基于卷积神经网络的光学遥感图像检索

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。     

X/Ka频段遥感卫星地面接收信道便携式测试系统设计

为解决X/Ka信道在建设和运行维护过程中测试设备笨重、功能单一、设备操作复杂、工作状态无法获取等弊端,通过优化中频与射频链路方案、小型化与多功能集成设计、集中监控与射频线缆供电等方式,设计了一种便携式X/Ka频段遥感卫星接收信道测试系统,实现了1 GHz宽带X/Ka卫星数据地面接收系统射频(7.9~8.9 GHz、18~20 GHz、25~27.5 GHz 3个频段,有线或无线)、中频环路的调试和测试(1.2 GHz、1.5 GHz 2个频段)及信道的测试系统的集中监控、高阶调制、多种编码、多普勒仿真、噪声源添加等功能,极大地方便了现场或野外测试应用。     

基于FPGA的并行RICE解码技术研究与实现

RICE算法在无损压缩系统有着广泛的应用。由于RICE算法采用了变长的自适应熵编码,因此在解码时需要对压缩流进行逐位判断和解析,这给高速解压缩的实现带来了困难。现有的RICE解码实现在解码速度和通用性上都不理想。针对RICE算法中自适应熵编码的特点,设计了一种基于有限状态机和查找表的并行RICE解码结构,可在FPGA上完成8比特宽度的并行解码,解码速度最高可达176 MB/s;同时,该解码结构适用于编码参数k变化的情况,具有很强的通用性。     

卫星接收系统故障诊断专家系统的研究

本文针对遥感卫星接收系统,基于故障树推理机制,研究并实现了一种遥感卫星接收系统故障诊断专家系统.该系统不仅能够根据卫星实时接收过程中的状态信息自动进行故障显示、定位,并给出故障排除指示,同时还可用做进行遥感卫星接收系统培训的交互示范系统.     

一种基于OpenGL的通用遥感卫星移动窗显示方法

移动窗显示是卫星接收过程中一个重要环节.通过实时接收过程中的移动窗显示,接收人员不仅可以快速、直观地了解当前数据接收质量,而且能够及时发现用户感兴趣的一些信息点.OpenGL技术移植性好,处理效率高,本文基于OpenGL技术提出了一种通用遥感卫星移动窗显示技术,并以SPOT-4卫星为例介绍了移动窗处理过程.     

Landsat-8卫星数据应用探讨

在过去的40年里,Landsat系列卫星对启蒙和推动遥感应用技术的发展起到了重要作用,其遥感图像数据在我国得到了广泛应用.Landsat-8卫星是Landsat系列卫星的后续任务,已于2013年2月发射,目标是延续Landsat系列卫星数据的连续性,为农业、水资源管理、植被监测、灾害响应等领域继续提供高质量的图像数据.本文将首先介绍Landsat-8卫星的研制背景、卫星的基本参数和新型成像仪的数据特点,然后对比ETM+数据,介绍了Landsat-8卫星的数据产品分级以及数据的应用方向上的变化.     

遥感卫星数据编程的技术研究与实现

研究推导了遥感卫星数据编程的核心算法,以及基于此算法的遥感卫星数据编程原型系统的实现,并介绍了其主要功能、整体框架、实现流程和主要技术,最后对该系统进行了误差分析并展示了一个应用实例。     

灰色关联分析与模糊推理边缘检测图像融合法

为解决融合图像不同程度的光谱失真问题,提出了一种结合灰色关联分析、模糊推理和IHS变换的图像融合算法。首先通过灰色关联分析和模糊推理算出全色图像的边缘点和非边缘点,得到丰富的边缘信息,然后对多光谱图像进行IHS变换,以亮度分量为依据对全色图像进行直方图匹配,再基于边缘信息对亮度分量和直方图匹配后的全色图像进行线性加权,最后通过IHS逆变换得到融合图像。为验证本文方法的有效性,与5种常用方法比较,从视觉和定量两方面进行评价,且采用降尺度评价和全分辨率评价。结果表明,该方法得到的融合图像比其他5种方法更优越。本文方法不仅提高了遥感图像的空间分辨率,也较好保留了多光谱图像的光谱信息。     

迁移学习下高分快视数据道路快速提取

目的 传统的道路提取方法自动化程度不高,无法满足快速获取道路信息的需求。使用深度学习的道路提取方法多关注精度的提升,网络冗余度较高。而迁移学习通过将知识从源领域迁移到目标领域,可以快速完成目标学习任务。因此,本文利用高分辨率卫星快视数据快速获取的特性,构建了一种基于迁移学习的道路快速提取深度神经网络。方法 采用基于预训练网络的迁移学习方法,可以将本文整个道路提取过程分为两个阶段：首先在开源大型数据库ImageNet上训练源网络,保存此阶段最优模型;第2阶段迁移预训练保存的模型至目标网络,利用预训练保存的权重参数指导目标网络继续训练,此时快视数据作为输入,只做目标任务的定向微调,从而加速网络训练。总体来说,前期预训练是一个抽取通用特征参数的过程,目标训练是针对道路提取任务特化的过程。结果 本文构建的基于迁移学习的快速道路提取网络,迁移预训练模型与不迁移相比验证精度提升6.0%,单幅尺寸为256×256像素的数据测试时间减少49.4%。快视数据测试集平均精度可达88.3%。截取一轨中7 304×6 980像素位于天津滨海新区的快视数据,可在54 s内完成道路提取。与其他迁移模型对比,本文方法在快速预测道路的同时且能达到较高的准确率。结论 实验结果表明,本文针对高分卫星快视数据,提出的利用预训练模型初始化网络能有效利用权重参数,使模型趋于轻量化,使得精度提升的同时也加快了提取速度,能够实现道路信息快速精准获取。     

基于WRS-2的陆地卫星分景算法研究

WRS-2是为了便于陆地卫星数据的查询和管理而设计的一种全球参考系。本文深入研究了基于WRS-2参考系的2种分景算法WRSID1和WRSID2,比较分析了2种分景算法的异同,最后以Landsat-5为例分别实现2种算法并进行数据验证。通过研究和数据验证,发现WRSID2能显著减少高纬度地区的分景误差。该算法原理适用于美国陆地系列卫星,也能够为其他卫星地面系统的研制提供参考。