MODIS影像条带噪声行的判断及去除研究

为了提高MODIS_L1B含有条带噪声的波段5和波段27的影像质量,基于MODIS的扫描特性提出了一种通过扫描带行均最大值判断条带噪声行的方法。去除影像的噪声行时,在波段5的单行邻域插值法基础上,针对波段27提出了一种相邻多行插值方法。最后,通过对比原始数据和去条带噪声后数据的差值图、行均值图和数值分析来证实条带噪声处理效果。结果表明:该方法可以精确判断这两个波段影像的所有条带噪声行,且对条带噪声去除效果较好,去除条带过程简单且适用于复杂场景的光谱图像。     

MODIS 影像条带噪声去除的自相关插值法

条带噪声是影响MODIS 影像质量和反演精度的一个重要因子。针对MODIS 第五波段影像条带特征, 系统地分析了其形成的原因, 比较了几种常用条带噪声去除方法并讨论了其具体应用的局限性。应用常用的傅立叶变换法进行了MODIS 条带去除试验, 并根据MODIS 影像数据的自相关性提出了自相关插值法去除MOD IS 影像条带噪声的方法。两种方法在MODIS 条带噪声去除实验结果的均值和标准偏差的比较表明自相关插值法在去除MODIS 影像条带噪声方面要明显优于傅立叶变换法。     

MODIS影像条带噪声去除方法研究

条带噪声是影响MODIS影像质量的一个重要因子。分析了MODIS条带噪声形成的主要原因和特点,比较了几种常用条带噪声去除方法及其局限性,着重提出和改进了利用傅立叶变换法、小波变换法和插值法去除MODIS影像条带噪声。上述3种方法都能在一定程度上去除MODIS影像条带噪声。对实验结果的均值、标准偏差以及边缘保留的比较结果表明,在去除MODIS影像条带噪声方面,插值法优于小波变换,而小波变换优于傅立叶变换。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

卫星遥感影像预处理中噪声去除方法的研究

主要介绍了在遥感卫星影像预处理过程中遇到的噪声问题及其解决方法,内容有常见的遥感噪声现象包括整像素偏移、字节错位、影像错行、带状噪声、条纹噪声等,在描述噪声现象的同时给出了针对上述噪声的相应处理方法如空域滤波方法以及频域滤波方法等。实践证明所述方法在遥感卫星影像预处理过程中得到了很好地应用。     

“泰景四号01星”遥感影像条带噪声去除方法

泰景四号01星是全球首颗直接用于动目标检测的遥感卫星,提供全色双条带推扫数据,一次推扫任务可以完成两个拥有可控时间差的条带影像采集。在双条带影像存在条带噪声的条件下,需避免噪声引起的目标漏检与误检,为此,提出了一种顾及帧间一致性的去条带方法。首先,使用实验室辐射定标参数去除大部分微弱条带;然后,利用配准后两谱影像之间列均值统计特征差异,对条带噪声定位并进行像素补偿。实验结果表明,该方法在定性和定量评价上均取得了良好的效果,能够在提高影像质量的同时兼顾算法处理效率。     

基于小波变换的多波段遥感图像条带噪声的去除

介绍了几种在TM，MSS，SPOT等多传感器遥感图像中条带噪声去除方法的特点，提出了一种基于小波变换的条带噪声去除方法，并以几何纠正前的非均匀地物分布的CMODIS图像为实验数据，对这些方法的去条带噪声效果作了比较。结果表明，本提出的方法要优于以前的几种常用方法，具有很好的去条带效果，同时较好地保持了原图像的特征。这种方法在其它多传感器遥感图像的条带噪声去除中也有很强的适用性。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

数据分配策略优化的全条带遥感影像流水线并行处理

如何快速处理大区域覆盖的高分辨率全条带遥感影像是遥感应用急需解决的问题。提出分布式环境下全条带遥感影像并行处理模型。该模型采用了数据并行和流水线并行两级并行方法。首先综合考虑遥感数据及其处理算法的特殊性和分布式环境的异构性,提出一种新的数据分配策略,然后在计算节点引入流水线并行技术。实验结果显示,该模型不仅可以灵活进行复杂的数据处理,还能有效提高数据处理效率。在7个计算节点的环境下,相较于传统的串行处理方法,可获得24.32的加速比。     

一种遥感影像的自动噪声评价方法

提出一种改进的遥感影像自动噪声评价方法,基本思想是通过自动提取最优平坦区域来检测整幅影像的噪声水平。首先使用低通滤波器过滤原始影像以初步估计影像的噪声水平,然后根据初步估计结果,选用最优的滤波器组合提取均匀平坦区域,再对均匀平坦区域自适应迭代优化,最后对多种噪声评价指标进行优化组合,实现对影像噪声水平的评价。     

基于混合GA-BP算法优化的神经网络在机器人地面控制中的应用

在机器人地面控制中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合GA-BP算法;通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用于机器人地面控制,并可方便地应用于其它方面.     

GA-BP神经网络在气压式相对高度计中的应用研究

为了提高相对高度测量的精确性,研究并实现了一种基于气压传感器阵列式测量和遗传算法(GA)优化反向传播(BP)神经网络数据融合处理的高精度气压式相对高度计,给出了相应的硬件结构和软件设计。结合实验测量的数据和相关文献的数据,从准确性、稳定性和通用性的角度对GA-BP神经网络、传统BP神经网络以及标准计算公式在气压式相对高度计中应用的性能进行了对比分析。研究结果表明,本文提出的基于GA-BP神经网络的相对高度计具有更高的测量精度、更高的稳定性和更好的推广能力,能够满足日常相对高度的实时测量需求。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行洲练,得到很好的效果。     

神经网络在高光谱图像分类中的应用

高光谱遥感图像作为一种新型的遥感图像,鉴于传统的遥感图像识别方法对这种图像的识别精度较低,该文采用BP神经网络方法对高光谱遥感图像进行识别和分类,并使用赤铁矿等六种矿石的光谱图像对神经网络进行训练,得到很好的效果。     

基于自组织神经网络的遥感图像分类应用研究

在地形复杂地区,采用传统的遥感分类方法进行土地利用遥感分类很难获得理想的精度。针对遥感图像分类的特点,根据自组织竞争神经网络的生物学基础、基本结构和学习算法,利用Matlab平台构建自组织神经网络,对地形复杂区的ETM 遥感图像通过500次训练使网络收敛后,仿真输出分类图。结果表明,基于自组织神经网络的分类器经过训练后,可用于遥感图像的分类,其分类精度明显高于传统的最大似然法。     

中值滤波器在图像去噪中的应用

噪声处理是图像处理中较为重要的环节,中值滤波是一种常用的非线性信号处理技术,在图像处理中,它对滤除脉冲干扰噪声最为有效。文章阐述了中值滤波的原理、算法以及在图像处理中的应用并给出了程序示例。