和顺序访问方式建立了新的GraphCut图结构,该方法具有Graph Cut算法[2]的较好运行效果,并降低了Graph Cut算法的复杂性.其中,对近规则邻域的纹理图像合成尤为适用.     

基于分形理论的遥感影像分类研究

分形理论是非线性科学领域的一大支柱,它的提出为人们解决非线性世界的问题提供了新的思想和方法,由于分形维数与人类对图像表面纹理粗糙度的感知是一致的,利用分形理论进行遥感影像分类具有潜在的理论和应用价值。本文根据遥感影像特点,引入分形方法来描述其纹理结构特征,利用双毯覆盖模型来提取遥感影像的纹理特征,在此基础上,采用K-means算法将纹理结构特征与光谱特征相结合,进行遥感影像分类,其分类效果优于单纯采用光谱特征的分类。     

基于联合双边滤波的纹理合成上采样算法

提出了一个新的纹理合成的上行采样算法,即利用现有的高分辨率的样本纹理作为先验引导条件,对合成的低分辨率的纹理进行插值,获取更好的高分辨率纹理合成结果.该算法的主要思想是基于联合双边滤波器进行纹理合成上采样,对低分辨率合成纹理应用空间滤波,而将一相似的边界滤波联合地应用在高分辨率的样本纹理上.该算法克服了传统的以光滑性为先验引导条件的上采样方法会导致图像特征模糊的缺点,使获得的上采样纹理图像保持纹理特征,同时视觉上光滑.文中给出了图像和视频纹理合成结果的上行采样算法.实验结果表明,文中的方法减小了优化纹理合成过程所需的时间和空间,获取了更好的图像和视频合成纹理上采样效果.     

图像复原的算法研究

近年来有关图像复原的研究成果大量涌现，焦点大多集中在图像中的纹理合成或面向结构的图像润饰。分析的几个重要算法，即基于同步的结构纹理填充算法、基于统计的图像润饰算法和基于样本的图像润饰算法，突破了以往研究的局限性，取得了较好的复原效果。基于同步的结构纹理填充算法，首先将纹理合成和图像润饰技术同时应用于图像恢复，基于统计的图像润饰算法则全面利用了图像的全局信息，基于样本的图像润饰算法则将纹理合成和图像润饰技术的特性融于一体。对此进行了分析探讨，并在此基础上总结了目前图像复原研究状况。     

一种有效的遥感图像无缝分割方法

遥感图像具有数据量大、模糊性较强、纹理细节丰富等特点，这就决定了遥感图像的分割与自然景色图像分割相比，在分割效率、分割效果上都提出了更高的要求。另外，无缝空间遥感影像数据库的建立为我们提出了在基于内容的影像检索中遥感图像无缝分割问题。在JSEG算法的基础上，通过图像增强技术，解决了遥感图像不同区域边界往往不明显的问题，大大改善了分割效果；为了解决分割的无缝性，提出了基于gabor纹理特征的区域边界合并算法。实践证明本方法很好地解决了遥感图像分割的无缝性问题。     

纹理图像混合

基于样本的纹理合成方法是继纹理映射和过程纹理合成等方法后发展起来的一种纹理拼贴方法,而在已有的算法中,绝大多数算法只能处理单纹理样本的合成.提出了一种新颖的可处理两个纹理样本的纹理混合方法.首先用点匹配的方法获得两个样本纹理图像混合的最佳位置,然后应用最大流原理进行混合.本算法可以自动在最佳的位置进行最佳的纹理混合.实验结果表明,该方法可获得比较理想的混合效果.     

基于特征匹配的渐变纹理图像合成算法

近年来发展起来的纹理合成算法可以由小块纹理样图合成任意大小的纹理图像。合成的纹理图像虽然和样本纹理在视觉上相似且连续,但是缺少变化,因此需要有算法能使合成纹理图像产生需要的变化。文中借助输入样本图像的MIP图像和基于块的纹理合成,在边界的合成过程中加入了特征匹配以提高合成纹理图像的质量。实验结果表明,该算法可以在沿着纹理合成的方向上产生渐变的纹理图像,并通过特征匹配能够使合成的纹理图像在视觉是平滑过渡的。     

