基于共形几何代数的高光谱遥感波段选择方法

针对高光谱遥感数据具有的高维特征、海量数据、信息丰富、非结构化等特点导致的维数灾难问题,将共形几何代数引入到高光谱遥感影像波段选择研究。基于高光谱影像数据在高维空间分布的几何特征,利用内积、外积和几何积,结合MEAC和JM等信息测度,设计了高光谱遥感影像的新型特征提取算子,可以实现更简洁、快速、鲁棒的高光谱遥感波段选择。实验利用HYDICE和AVIRIS等高光谱遥感数据对算法的性能进行了评价,结果表明:所提出的新方法能更有效地选择最佳波段,与已有波段选择算法相比,在运行效率、分类精度等方面具有明显的优势。     

HSRS-SC:面向遥感场景分类的高光谱图像数据集

目的 场景分类是遥感领域一项重要的研究课题，但大都面向高分辨率遥感影像。高分辨率影像光谱信息少，故场景鉴别能力受限。而高光谱影像包含更丰富的光谱信息，具有强大的地物鉴别能力，但目前仍缺少针对场景级图像分类的高光谱数据集。为了给高光谱场景理解提供数据支撑，本文构建了面向场景分类的高光谱遥感图像数据集（hyperspectral remote sensing dataset for scene classification，HSRS-SC）。方法 HSRS-SC来自黑河生态水文遥感试验航空数据，是目前已知最大的高光谱场景分类数据集，经由定标系数校正、大气校正等处理形成。HSRS-SC分为5个类别，共1 385幅图像，且空间分辨率较高（1 m），波长范围广（380~1 050 nm），同时蕴含地物丰富的空间和光谱信息。结果 为提供基准结果，使用AlexNet、VGGNet-16、GoogLeNet在3种方案下组织实验。方案1仅利用可见光波段提取场景特征。方案2和方案3分别以加和、级联的形式融合可见光与近红外波段信息。结果表明有效利用高光谱影像不同波段信息有利于提高分类性能，最高分类精度达到93.20%。为进一步探索高光谱场景的优势，开展了图像全谱段场景分类实验。在两种训练样本下，高光谱场景相比RGB图像均取得较高的精度优势。结论 HSRS-SC可以反映详实的地物信息，能够为场景语义理解提供良好的数据支持。本文仅利用可见光和近红外部分波段信息，高光谱场景丰富的光谱信息尚未得到充分挖掘。后续可在HSRS-SC开展高光谱场景特征学习及分类研究。     

利用信息熵的高光谱遥感影像降维方法

高光谱遥感影像以其众多的波段数目，为地表观测提供近乎连续的波谱数据；然而海量的高光谱遥感影像存在着大量的信息冗余，为数据的处理带来了挑战。因此在对高光谱遥感影像进行存储、分析及可视化等操作之前，对高光谱遥感影像降维处理成为预处理的关键环节之一。利用信息熵理论，将高光谱遥感影像的各波段抽象为具有相关性的独立个体，设计了高光谱遥感影像的决策表矩阵，进而计算各波段的信息熵，量化各波段的信息量，从而将各波段根据信息增益进行排序。用户可根据高光谱遥感影像应用的精度需求，按排序选择波段组合，从而达到降维目的。以遥感分类结果的精度评价为例，对高光谱遥感降维方法的可行性和优越性进行评价。实验结果表明，该方法相较其他特征选取降维方法，能获得更高的分类精度。     

一种基于物理机理的高光谱遥感图像真彩色校正模型

针对高光谱遥感影像由于各波段光谱范围窄,难以获得符合人们视觉效果的真彩色合成影像问题,提出一种基于物理机理的高光谱遥感图像真彩色校正模型。该模型充分利用高光谱影像在红、绿、蓝反射区的所有谱段信息,通过插补波段并进行波段加权积分重建真彩色合成图像,进而结合实测地物反射率光谱,利用辐射传输模拟的方式,构建具备普适性的真彩色校正模型。利用航空高光谱遥感影像进行色彩校正实验的结果表明,所构建的真彩色校正模型能够很好地应用于高光谱遥感影像真彩色校正。     

基于波段反射率模拟的遥感影像重构研究

为了增加TM遥感数据单波段信息量和视觉感知力,实现定量模拟TM遥感影像各波段反射率,提出一种TM遥感影像图像处理新方法,即在不破坏原有波段光谱特征的基础上重构TM波段反射率模拟图像。选取图像质量评价指数进行客观定量评价分析,实验结果表明:单波段信息熵值平均增加1.35,获得的均方误差系数和峰值信噪比值有明显变化,均方误差值平均减少11.2,重构的模拟单反射率TM影像灰度级离散程度集中,信息量丰富,图像增强变化和光谱信息优化程度都有显著提高。     

基于ARSIS概念的遥感影像小波包融合

研究了基于ARSIS概念的遥感影像的小波包融合方法。利用小波包分解高分辨率影像和多光谱影像,在融合影像的低频小波包系数重构时采用波段间交互构建模式,即包含了多光谱影像低频小波包系数,也包含了高分辨率影像低频小波包系数。融合影像的高频小波包系数以局部方差为规则进行择优选取。融合实验结果证明,新方法在对原多光谱影像信息的保持上优于IHS方法,同时在保持高分辨率影像的细节信息上有所改善。     

