基于稠密残差网络的多序列卫星图像去云

遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲"哨兵-2"遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.854 0,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。     

IHS和小波变换结合多源遥感影像融合质量对小波分解层数的响应

随着遥感技术的快速发展以及遥感数据的广泛应用,影像的融合处理已成为多源遥感影像信息聚合、获取高质量空间影像的有效途径。基于SPOT全色和多光谱、TM多光谱遥感数据,运用IHS和小波变换相结合的融合方法,进行了不同来源影像融合、融合图像质量对小波分解层数的响应以及这种响应对研究区域面积的敏感性分析。结果表明,多源影像之间的IHS和小波变换相结合的融合方法明显地改善了影像的质量;融合图像质量与原始影像空间分辨率相关,如经1层小波变换融合,TM,SPOT融合图像熵值的增幅分别为2095%,019%。小波融合图像质量对小波分解的层数的敏感性较强,在小波分解层数为2,3或4时,都能获得高质量的融合图像;小波分解层数等于或大于5时融合图像质量下降,7是大幅下降的临界层数。融合图像质量对小波分解层数的响应特性对面积大小变化是敏感的,特别是小面积图像,为此,实际应用中需特别注意最佳分解层数问题。     

多光谱遥感图像去云方法

云覆盖是遥感图像解译过程中常遇到的问题。本文在介绍了几种常用于多传感器遥感图像去云方法的基础上,探讨了基于精度融合的频率域高通滤波去云方法,并对ETM图像进行去云处理,结果表明这种方法具有很好的去云效果,同时计算简便,此外这种方法还具有很强的普适性。     

一种基于融合指标的小波去云参数选取方法

遥感图像普遍存在着薄云噪声,对其使用造成影响,因此需要针对薄云的特性来进行去云处理.一种利用频率特点将各层小波系数分开处理的小波去云方法有较好的去云效果,但其中一些参数的正确选取对结果有很大影响,尚未完全找到有效的方法来选择.根据遥感图像的特点,选择评价指标来构造融合指标,利用该融合指标寻找到最佳的分界层和分解层数.通过使用该方法求得的两个参数能够实现较好的去云目的,证明方法的高效性.     

改进的小波变换在多源遥感图像融合中的应用

在分析方向可调的小波变换与不可分离小波变换的基础上,以全色SPOT和多光谱TM遥感影像为数据源,结合可调小波变换与不可分离小波变换的优点,借助Matlab与ERDAS IMAGINE等工具,实现了改进的方向可调的不可分离框架小波变换的遥感影像融合处理.该方法与传统的融合方法相比,具有不可分离小波变换和方向可调性等优点,对图像的多分辨率信息的刻画比较精细,既能保持多光谱图像的光谱信息,又能保持全色图像的空间分辨率特性,从而提高了对影像的解译能力.     

基于支持向量机的遥感图像厚云去除算法

厚云的存在大大降低了遥感图像的利用率,利用支持向量机超强捕获边缘点的能力和图像融合方法,提出了一种基于支持向量机遥感图像厚云去除算法。首先构造支持向量值轮廓波变换并对图像进行分解,然后进行云层检测和图像融合,最后进行支持向量值轮廓波逆变换,得到重构图像。仿真实验表明,对于有厚云覆盖但无云区重叠的遥感图像,该算法能取得满意的去云效果,不仅保留了图像边缘信息,而且有效地解决了云层残留问题。     

基于全变分模型的多时相遥感影像厚云去除算法

针对多时相遥感影像厚云去除出现的亮度不一致和明显边界的问题,提出了一种结合全变分模型和泊松方程的多时相遥感影像厚云去除算法。首先,通过多时相遥感影像间共同区域的亮度信息计算亮度校正系数,对图像的亮度进行校正,降低亮度差异对去云结果的影响。然后,基于选择多源全变分模型对亮度校正后的多时相遥感影像进行重建,提高融合结果的空间平滑性及其与原始影像的相似性。最后,利用泊松方程对重建图像的局部区域进行优化。实验结果表明,该算法能够有效解决亮度不一致和边界问题。     

基于云影距离模型的遥感图像多尺度融合算法

为了对含云及云影遥感图像上的云影进行有效消除,首先构建了遥感云影成像距离模型,并依据遥感云影距离模型,提出了一种新的云影识别算法,用来对有云遥感图像中的云层和阴影进行检测与识别,并生成融合区域图;然后在融合区域图的基础上,提出了一种多尺度图像融合算法,用来消除云影,即先对源图像进行多尺度几何分解,得到源图像的粗糙和细节分量,然后对云影区域和非云影区域分别采用不同的融合策略进行处理得到融合图像。仿真实验结果表明,该新融合算法不仅对薄云的消除效果非常好,而且对厚云及阴影的消除效果也非常好,且不会产生衔接边缘。     

基于改进NSST-PCNN的光学与SAR图像融合去云方法

由于光学遥感穿透性差,光学图像常受到云层等天气因素干扰而影响其遥感应用。现有基于多时相或单幅图像修复的方法受地物变化及缺乏先验信息的影响,难以恢复云下真实地物信息。利用SAR图像不受云层、光照等因素干扰的特点,提出一种与SAR图像融合的光学图像去云方法。首先利用分形网络演化算法（FNEA）结合形状及光谱特性对云区进行检测,接着采用非下采样剪切波变换（NSST）对光学与SAR图像进行分解,最后对分解后系数结合云区检测结果进行融合,其中低频信息基于改进加权能量和进行融合,高频则结合方向信息熵及脉冲耦合神经网络（PCNN）模型进行融合。以高分一号、二号光学和高分三号SAR图像数据进行实验。结果表明,该方法相较其他5种算法在云区与参考图像有更高的相似性,可以更好地保持纹理及细节特征,在有效解决云层遮挡问题的同时实现图像增强,有利于后续图像分类、目标识别以及图像判别等遥感应用。     