基于分形维数的全色影像云雪自动识别方法

由于云、雪光谱特征在可见光谱段范围内的相似性,全色影像的云检测和云雪识别一直是对地观测遥感数据预处理及应用中的难点之一。细致分析了云、雪的纹理特征,通过训练大量的实验样本获得了表征云、雪纹理特征的分形维数值的统计规律,在此基础上综合考虑云\,雪的纹理特征与覆盖分布规律,提出了一种基于分形维数的全色影像云与积雪自动识别方法。利用"北京一号"小卫星实际图像的测试结果表明,该方法是一种有效的全色影像云\,雪自动识别方法。     

面向对象的遥感图像数据挖掘

目的：研究基于面向对象的图像分析法的遥感影像数据挖掘技术。方法：应用区域分割算法——区域增长算法、最临近、模糊分类、知识库和模拟退火等数据挖掘的理论和算法进行遥感影像信息挖掘方法研究。结果：提出了基于面向对象遥感图像分析法的遥感影像信息挖掘方法。结论：指出面向对象的遥感图像分析是具有实际应用价值的高效的遥感图像信息挖掘方法之一。     

自适应选取样本块大小的纹理合成方法

在传统基于样本块的纹理合成算法中,样本块的大小需要靠人工设定,或根据图像修复效果进行调节,缺乏自适应性。为解决上述问题,通过提取图像的相关纹理特征,提出一种样本块大小自适应选取方法。利用图像分解技术对图像进行预处理,利用图像灰度共生矩阵提取待修复图像的纹理特征,通过确定相关纹理特征与最优样本块大小的相互关系,实现了样本块大小的自动选取。仿真实验结果表明,利用文中方法自适应选取样本块大小,对自然图像能够获得理想的纹理合成效果。     

无监督纹理遥感图像分形分割仿真

针对无监督纹理遥感图像分形分割时,仅利用光谱信息,没有充分利用遥感图像中的纹理信息造成过分割或是欠分割的问题,提出结合光谱信息和纹理信息的无监督遥感图像分形分割方法。方法首先借助于双边滤波算法建立双边滤波模型,对无监督遥感图像进行平滑处理,利用边缘检测算子获取无监督遥感图像的纹理梯度和光谱梯度,保留遥感图像的纹理信息。将图像纹理梯度和光谱梯度的内积范数作为K-means算法的距离测度,针对K-means算法易陷入局部寻优问题,将遗传算法与K-means算法相结合实现全局寻优,完成无监督纹理遥感图像分形分割。通过在高分辨率遥感图像上的分割对比实验,证明上述方法能充分利用遥感图像的光谱和纹理信息,分割效果良好。     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。     

基于流形学习的彩色遥感图像分维数估算

目的 纹理特征提取一直是遥感图像分析领域研究的热点和难点。现有的纹理特征提取方法主要集中于研究单波段灰色遥感图像,如何提取多波段彩色遥感图像的纹理特征,是多光谱遥感的研究前沿。方法 提出了一种基于流形学习的彩色遥感图像分维数估算方法。该方法利用局部线性嵌入方法,对由颜色属性所组成的5-D欧氏超曲面进行维数简约处理;再将维数简约处理后的颜色属性用于分维数估算。结果 利用Landsat-7遥感卫星数据和GeoEye-1遥感卫星数据进行实验,结果表明,同Peleg法和Sarkar法等其他分维数估算方法相比,本文方法具有较小的拟合误差。其中,其他4种对比方法所获拟合误差E平均值分别是本文方法所获得拟合误差E平均值的26.2倍、5倍、26.3倍、5倍。此外,本文方法不仅可提供具有较好分类特性的分维数,而且还能提供相对于其他4种对比方法更加稳健的分维数。结论 在针对中低分辨率的真彩遥感图像和假彩遥感图像以及高分辨率彩色合成遥感图像方面,本文方法能够利用不同地物所具有颜色属性信息,提取出各类型地物所对应的纹理信息,有效地改善了分维数对不同地物的区分能力。这对后续研究各区域中不同类型地物的分布情况及针对不同类型地物分布特点而制定区域规划及开发具有积极意义。     

