多稀疏表示分类器决策融合修正距离的图像检索

针对当前许多图 像检索方法的检索精度不理想的问题,本文为增强图像特征的表达能力,通过统计图像的颜 色矩、多尺度分块 局部二值模式、灰度共生矩阵、尺度不变特征变换以及空间位置信息,提取5类能从不同角 度表征图像本 质特性的特征,并根据图像库中各训练图像的类别信息,以此5类特征构造5个稀疏表示分类 器,同时引 入决策融合思想,根据每个子分类器的分类性能,通过一个自适应迭代运算过程确定各子分 类器的融合权 值,以刻画不同类别特征的图像表达能力,并据此构造距离修正因子对不同特征所描述的图 像间距离进行 修正,从而得到综合各类特征表达能力的图像间的修正距离,实现图像的相似性评价,获得 检索结果。实 验结果表明,基于Corel-1000图像库,本文提出的方法平均查准率 为82.1%,比现有的方法平均提升10个百分点 ,而且鲁棒性更强。     

结合遥感卫星及深度神经网络的白天海雾识别

遥感卫星能够对云雾进行大范围、长时间监测, 对海雾识别研究具有重要的意义,本文根据不同云、 雾和下垫面的光谱特性及纹理特征,通过葵花8号卫星(Himawari-8)提取云图特征、CALIOP 星载激光雷达 (cloud-aerosol Lidar with orthogonal polarization,CALIOP)获取中高云、低云、海 雾、晴空海表四类样本标签, 利用深度学习方法构建深度神经网络(Deep Neural Networks,DNN),实现了白天海雾的有 效识别。实验结果 表明:本文训练得到的深度神经网络模型准确率为82.63%,具有较高 的识别精度,而且相比其它海雾识别 方法也有更好的识别结果。利用该模型对2016年4月8日发生于黄渤海 区域的海雾天气进行识别,并通过 CALIOP标签数据对识别效果进行验证,结果表明该方法能够较好的识别出海雾区域。     

多通道特征融合Y型全卷积网络的对流云检测

强对流天气具有生命周期短、突发性强、破坏性 大等特点,并时常伴随着多种灾难性天气,给经济 发展、环境保护、人民生命财产安全等带来巨大威胁。目前目视解译的卫星云图对流云检测 方法依赖于人 的经验和知识,存在难于界定对流云团边界、云图的多光谱信息利用不足、小尺度对流云易 出现漏检与误 检等问题。本文基于FY-2G卫星的红外1通道云图及水汽与红外通道的亮温差,并借鉴U-ne t网络在图像 分割中所具有的精确定位能力,提出了一种新的多通道特征融合Y型全卷积网络的对流云检 测方法。该方 法将U-net网络改造成具有双路输入的Y型全卷积网络,并将红外1通道云图和亮温差图像分 别作为Y型 网络的两路输入,经过卷积及下采样处理,提取不同通道的特征信息;为了使网络具有精细 的目标检测能 力,Y型全卷积网络保留U-net网络的卷积及上采样结构,同时通过卷积和上采样将两个输 入分支不同层 次的特征图融合,从而实现一种多层次、多通道特征融合的对流云检测方法;不同层次特征 图的可视化及 其与融合特征图的对比,表明了所构造的Y型网络在利用云图不同通道特征信息中的有效性 。实验结果表 明,本文方法的对流云检测准确率为87.34%,精确率为89.77%,召回率为82.10%,F1-综合评价指标为 84.82%,各项性能指标均优于基于DeconvNet、U-net等传统网络模 型的对流云检测方法;与阈值法、亮温 差法和SVM等传统对流云检测方法相比,本文方法不仅在对流云边缘界定及小尺度对流云的 检测上具有明显优势,而且检测准确率和计算效率均得到了显著的提高。