融合波段特征的多光谱遥感影像感知哈希认证算法

目的 多光谱遥感影像的完整性、真实性等安全问题逐步受到人们的关注,但是,传统认证技术更多地关注数据载体的认证,其不能满足多光谱遥感影像的认证需求。针对多光谱遥感影像的数据特点,提出一种融合波段感知特征的多光谱遥感影像感知哈希认证算法。方法 首先,采用隐形格网划分将多光谱影像的各个波段划分成不同的区域;然后,采用离散小波变换对各波段相同地理位置的格网单元进行分解,并分别采用不同的融合规则对小波变换后的不同分量进行融合;最后,通过Canny算子与奇异值分解提取融合结果的感知特征,再对提取的感知特征进行归一化,最终生成影像的感知哈希序列。多光谱影像的认证过程通过精确匹配感知哈希序列来实现。结果 本文算法采用Landsat TM影像和高分二号卫星的融合影像数据为实验对象,从摘要性、可区分行、鲁棒性、算法运行效率以及安全性等方面进行测试与分析。结果表明,该算法只需要32字节的认证信息就能够实现多光谱遥感影像的认证,摘要性有了较大提高,且算法运行效率提高约1倍;同时,该算法可以有效检测影像的恶意篡改,并对无损压缩和LSB水印嵌入保持近乎100%的鲁棒性。结论 本文算法克服了现有技术在摘要性、算法运行效率等方面不足,而且有较好的可区分性、鲁棒性,能够用于多光谱遥感影像的完整性认证,尤其适合对摘要性要求较高的环境。     

BP神经网络在重建多光谱遥感影像波段中的应用

多光谱遥感影像波段之间存在着一定的相关性,发现并找出各波段之间的相关关系,并利用这种关系还原多光谱遥感影像损失的任意部分波段信息,对于深层次的影像信息提取具有重要作用.论文以Landsat TM遥感数据为例,随机选取多光谱遥感影像中六个波段任意同一位置部分影像作为神经网络的训练数据,剩余波段对应位置的数据作为神经网络的标签数据,通过BP神经网络去训练进行重建损失部分的波段研究.结果表明:1)对于重建任意影像波段的损失部分均取得相当好的效果;2)增加训练的数据量,同时适当地加深BP神经网络的深度层数,网络结构性能会变得更好,能提升重建图像质量;3)通过BP神经网络训练出的模型具有很好的稳定性,其原多光谱遥感影像波段和经BP神经网络训练出的模型所重建的波段之间的相关系数总体约可达0.99,PSNR值总体约为37.44,SSIM值总体约为0.97,MSSIM值总体约为0.97.研究表明,该BP神经网络结构及其模型在重建多光谱遥感影像波段方面具有一定的应用价值.     

一种构建多光谱全色波段与小波变换相结合的遥感影像融合方法

对于多光谱和全色波段遥感影像融合而言,影像问光谱响应范围的差异是造成融合结果光谱畸变的重要原因。方法通过对遥感影像成像过程中的参数进行合理地近似,将多光谱影像有机地结合为光谱响应范围与全色波段接近的、低分辨率的“多光谱全色波段”。利用特定的小波融合法则,将全色波段中适量的空间信息融入到“多光谱全色波段”中,并根据构建“多光谱全色波段”时各多光谱影像所占的权重,将融入的空间信息逐像元地分解到各个多光谱波段,从而较好地削弱了融合影像间光谱响应范围的差异所造成的光谱畸变。通过对IKONOS遥感影像进行融合实验,验证了本文方法较传统方法具有更高的性能。     

基于多时相NDVI及特征波段的作物分类研究

时相和光谱特征信息在农作物种植分类提取方面具有十分重要的应用价值。以黑龙江大型农场--友谊农场为研究区域,利用4景不同时相的TM和SPOT卫星遥感影像,提取相应时相的NDVI时间谱图像数据作为新波段信息,在分析地物目标在相应影像各波段上光谱和时间特征的基础上,设计了决策树分类算法,通过对待分类影像进行系列阈值分割和掩膜处理,成功提取黑龙江友谊农场的大豆、玉米和水稻的种植信息,分类总体精度达到98.67%。     

基于分流的高光谱遥感图像超分辨重建

高光谱图像（hyperspectral image,HSI）每个像素包含大量光谱带,而HSI的空间分辨率较低。高光谱图像超分辨率技术可以有效提高空间分辨率。为了解决高光谱遥感图像的空间信息分布不均匀,超分辨率重建时占据相同计算量导致重建工作不够细化的问题,提出了一种多层级分流和细节增强的高光谱遥感图像超分辨率重建框架。即通过子图分流网络对高光谱遥感图像进行预先分流,改进带细节增强的多尺度Retinex算法对图像的高低频信息进行分离,再使用不同复杂程度的分支网络分别进行重建,重建工作更加细化具体,提高重建效果和性能。实验证明该方法可以在视觉质量、指标测量和分类应用方面优于传统的基于CNN的方法,在SRE和MPSNR指标方面分别提高了4.18%和9.35%。     

