高光谱图像大气校正自动化与快速处理北大核心CSCD

全谱段宽幅高分辨率推扫式光谱成像仪作为我国新一代航空高光谱成像仪已进入应用校飞阶段,文章针对其TB/日数量级高光谱图像快速处理问题,对大气校正过程的参数自动化设置方法和并行加速方法进行研究。在传统基于辐射传输模型的大气校正基础上,分析了可见近红外和短波红外通道是否波段合并、重合波段优选、大气类型选择、是否水汽反演、水汽吸收波段选择等方面对反射率反演精度的影响,实现了参数优化自动设置,并开发了并行化大气校正算法。以吉林榆树和辽宁辽中的数据进行验证,结果表明,反演反射率与参考真值反射率一致性高,同时处理速度比串行处理大大提高,可为高光谱反射率数据产品的业务化生产提供有力工具。     

基于压缩感知的数据压缩理论及其重构算法对比研究

压缩感知作为一种全新的信号采样理论,一经提出便引起广泛关注。本文拟在前人研究的基础上,通过理论研究及仿真实验对常见重构算法进行评价为后续理论研究及应用提供科学依据。首先对压缩感知的理论基础和主要构成进行阐述,以贪婪算法中的OMP算法分别对一维信号及不同类型的二维图像进行仿真实验,实验结果表明压缩感知算法可以在较低采样率下实现对一维或二维信号的高效重构,在采样率在0.5的情况下,其数据的压缩率达53%~60%。在系统总结几种常见重构算法特点的基础上,以标准测试影像为对象构建仿真实验,分别从重构算法的运算效率和重构质量两个方面对实验结果进行评价,结果显示IRLS算法重构精度较高,而GPSR算法的运算耗时较短。     

采用改进DeepLab网络的遥感图像分割

基于深度学习的语义分割方法具有较好的应用前景,但针对海量的遥感数据,深度学习算法在训练速度上仍有较大提升空间。在前人研究基础上,提出一种改进的全卷积网络,改进的网络以DeepLab为网络前端,结合Inception结构,在不降低特征提取能力的前提下,通过减少网络参数数量,降低网络运算复杂度,有效提升了网络的训练速度。基于INRIA Aerial Image Dataset高分辨率航空遥感数据集开展语义分割对比实验,实验结果显示改进的网络在训练速度和精度上均较DeepLab网络有所提升。所提出的改进DeepLab网络对为处理数据量庞大的遥感影像提供了可参考的解决方案。