利用同态滤波提取高分辨率遥感影像树冠信息

准确提取树冠信息在林业资源监测中具有重要意义。该文提出一种基于同态滤波处理的树冠信息提取方法,通过选取改进的基于高斯型高通滤波器的同态滤波函数作为传递函数,调整参数设置对高分辨率遥感影像进行同态滤波预处理;采用基于影像光谱阈值的传统分水岭算法对经同态滤波处理的高分辨率影像进行分割,并在影像光谱、形状以及纹理特征中选取6个特征构成的特征空间对树冠信息进行提取;最后对树冠信息提取结果进行定量评价。分析显示树冠信息提取总体精度为80.42%,Kappa系数为0.7939。实验结果证明所提出方法可以有效地实现树冠的信息提取,能满足部分林地树冠信息提取的精度要求,为林业管理部门监测和决策提供依据。     

线性约束与局部对比相耦合的多光谱遥感图像中目标探测

目标探测是遥感影像信息提取中的重要内容,然而,随着目标像元数目增多和相似地物的干扰,目标探测的虚警率会明显上升。将线性约束最小方差方法(LCMV)与局部对比方法(LCM)相结合,构建了一种新的多光谱遥感图像中目标探测方法(LCLCM):首先利用样本相关矩阵对目标进行半解混,然后利用图像的空间性增强目标信息、抑制背景信息,最后进行图像归一化和图像分割。以Landsat 8多光谱图像中船只提取为例进行方法验证,LCLCM的虚警率为1.07%,优于LCMV和LCM的虚警率12.39%和11.26%,表明该方法能够进行有效稳健的目标探测。     

一种基于梯度方向信息的运动目标检测算法

运动目标检测是智能视觉监控系统的基本内容。在对现有算法分析的基础上提出了一种基于梯度方向信息的运动目标检测算法。首先利用方向信息提取视频图像序列中每一帧的边缘梯度图,然后通过改进传统帧差算法,采用uint8数据格式处理含有时间关系的两帧图像以此确定运动目标粗略边界,经运动目标连通域识别,最后结合梯度方向信息准确提取运动目标的完整轮廓。实验结果表明,该算法克服了传统帧差算法不能准确定位目标的缺点,在室内外复杂背景下均能准确地提取完整的目标轮廓。     

光学综合孔径目标信息的提取与仿真

提出了基于最小二乘法准则提取目标傅里叶信息的方法，结合传统的信息提取方法．对光学综合孔径目标信息的提取进行了仿真。仿真实验表明，相位调制法提取目标信息效果最好，但信息提取速度较慢；基于最小二乘法准则可同时高速提取观测目标的傅里叶幅度和相位。最后对多孔径综合干涉阵的信息提取进行了研究，指出基于条纹图像的频谱性质可成功分离各基线对应的条纹图像，从而实现信息的提取；基于最小二乘法准则也可实现多孔径综合干涉阵的信息提取。     

图像模型法在遥感蚀变信息提取中的应用

针对在不同地物背景情况下难以选择恰当的遥感蚀变信息提取方法和建立特征掩膜的问题,提出了一种基于图像模型来帮助信息提取的方法。该方法依据典型蚀变矿物和干扰地物的光谱特性,模拟ASTER多光谱数据各波段特征,建立9维空间图像模型,并针对Fe~(3+)、Al-OH、Mg-OH、CO_3~(2-)这4种典型离子基团,进行了比值法、主成分分析法的遥感蚀变信息提取实验,通过提取结果判断不同方法的信息提取效果和干扰地物的影响情况。结果表明,通过图像模型法可以直观地展现不同方法在不同地物背景下提取效果的优劣,为遥感蚀变信息提取方法选择和掩膜的建立提供参考。     

多光谱蚀变遥感异常提取方法研究

围岩蚀变是热液成矿作用发生过程的一个重要标志.国内外学者为了利用遥感技术提取围岩蚀变信息,开展了多种图像处理方法研究,如主分量阀值分析法、光谱角法、混合像元分解法、高植被覆盖区矿化蚀变信息提取等.本文综述了在地表覆盖类型不同、地表覆盖程度不同的背景下,特别是植被覆盖严重地区的蚀变遥感异常提取的理论依据及异常提取方法的研究现状,并对多光谱蚀变遥感异常提取的发展前景提出一些设想.     

