基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT(Non-Subsampled Wavelet Transform,非下采样小波变换)提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

基于空间特征重标定网络的遥感图像场景分类

为充分利用遥感图像的场景信息,提高场景分类的正确率,提出一种基于空间特征重标定网络的场景分类方法。采用多尺度全向高斯导数滤波器获取遥感图像的空间特征,通过引入可分离卷积与附加动量法构建特征重标定网络,利用全连接层形成的瓶颈结构学习特征通道间的相关性,对多尺度空间特征进行权重筛选以实现特征重标定,并结合卷积神经网络训练得到最终的分类结果。实验结果表明,该方法在UCM_LandUse与机载SAR图像数据上的分类正确率分别达到94.76%和95.38%,与MNCC、MS-DCNN、PCA-CNN等算法相比,其遥感图像分类精度与泛化能力显著提升。     

永久散射体识别方法研究

在永久散射体雷达差分干涉测量（PSInSAR）算法流程中,PS点的探测与识别是重要环节。本文在分析几种较常用PS点目标提取方法的基础上,设计了一套将相干系数阈值法,振幅离差指数阈值法与强度阈值法串行的PS点目标识别方法,并将这一三重阈值串行的探测方法应用在河南地区的14景SAR影像中探测PS点目标,通过实验分别比对了研究区域内各种方法在不同阈值组合情况下提取出来的PS点效果,通过对实验结果分析可知,三重指数串行法获取的PS候选点分布情况更合理,更适用于该研究区域应用PSInSAR进行形变监测。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义，传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息，针对这一问题，提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network，指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform，非下采样小波变换）提取出图像的高低频子带，将高频子带进行频带特征融合得到融合高频子带，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合，最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明，本文方法的分类正确率达到94.52%，相比以往算法有显著提高。     

基于改进Libra-RCNN的输电线路绝缘子识别

针对无人机航拍输电线路识别绝缘子的定位精度和稳定性较差等问题,提出一种基于ASFF金字塔网络的Libra-RCNN绝缘子检测模型.首先,使用FRN归一化层替代原BN层,消除归一化层对训练批次大小依赖,增加模型学习效率;然后在Libra-RCNN算法金字塔中引入ASFF网络结构,有效解决特征金字塔内部不一致问题;最后借助...     

Time series ground subsidence inversion in mining area based on CRInSAR and PSInSAR integration

The subsidence of the mining area was monitored by analyzing the phase of permanent scatters （PS） which maintained high coherence in magnitude of SAR images.A hew method of spatial unwrapping was presented which used the subsidence rates calculated on comer reflector （CR） points as constraints for PS network to perform the spatial unwrapping using the parametric adjustment method.The algorithm achieved the integration of CR data and PSInSAR algorithm.The colliery dense distributed area around Baisha reservoir was chosen as the study area in the experiment.The time series of subsidence from February in 2007 to February in 2010 is successfully inversed by using the periodic function to simulate the linear and nonlinear components of the deformation.The simulation results show that the accuracy can be ± 2.1 mm with the leveling data being used as the external validation data.     

基于Multi-Path RefineNet的多特征高分辨率SAR图像道路提取算法

为解决现有高分辨率SAR图像道路提取算法自动化较差、普适性不高的问题,提出了一种基于多路径优化网络的多特征提取算法。首先,对SAR图像进行Gabor变换及灰度梯度共生矩阵变换,获取丰富的道路特征信息,联结级联优化网络和残差网络形成多路径优化网络;然后,对SAR原图、获取的低级特征图和标签图进行训练,充分利用每层网络提取的道路特征获取初始分割的道路结果;最后,利用数学形态学运算连接初始道路断裂处并去除虚警。利用所提算法对不同分辨率的SAR图像进行道路提取,实验结果表明,该算法在提取SAR图像道路方面适用范围广且道路提取效果佳。     

利用InSAR技术监测矿区地表形变

介绍了InSAR技术在矿区地表形变监测中的应用现状及进展,分析了D-InSAR技术相比于传统测量手段的优势,并指出其在矿区地表形变监测中的不足。针对传统D-InSAR技术的局限性,重点讨论了短基线(SBAS)、永久散射体(PS)和角反射器(CR)等高级差分干涉技术,并结合矿区沉降监测实例,分析了其特点与应用现状,讨论了现有研究中仍存在的问题。高级InSAR技术和高分辨率SAR影像的结合将是矿区地表形变监测的发展趋势。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform,非下采样小波变换）提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。     

Coseismic slip distribution of 2009 L’Aquila earthquake derived from InSAR and GPS data

To better understand the mechanism of the Mw6.3 L’Aquila (Central Italy) earthquake occurred in 2009, global positioning system (GPS) and interferometric synthetic aperture radar (InSAR) data were used to derive the coseismic slip distribution of the earthquake fault. Firstly, based on the homogeneous elastic half-space model, the fault geometric parameters were solved by the genetic algorithm. The best fitting model shows that the fault is a 13.7 km×14.1 km rectangular fault, in 139.3° strike direction and 50.2° southwest-dipping. Secondly, fixing the optimal fault geometric parameters, the fault plane was extended and discretized into 16×16 patches, each with a size of 1 km×1 km, and the non-uniform slip distribution of the fault was inverted by the steepest descent method with an appropriate smoothing ratio based on the layered crustal structure model. The preferred solution shows that the fault is mainly a normal fault with slight right-lateral strike slip, the maximum slip of 1.01 m is located in the depth of 8.28 km, the average rake is −100.9°, and the total geodetic moment is about 3.34×1018 N·m (Mw 6.28). The results are much closer than previous studies in comparison with the seismological estimation. These demonstrate that the coseismic fault slip distribution of the L’Aquila earthquake inverted by the crustal model considering layered characters is reliable.