基于生成对抗网络的单帧遥感图像超分辨率

受成像设备、传输条件等因素限制,遥感图像的清晰度难以保证。图像超分辨率技术旨在从低分辨率图像中恢复出高分辨率图像,对遥感图像的高质量解译具有重要意义。针对传统方法依赖多帧图像序列、重建结果过于平滑等问题,提出一种基于边界平衡生成对抗网络的单帧遥感图像超分辨方法。生成器与判别器均设计成带跳跃连接的端到端自编码器结构,为增强生成图像质量及加速网络收敛,使用了一种基于判别器重构误差的损失函数。在NWPU-RESISC45数据集上的实验结果表明,该方法能够提供更多的高频信息,重建结果最接近真实图像,相较于邻近插值和双三次插值方法,PSNR提升约2.70 dB,相较于其他基于深度卷积神经网络的方法,PSNR提升约0.72 dB。     

基于生成对抗网络的机载遥感图像超分辨率重建

为解决机载遥感图像质量易受环境影响的问题,对其进行超分辨率重建,对现有深度学习机载遥感图像超分辨率重建方法存在的特征提取能力差、重建图像边缘平滑、模型训练困难的问题进行改进,增强图像重建效果。将生成对抗网络作为模型的整体框架,使用密集剩余残差块增强模型特征提取能力,增加跳跃连接,有效提取机载遥感图像的浅层和深层特征,引入沃瑟斯坦式生成对抗网络优化模型训练。该方法能够有效对机载遥感图像进行4倍重建,在峰值信噪比评价上较对比方法约有2 dB增益,重建出的机载遥感图像在视觉上更清晰、细节更丰富、边缘更锐利。实验结果表明,该方法有效提升了模型特征提取能力,优化了训练过程,重建的机载遥感图像效果较好。     

基于小波变换的高光谱图像消噪

本文主要针对高光谱图像的特点，利用波段间的几何信息高冗余性，通过小波分解去除高频的噪声和几何信息，保留低频的光谱信息。以其他波段的几何信息辅助噪声污染波段重构，经过相应的小波重构滤波器滤波，获得该波段图像的重建以进行消噪。     

图像超分辨率深度学习研究及应用进展

图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前,图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来,由于深度学习具有能够从大量数据中自动学习特征的能力,因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景,详细总结了用于图像超分辨率的深度学习模型,阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。     

基于训练字典的压缩感知光谱稀疏化方法

压缩感知理论利用目标的稀疏特性,能从极少的测量值中重构出目标图像,已成为突破奈奎斯特采样定理,实现超分辨成像的一个极具潜力的研究方向,其应用于对地观测遥感成像的一个核心问题在于面对复杂的地物场景,如何探求有效的稀疏化表达方法。对于具有超高数据量的高光谱成像而言,充分利用波段间丰富的冗余光谱信息,研究有效的光谱稀疏化表达方法更加具有实用价值。首先介绍了压缩感知光谱成像以及光谱稀疏化表达的基本原理,然后利用来自ASTER光谱库的多种类型地物光谱数据构建了一种基于K-SVD方法的训练字典,将其与DCT基、小波基分别作为稀疏基,对于几种典型地物目标进行仿真重构,结果表明:所构建的稀疏字典在采样数较少的情况下明显优于DCT基和小波基,在20%的低采样率时即可近乎完美地重构光谱曲线。     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。     

基于深度学习的单幅图像超分辨率重建算法综述

单幅图像超分辨率(Single image super-resolution, SISR)重建是计算机视觉领域上的一个重要问题, 在安防视频监控、飞机航拍以及卫星遥感等方面具有重要的研究意义和应用价值. 近年来, 深度学习在图像分类、检测、识别等诸多领域中取得了突破性进展, 也推动着图像超分辨率重建技术的发展. 本文首先介绍单幅图像超分辨率重建的常用公共图像数据集; 然后, 重点阐述基于深度学习的单幅图像超分辨率重建方向的创新与进展; 最后, 讨论了单幅图像超分辨率重建方向上存在的困难和挑战, 并对未来的发展趋势进行了思考与展望.     

基于稀疏表达的遥感影像超分辨率重建

针对其他超分辨率重建方法数据冗余量大,较为繁琐的问题,基于"稀疏表达"具备模型简单、容易理解、容易操作的特点,提出利用"稀疏表达"理论进行遥感图像的超分辨率重建的设想。先将整个图像空间分为几个不同的子空间,然后在各子空间内构建与正交匹配追踪算法迭代过程中各层面几何结构相适应的分层字典,即利用退化的遥感影像训练过完备字典。     

一种多幅欠采样图像的凸集投影超分辨率重建方法

介绍了一种由多幅欠采样低分辨率图像重建一幅高分辨率图像的凸集投影超分辨率重建技术。首先介绍了超分辨率空间域迭代重建方法中一个至关重要的因素--成像过程模型;其次通过介绍凸集投影的理论依据,给出了插值-模拟采样迭代超分辨率重建方法的模型和重建步骤;最后通过实验数据对算法进行了验证。