资源三号卫星CCD影像云处理方法研究

在分析目前较为常用的多种去云方法特点后,选取改进的同态滤波算法进行去云处理,并与同态滤波法进行对比研究,通过定性分析与定量评价两方面比较。结果表明:基于改进同态滤波法对资源三号融合影像去云处理产生的遥感图像失真较小,同时很大程度地保持了空间纹理细节信息,是一种适合于资源三号影像去云的较好方法。     

基于环境卫星CCD影像的薄云去除研究

云雾覆盖是光学遥感影像的主要噪声之一,它严重影响了遥感影像的判读和使用。如何降低或去除薄云的影响,恢复云下地表信息,成为提高遥感影像可用性的重要环节。本文分析了环境卫星CCD影像的特点,基于BSHTI(Background Suppressed Haze Thickness Index)云检测方法,对BSHTI方法进行了适应性改进和完善。通过目视评价和统计分析,表明该方法不仅能够有效地降低薄云雾的干扰,而且可以在很大程度上减少遥感影像信息的损失,同时较好地保持了原始影像的清晰度和连续性,是一种有效可行的薄云去除方法。     

基于生成对抗网络的遥感图像去云算法

计算机视觉中的许多问题可以抽象为将输入图像“转换”成对应的输出图像,图像转换算法是许多计算机视觉问题的通用解决方案,例如语义分割、风格转换等。本文将以遥感图像去云作为图像转换的特例,研究基于生成对抗网络的图像转换算法。提出基于残差模块的生成模型可以对单幅遥感图像进行厚云和薄云的去除;同时提出的多尺度判别网络以及VGG损失函数,有效地解决了复杂场景的云雾遮挡问题。实验结果表明,本文提出的图像转换算法在遥感图像薄云数据集上峰值信噪比提升了1.64 dB,在厚云数据集上峰值信噪比提升了1.92 dB,同时生成的无云遥感图像和真实的无云图像具有较高的结构相似性。     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

基于高斯云变换的遥感图像多粒度聚类

遥感图像技术的迅猛发展,使得传统聚类方法的局限性日益凸显。针对其信息量大、结构复杂等特点,从多粒度、多层次的角度来分析与理解地学现象,能够更好地解决遥感图像的自适应聚类问题。基于云模型与混合高斯相结合的高斯云变换是一种求解多粒度问题的新方法,能够解决问题域中多粒度的生成问题,但是其时间复杂度较高以及对噪声敏感等缺点,导致对遥感图像的聚类结果不理想。因此提出一种改进的高斯云变换方法,首先通过K-Means聚类优化初始粒度的选择,其次结合幅度云综合对粒度跃升策略进行改进,然后使用一种隶属度距离进行粒度的区域划分,最终对遥感图像进行聚类。实验结果验证了所提方法的正确性和有效性。     

云环境下基于秘密共享的海洋遥感影像认证方案

云存储模式的出现为海量海洋遥感影像的存储和管理带来了机遇,越来越多的用户选择将海洋遥感影像数据移植到云中,但云存储环境的开放性对海洋遥感影像数据的安全性提出了挑战。以保障云环境下海洋遥感敏感数据的安全性为前提,提出一种影像认证方案,将哈希函数与(k,n)门限秘密共享方法相结合,检测敏感区影像信息变化,并对加密前和恢复后的影像进行一致性验证,保护加密影像数据的机密性。同时,为避免n个子秘密中,因多于n-k个子秘密的篡改或丢失,造成敏感区影像不可恢复情况的发生,采用对敏感区影像进行分块的策略,对每个子影像块做进一步的秘密共享处理,以保证部分影像的无损恢复。实验对比分析表明,所提出的安全认证方案可以有效防止秘密恢复过程中的欺诈行为,同时可获得比传统方法更高的遥感影像云存储安全性。     

多云协同架构下的遥感图像安全外包降噪方案

由于传输介质的干扰,遥感图像会被噪声污染,影响图像的处理和应用。遥感图像包含丰富的信息,致使普通计算机无法独立完成降噪任务,而云平台往往是不可信任甚至是恶意的,因此传统的图像降噪方案无法直接应用到云平台上。为保障遥感图像的可用性与安全性,提出一种基于多云协同的遥感图像安全外包降噪方案,既能实现灾备,又能实现分布式降噪,减少每个云平台的计算负担。利用[(k,n)]门限秘密共享方案将遥感图像共享给多个云服务器,云服务器根据改进的非局部均值降噪算法在密文域中完成图像降噪。     

基于颜色空间变换的遥感图像去厚云方法

由于气候条件等因素,获取清晰无云的大面积遥感图像几乎不可能。在所获取的遥感图像中常含有大量的厚云完全遮盖了地表的实际地物情况。提出了一种基于遥感自动分类和颜色空间变换的多时相遥感图像厚云去除方法。实验结果表明,该方法不但能够去除厚云,而且能够很好地校正不同时相遥感图像间的颜色和亮度差异。