基于网格的遥感图像快速处理

海量遥感图像快速处理是遥感图像处理与分析的重要任务之一,它既是数据密集型,也是计算密集型的工作。针对海量遥感图像的快速处理问题,构建了基于网格计算的图像处理网格平台,开发了针对遥感图像处理的网格计算中间件,用于遥感图像的清晰化处理。应用结果表明,海量遥感图像处理计算效率得到大幅度提高,取得了满意的结果。     

高性能遥感图像处理与空间信息网格建模

将空间信息网格技术（SIG）应用于遥感图像处理中，就是利用网格计算的特点，来解决遥感图像数据以及处理算法资源的共享、海量遥感图像数据的实时快速处理等问题。文章以此为主线，在分析高性能遥感图像处理问题的基础上，探讨了在网格环境下构造高性能遥感图像处理系统的可行性及相关关键技术的实现，提出了基于开放网格服务体系结构的系统模型，并实现了原型系统。实验表明，SIG用于遥感图像处理是可行的，并取得了一定的成果。     

基于网格环境的遥感图像并行分类

随着遥感技术的发展,高分辨率大容量遥感数据的应用,对图像处理效率提出了更高的要求。网格计算因具有分布式、高性能和充分的资源共享性,为海量遥感图像的处理提供了有效的解决途径。针对遥感图像分类,提出基于网格环境的遥感影像并行模型,分析构建此模型的网格服务机制,设计网格服务及任务调度的算法流程。搭建网格实验测试平台,采用封装的SVM分类服务,实现了遥感图像并行分类处理。实验结果及分析表明,测试平台实现了网格环境下的遥感图像并行分类的架构,有效提高大容量遥感数据的分类效率,为分布式并行处理遥感图像提供了有效的途径。     

资源三号卫星在轨MTF测量与图像复原

随着高分辨率遥感卫星发射数量的增多,高分辨率遥感图像数据应用需求也日益增强,而遥感数据的质量直接影响到其数据应用的可靠性和精确性。为此,对高分辨率遥感图像数据进行图像复原是非常有必要的。针对资源三号卫星电荷耦合装置相机遥感图像高空间分辨率的特点,分析在仅有图像信息的情况下系统调制传递函数（MTF）的在轨测量方法,验证双边缘法的可行性。探讨双边缘线状地物选取方法,同时推导证明二维MTF矩阵的构建方法,并借助二维MTF矩阵对原图像进行修正反转滤波实现图像复原。试验结果表明,复原后的图像质量明显提高。     

基于网格环境的遥感图像并行处理

对于海量遥感数据处理而言,关键是如何处理大量的网络计算,借助网格整合异构计算资源的优势,设计开发适合遥感图像处理的网格计算环境和算法。本文结合实际研究,以Globus为网格中间件,CSF4为元调度器构建网格环境,依据MPICH-G2编程模式,以遥感图像增强中的平滑处理为例,在网格环境下实现遥感图像并行化处理,并处理效率进行了对比分析。     

新的分布式遥感图像分类器系统开发*

为实现分布式的遥感图像分类,达到计算的高性能,提出一种利用决策树SVM和网格技术实现遥感图像分类的解决方案。通过共享计算资源,将经预处理后的遥感数据切割成块并分别分配到网格计算节点进行并行计算。针对比例尺为1∶50 000的TM遥感图像的实验表明,此方案提高了分类效率,并为海量遥感数据的分类开辟了一条新的途径。     

农业旱灾遥感监测系统中的MODIS 1B影像几何校正方法及其比较研究

为了满足农业旱灾遥感监测对海量MODIS影像数据的自动化快速处理需要,本文针对现有的四种几何校正坐标变换方法(仿射变换法、多项式变换法、三角网算法和改进三角网算法),结合农业旱灾遥感监测系统,在IDL(Interactive Data Language)平台上开发了MODIS影像数据的自动快速几何校正运行程序,以便比较分析这些算法的几何校正精度、影像处理时间和计算机内存开销大小.结果表明,基于三角网改进算法的几何校正程序在各方面都比较优秀,不仅几何校正精度较高,而且图像处理较快,内存用量也较小,完全能够满足农业旱灾遥感监测的实时海量图像数据处理需要.因此,我们在农业旱灾遥感监测系统中采用了这一算法,作为实时自动快速处理海量MODIS影像数据的重要模块.     