基于区域活动轮廓模型的高光谱图像分割方法

针对高光谱图像特点,提出了一种基于区域活动轮廓模型的高光谱图像分割方法。综合考虑高光谱图像的空间信息和光谱信息,对Chan\|Vese方法中的能量函数加以改进,利用空间全局信息和同质区域的灰度一致性,约束能量函数空间项;利用目标光谱信息相似性,约束能量函数光谱项,最后通过能量函数最小化实现图像分割。该方法能够有效提取高光谱图像中的模糊轮廓,从而降低混合像元和目标周围阴影对分割造成的影响。利用两幅AVIRIS图像进行仿真实验,实验结果表明,提出的方法能够获得令人满意的分割效果,并且对复杂场景具有一定适应性。     

基于对象的最优尺度建筑物信息提取方法

针对基于像素分析方法不适用于高分辨率影像信息提取的问题,提出一种基于对象的图像分析方法来进行城市建筑信息提取。采用多分辨率图像分割方法得到图像对象,提出非监督的最优尺度判定方法解决单尺度分割造成的欠分割和过分割问题。在对象分类提取过程中,结合LiDAR数据的地形表面高程信息和光谱信息对建筑物进行提取,并利用尺寸、空间位置等信息进行误分类修正。实验区域共提取出18个建筑目标,结果表明所提出的方法有效可行。     

红外弱小目标的匹配方法研究与仿真

研究红外图像中的目标匹配问题。针对传统的红外图像中目标匹配效果不理想,匹配不准确。当红外图像中是弱小目标时,背景灰度值与目标灰度值非常相近,灰度直方图均衡化无法实现目标与背景的完整分离,导致漏匹配率较高的问题。为提高目标的匹配精度,提出一种形态学预处理的红外目标匹配方法,通过形态学算法提取出图像中的形状信息,利用形状信息将红外图像中的目标与背景完整分离,避免了只依靠灰度图像信息造成的不能完整分离目标与背景带来的漏匹配问题。进行仿真的结果证明,采用的形态学与处理的匹配方法能够完整将目标与背景分离,成功完成目标匹配,取得了满意的结果。     

基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

高光谱图像含有数百个波段,包含丰富的光谱信息,因此被广泛应用于地物分类中,但仍存在 着维数灾难的问题。高光谱图像中同时也含有丰富的纹理信息,有效利用纹理信息能够显著提高分类精度。三 维 Gabor 滤波器不仅能够保留图像丰富的光谱信息,还能提取到图像的纹理特征。为了充分利用高光谱图像的 特征,提出一种基于三维 Gabor 和残差三维卷积神经网络(Res-3DCNN)的分类方法。三维卷积神经网络(3DCNN) 能够直接对三维立方体数据进行处理,提取到深层纹理-光谱信息,然而随着网络层的加深会产生网络退化问 题,因此利用残差思想对 3DCNN 模型进行改进。在 PaviaU,Indian Pines 和 Salinas 3 个公共高光谱图像数据 集上进行实验,分别取得 99.17%,97.40%,98.56%的平均分类精度,结果表明该方法能有效提高高光谱图像 的地物分类精度。     

A real-time unsupervised background extraction-based target detection method for hyperspectral imagery

Target detection is an important technique in hyperspectral image analysis. The high dimensionality of hyperspectral data provides the possibility of deeply mining the information hiding in spectra, and many targets that cannot be visualized by inspection can be detected. But this also brings some problems such as unknown background interferences at the same time. In this way, extracting and taking advantage of the background information in the region of interest becomes a task of great significance. In this paper, we present an unsupervised background extraction-based target detection method, which is called UBETD for short. The proposed UBETD takes advantage of the method of endmember extraction in hyperspectral unmixing, another important technique that can extract representative material signatures from the images. These endmembers represent most of the image information, so they can be reasonably seen as the combination of targets and background signatures. Since the background information is known, algorithm like target-constrained interference-minimized filter could then be introduced to detect the targets while inhibiting the interferences. To meet the rapidly rising demand of real-time processing capabilities, the proposed algorithm is further simplified in computation and implemented on a FPGA board. Experiments with synthetic and real hyperspectral images have been conducted comparing with constrained energy minimization, adaptive coherence/cosine estimator and adaptive matched filter to evaluate the detection and computational performance of our proposed method. The results indicate that UBETD and its hardware implementation RT-UBETD can achieve better performance and are particularly prominent in inhibiting interferences in the background. On the other hand, the hardware implementation of RT-UBETD can complete the target detection processing in far less time than the data acquisition time of hyperspectral sensor like HyMap, which confirms strict real-time processing capability of the proposed system.     