基于U-Net的高分辨率遥感图像土地利用信息提取

随着现代遥感技术的迅速发展,遥感图像的质量和数量得到了显著的提升,新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富,如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容。与此同时,以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩。得益于类人眼的分层卷积池化模型,深度卷积神经网络可以在图像分割和分类等任务上取得优异的结果。因此采用U-Net为代表的深度卷积神经网络对2 m的高分辨率遥感影像进行了特征提取、分割和分类,不同于传统基于手工设定图像特征的方法,U-Net可以自动对海量高分辨率的遥感图像进行特征提取,从而充分挖掘高分辨率遥感影像中复杂的非线性特征、光谱特征和纹理特征。实验结果表明：利用训练好的U-Net模型对新昌县土地利用分类计算时间为55.7 s,分类准确率可达90.95%,Kappa系数为0.86。U-Net模型可以快速、精确地提取高分辨率遥感影像中的地表覆盖特征,得到高精度的土地利用分类结果,说明将该模型应用于遥感影像土地利用分类提取有着广阔前景。     

Convolutional Neural Network for RemoteSensing Plant Cover Extracting

The key point of the state-of-the-art machine learning method to extract land information is to construct the features-vector.The existing methods mainly use the spectral features,texture features of remote sensing images to construct the features-vector,however,this method can only get limited features and requires too much human intervention.In the face of the above problems,this paper builds a convolutional neural network model for mining the deep-level features of multi-band remote sensing images and then extract the greenbelt in the Kubuqi Desert.The model was trained and hyperparameter selection was performed.The performance of the model was evaluated by cross validation and comparative analysis between methods.The experimental results show that the model is of high accuracy and good generalization ability.Finally,the test data set was input into the model to predict land cover classes and to do visualization.The importance of this study is to inspire new thinking of better performance of the green land and even more complex information extraction from remote sensing images.     

一种高空间分辨率遥感影像信噪比测定方法

信噪比是用来评价遥感影像质量一个重要的辐射特性参数。通过合适的方法精确地测定出遥感影像对应的信噪比参数,可以帮助数据提供者或用户更好地预测和提高遥感影像的信息提取能力。现有的信噪比测定方法大多基于中低空间分辨率遥感影像进行,并不能很好地适用于高空间分辨率遥感影像。针对现有信噪比测定方法的这一局限性,从高空间分辨率遥感影像本身特点出发,通过自适应地划分DN值子区间,以一定百分比最小局部标准差的平均值估算每一DN值子区间对应的噪声大小,进而估算每一DN值子区间对应的信噪比。该方法充分考虑了高分遥感影像内空间细节信息、边缘信息以及纹理信息较强而使得均值区域很难获取的特点。研究表明:改进的方法对于估算高分遥感影像信噪比具有较好的适用性。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

Adaptive thresholding of texture towards white region normalization

Human colour vision has the ability to recover a measure of contextdependent surface reflectance from observed areas. This can be seen as an analogue to radiometric corrections employed in remote sensing. Procedures based on human colour vision applied in the context of remote sensing could simplify image preprocessing and classification. This study evaluates an algorithm based on Land's colour vision or 'retinex' theory. When tested on remotely sensed images, the algorithm had difficulty coping with the presence of image texture. A new framework is presented that adapts Land's procedure to processing of remotely sensed images using adaptive thresholding techniques.     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。     

遥感湖泊面积MTMF提取方法及空间尺度效应研究

主要研究遥感湖泊面积亚像元分解提取方法和空间尺度效应,为遥感湖泊面积提取、检验及基于此的局地气候变化分析提供科学的基础数据。在对TM遥感数据进行升尺度处理的基础上,采用混合调制匹配滤波(Mixture Tuned Matched Filtering,MTMF)进行亚像元分解,得到不同空间分辨率的湖泊面积。进而分析不同面积湖泊随遥感空间尺度的变化。结果表明:(1)当通过对高空间分辨率的遥感数据重采样获取多尺度遥感影像进行湖泊面积提取及湖泊空间尺度效应分析时,采用最近邻法比像元聚合重采样法更合理。(2)MTMF亚像元分解法可以用于基于水体光谱特征的遥感湖泊边界提取和面积计算,但边界提取过程中容易将湖泊与河流或其他非湖泊的水体混淆。(3)遥感湖泊面积的提取结果受所用遥感影像空间分辨率的影响较大,影像的空间分辨率越低,湖泊面积提取的偏差越大,尤其对面积较小的湖泊。