面向Spark的遥感影像金字塔模型的并行构建方法

随着遥感技术和摄影测绘的发展,遥感影像的分辨率不断提高,数据量日益增长,这对快速、高效地处理海量遥感影像数据提出了更高的要求,如何有效、智能地存储和处理海量遥感数据成为研究的热点。在分析现有金字塔模型的并行构建的基础上,设计一种面向Spark计算框架的影像金字塔模型。模型给出了影像金字塔构建算法及影像数据的分布式存储组织结构,实现了海量遥感影像数据在Spark中的并行处理,为Spark增加了计算处理空间数据格式的能力。实验结果表明,利用该方法能够在Spark云平台上实现快速、高效的解决海量遥感影像金字塔的并行构建,特别是在面对海量遥感影像数据时,无论从金字塔构建性能上还是遥感影像的计算效率上,Spark都更具优势。     

基于改进约束最小二乘方法的图像复原算法

约束最小二乘方法（约束最小二乘方滤波器）在图像复原的应用过程中普遍只要求噪声方差和均值的知识,对处理的每一幅图像都能产生最优效果,因而得到了广泛应用。文中提出的图像复原算法就是基于约束最小二乘方法的,并对其进行了改进。通过实验证明,用该改进的图像复原处理方法复原的图像比用维纳滤波方法复原的图像更加平滑,复原图像的信噪比也更大。另一方面,改进的约束最小二乘方法复原的图像比平滑约束最小平方法复原的图像具有更加突出的边缘,而且同样具有更高的信噪比。适当应用该方法,能够体现出维纳滤波和平滑约束最小平方滤波这两种基本的约束最小二乘方滤波相结合的效果优势。     

基于改进约束最小二乘方法的图像复原算法

约束最小二乘方法(约束最小二乘方滤波器)在图像复原的应用过程中普遍只要求噪声方差和均值的知识,对处理的每一幅图像都能产生最优效果,因而得到了广泛应用。文中提出的图像复原算法就是基于约束最小二乘方法的,并对其进行了改进。通过实验证明,用该改进的图像复原处理方法复原的图像比用维纳滤波方法复原的图像更加平滑,复原图像的信噪比也更大。另一方面,改进的约束最小二乘方法复原的图像比平滑约束最小平方法复原的图像具有更加突出的边缘,而且同样具有更高的信噪比。适当应用该方法,能够体现出维纳滤波和平滑约束最小平方滤波这两种基本的约束最小二乘方滤波相结合的效果优势。     

遥感影像的高性能并行处理技术研究

随着空间遥感技术和对地观测技术的不断发展,光学、热红外和微波等不同技术手段可以获取同一地区的多种遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率等）,每天获取的遥感数据量越来越大。同时,大量的遥感应用需要快速地对这些遥感数据进行处理与分析,提供辅助决策信息。因此,如果不能及时进行数据处理,这些数据就会失去时效性,甚至失去数据本身的价值。高性能计算与并行处理技术,加速了遥感影像数据处理与信息提取的进度,如大规模多处理系统、网格与云计算技术、通用图形处理器（GPGPU）等。文中综述了高性能计算、并行处理及云计算技术应用于遥感领域的最新进展,给出了一些研究与应用范例,并提出了当前高性能遥感影像处理所面临的一些挑战。     

网格技术在遥感图像监督分类中的应用

在遥感图像监督分类中经常遇到在单独PC下使用复杂的遥感图像分类算法来实现对大数据量遥感图像监督分类的情况。在这种情况下,由于遥感图像监督分类算法的复杂性与单独PC计算能力的限制导致处理效率低下,并有可能出现内存溢出等状况。经过对网格技术与遥感图像监督分类的研究,给出基于网格环境的遥感图像监督分类算法处理该类问题的解决方案,并使用B/S结构为该应用创建可扩展测试与实验结果查看平台。实验结果表明,此方案有效提高大数据遥感图像分类的效率。     

多源定量遥感产品并行处理系统设计及实现*

针对遥感数据非结构化、有格式、单景数据量大、记录总量小、大部分处理过程后数据量不显著减少的特点和大规模遥感数据处理的迫切需求,基于已有硬件资源,设计和实现了集中式集群计算的多源定量遥感产品生产系统。系统为解决遥感科学工作者设计开发的算法进行并行计算的问题以及大规模数据管理的需求,设计了基于任务并行的处理系统和面向应用的并行文件系统。系统集成了遥感科学工作者开发的30多种原始数据的预处理算法和50多种多源定量遥感产品生产算法,解决了多源定量遥感产品规模化流程化按需生产的难题,并进行了产品生产,证明了系统在管理和处理大规模遥感数据时的可靠性和有效性。     