各向同性同质区域选取的高光谱遥感图像噪声估计方法

在现有高光谱遥感图像噪声估计方法中,同质区域的选取通常是最关键的步骤,有效的同质区域选取方法能够提高图像的噪声估计精度。本文充分利用了高光谱遥感图像中丰富的空间信息和光谱信息,提出了一种各向同性同质区域选取算法,其中,为了更好地区分同质区域内像元相似度,构造了一种新的兰氏-光谱角度量;结合基于多元线性回归的去相关法,通过最优区域评估高光谱遥感图像噪声水平。利用不同结构及信噪比的模拟图像和真实高光谱遥感图像进行实验,通过与现有的多种噪声估计方法比较,验证了本文方法在针对不同噪声水平、不同复杂程度的图像时更加准确和稳定。     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。     

双卷积池化结构的3D-CNN高光谱遥感影像分类方法

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN（3D convolutional neural network）能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法 双卷积池化结构包括两个卷积层、两个BN（batch normalization）层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果 实验对比了SVM（support vector machine）、SAE（stack autoencoder）以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65%和99.82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。     

基于星座轨迹图的射频指纹提取方法

无线设备的接入安全是当今无线网络安全的一个严重挑战。基于射频指纹的物理层安全技术是解决无线设备接入安全的一个有效途径。在不同于已有的基于瞬态响应和稳态响应的射频指纹特征提取方法上,本文提出了一种使用星座轨迹图（CTF,Constellation Trace Figure）的射频指纹提取方法。在获得的星座轨迹图上,进一步通过K均值聚类提取射频指纹特征并进行设备身份识别。在理论阐述的基础上,本文通过在实际无线通信系统中提取射频指纹特征并进行无线设备身份识别,验证了提出方法的可靠性与实用性。使用基于星座轨迹图的射频指纹特征提取方法不需要获得设备发送信号的先验信息就可以快速获得无线设备唯一的射频指纹特征,可以被用于物理层安全以及无线接入设备的身份识别及认证。     

基于核最小噪声分离变换的高光谱遥感影像特征提取研究

高光谱遥感影像具有高维非线性的特点,线性特征提取方法容易造成信息丢失和失真。在最小噪声分离变换(MNF)线性特征提取算法的基础上,引入核方法,提出核最小噪声分离变换(KMNF)高光谱遥感影像非线性特征提取方法。KMNF通过核函数,将样本映射到高维特征空间,在特征空间中运算线性MNF,实现原始空间中的非线性KMNF算法。进行基于KMNF的高光谱影像特征提取实验,分析样本个数对KMNF特征提取的效果,发现样本数量对KMNF特征提取的结果影响很小,较少的样本数即可达到较多样本时特征提取的效果。对比KMNF与MNF特征提取的效果,分析它们降维的效率与保留的信息量,发现KMNF总体降维效率与MNF相当,且体现出高光谱图像的非线性特征;在KMNF和MNF特征提取的基础上,利用SVM进行高光谱图像分类,KMNF+SVM的分类精度优于MNF+SVM。     

结合改进LBP和SRC的高光谱图像分类研究

针对传统局部二值模型（local binary pattern,LBP）提取高光谱图像纹理特征信息量庞大的难题,提出一种基于对称旋转不变等价局部二值模型（symmetrical rotation invariant uniform LBP,SRIULBP）的高光谱图像特征提取方法,以缩减特征维度;针对稀疏表示分类（sparse representation classification,SRC）模型中稀疏字典冗余的缺陷,采用近邻思想,提出最近邻稀疏表示（nearest neighbor SRC,NNSRC）分类方法,实现高光谱图像的高效、高准确度分类。数据实验结合表明,SRIULBP能快速提取图像特征,提出的分类方法不仅在分类精度上优于其他稀疏表示分类算法,并且具有更强的时效性与泛化能力。     

Hyperspectral image classification based on bilateral filter with linear spatial correlation information

Support Vector Machine (SVM) with the margin theory is widely used for the hyperspectral classification. However, the margin model is a single interval and does not represent the complete distribution of hyperspectral image data sets. In addition, the spatial texture information obtained by filtering in recent years has become a hot research topic for improving classification of hyperspectral images, but the spatial correlation information is often lost in the spatial texture information extraction. To solve this problem, this paper proposed an algorithm with large margin distribution machine (LDM) that combined the spatial information obtained by the bilateral filter and linear spatial correlation information (BFLSCI-LDM). First, spatial features were extracted by bilateral filter from hyperspectral image whose dimensionality was reduced by principal component analysis. Next, the linear spatial correlation information was constructed for hyperspectral images. Finally, the spatial information and original spectral information were combined for LDM. The experimental results of actual hyperspectral images indicated that the proposed BFLSCI-LDM method was superior to other classification methods, including the original SVM with the raw spectral features, the dimensionality reduction features, and spatial-spectral information, the method of edge-preserving filter and recursive filter, and the LDM-based method.     

一种基于条件随机场的复杂背景图像文本抽取方法

针对复杂背景图像中的文本抽取问题,文中提出一种基于条件随机场的图像文本抽取方法.该方法在将各种特征有效结合起来的同时,考虑到上下文特征,从而能有效地从复杂图像中抽取文本信息.分析比较不同颜色空间、不同特征对文本抽取性能的影响.实验结果表明该方法的有效性.