中国遥感软件研制进展与发展方向——以像素专家PIE为例

随着航天航空遥感技术的飞速发展，立体式、多层次、多视角、全方位和全天候对地观测的时代已然到来。如何激活数据价值，更好地服务行业应用，满足快速增长的遥感应用需求，成为遥感企业面临的迫切课题。遥感图像处理软件作为遥感数据与行业应用的桥梁，在遥感产业化过程中发挥着不可替代的作用。本文概述了国内外遥感卫星数据和遥感软件发展历程，通过中国国产遥感图像处理软件——像素专家（pixel information expert，PIE）阐述了国产遥感软件的研制进展、典型应用和未来技术发展方向。PIE软件具有多源遥感载荷全方位支持、全谱段要素信息智能提取、多行业全业务链深度融合、海量遥感数据快速处理和自主产权程序完全可控等5大核心能力。未来将加强与大数据、云计算和人工智能等技术前沿领域的交叉融合，提升遥感数据分析处理、知识挖掘与决策支持能力，实现遥感数据的按需获取快速传输和专题信息聚焦服务。     

遥感大数据研究现状与发展趋势

目的 遥感数据空间分辨率、时间分辨率、光谱分辨率以及辐射分辨率不断提高,数据类型也不断增加,从航天、航空、临近空间等遥感平台所获取的遥感数据量急剧增加,遥感数据已经具有明显的大数据特征。本文旨在从系统应用的角度分析遥感大数据处理中涉及的关键技术与问题,为相关研究人员提供有价值的参考。方法 在参考大量文献的基础上,首先阐明遥感大数据的特点。其次,从GPU硬件加速、集群、网格、云计算、云格、复杂高性能计算等角度介绍了遥感大数据处理系统。再次,从分布式集群化存储技术等,分析了遥感大数据处理的关键技术。最后,从遥感大数据的多类不确定性、信息融合、机器学习、分析平台等出发,说明了目前研究存在的问题;从遥感大数据多类不确定性建模,面向遥感大数据的机器学习方法等角度说明了遥感大数据发展的趋势。结果 本文详细梳理了遥感大数据的特点、典型的处理系统、核心技术,力图总结出在实际应用与学术研究中该领域需要解决的关键问题以及未来的发展趋势。结论 大数据技术为遥感数据挖掘与知识获取带来了机遇与挑战,面向大数据的机器学习、数据统一分析框架、面向大数据的信息深度融合等问题的突破,将促进遥感知识挖掘的进一步发展。     

RDBMS和COM的海量遥感影像数据的管理和Web发布

介绍了基于关系型数据库（RDBMS）和微软组件技术（COM）的Web海量影像数据库（IMIDM）的研究背景、系统组织和实现，具体论述了IMIDB的数据库逻辑设计，包括数据库的选择、遥感数据的组织和存储；在此基础上，论述了存储在数据库中的遥感影像的Web发布体系结构，以及组件对象模型技术在该系统中的运用；最后给出了该系统的测试情况，测试结果表明，系统达到了设计目标。     

智能遥感：AI赋能遥感技术

随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、合成孔径雷达等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。除此之外,面向大智能分析技术发展需求,本文还对遥感开源数据集和共享平台方面的研究进展进行了回顾。在此基础上,对遥感数据智能分析与解译的研究情况进行梳理、总结,给出了该领域的未来发展趋势与展望。     

基于HBase的遥感数据分布式存储与查询方法研究

遥感影像的存储与查询是地理信息处理中重要的内容,在海量遥感影像的实时处理中发挥着重要作用。针对传统的遥感影像处理中存在单节点故障、扩展性低和处理效率低等问题,提出了一种基于HBase的遥感数据分布式存储与查询方案。该方法首先采用均匀网格对遥感影像进行划分,并根据划分结果设计了一种基于网格ID和Hilbert曲线相结合的索引方案。然后,通过利用HBase的过滤机制设计了过滤列族,达到了在查询时筛选数据的目的。另外,采用MapReduce的并行处理方法对影像数据进行并行写入和查询。实验结果表明,与MySQL和MapFile相比,该方法可以有效地提高数据的写入和查询速度,且具有较好的可扩展性。