一种基于矢量量化的高光谱遥感图像压缩算法

压缩是高光谱遥感(hyperspectral remote sensing)图像的一个重要研究领域.文中充分考虑了高光谱遥感图像的谱间相关性较强而空间相关性相对较弱的特点,采用了自适应波段选择降维方法与基于神经网络的矢量量化方法相结合的方法对高光谱遥感图像进行压缩.首先采用自适应波段选择(Adaptive band selection)的谱间压缩方法,通过自适应地选择信息量大并且与其他波段相关性小的波段来降低高光谱数据量.然后对降维后图像在空间进行小波变换并进行矢量量化,最后对量化后数据进行自适应算术编码.实验结果表明,谱间压缩能够保留信息丰富的波段,同时计算复杂度大大降低;基于神经网络的SOFM算法及其改进算法取得较好的空间压缩效果,实现了对高光谱遥感图像的有效压缩.     

基于人工神经网络的遥感图像处理方法研究

根据遥感图像的特性,介绍了人工神经网络在遥感图像分析与处理领域的各种应用,重点分析了基于人工神经网络的遥感图像分类与增强、遥感图像复原与重建、图像边缘检测与纹理信息提取等方法,在MATLAB平台下对基于BP神经网络的个别算法进行了实现,并说明了神经网络方法在遥感图像分析与处理技术中的应用潜力。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

一种结构自适应免疫抗体竞争网络的非监督图像分割

提出一种新的结构自适应免疫抗体竞争网络,无须预先设定聚类数目,实现了完全非监督的图像分割．基于自组织特征映射神经网络的基本概念,提出一个新的免疫抗体邻域概念,增强了网络的鲁棒性．根据大脑皮层长期记忆的形成原理提出一个长期记忆因子,提高了算法收敛的速度．为了抑制噪声抗原对抗体网络的影响,提出3种抗体死亡操作．以上这些改进措施可使生成的抗体网络更好地反映抗原的分布特征,得到自适应的网络结构．将此算法用于合成纹理图像、遥感图像和合成孔径雷达图像的分割,都取得了较好的分割结果．     

遥感图像几何校正的支持向量机算法研究

针对目前遥感图像几何校正算法存在的不足,提出了一种新的遥感图像几何校正算法.引入支持向量机理论和方法,结合遥感图像近似几何校正基本原理,提出遥感图像几何校正的支持向量机算法和实现步骤;选择实验区,使用差分GPS实测地面控制点坐标,使用遥感图像处理软件量测地面控制点对应的影像坐标;使用聚类算法分别选择不同数量的控制点作为遥感图像几何校正的控制点,其余控制点作为检查点;分别使用近似几何校正算法、神经网络和支持向量机算法进行遥感图像的几何校正,并进行校正误差比较分析.算法测试表明:遥感图像几何校正的支持向量机算法具有校正误差小、泛化能力强等特点.     

特征空间线性降维压缩遥感图像云检测方法

针对遥感图像云检测过程中分类特征空间维数过高引起的信息冗余,提出了一种基于特征空间线性降维压缩的云检测方法．首先选取云与地物的分类特征参量,构造特征空间,基于压缩子空间分类信息表述的完备性,建立样本的概率分布模型．然后利用最大似然估计法求解模型参数,估计最佳转换矩阵,进行特征空间的降维压缩与去相关处理．最后针对压缩子空间,利用分类器进行云检测．实验结果表明: 本方法能够有效地去除云与地物分类特征之间的冗余,实现二维压缩子空间中云与地物两类样本的有效分离,对于实际光学遥感图像的云检测概率高达98％以上．     

基于Hopfield的DWT数字图像水印新算法

为了保证数字图像水印的鲁棒性和安全性,结合Hopfield神经网络的联想记忆功能,本文提出了一种基于Hopfield神经网络的离散小波变换域数字图像水印新算法。该算法首先对数字图像进行二尺度的离散小波变换,然后再使用Hopfield神经网络对提取的水印进行多级处理和恢复,从而明显地提高了水印图像提取的质量,增强了水印算法的鲁棒性。仿真实验表明:该算法能很好地抵抗噪声污染J、PEG压缩和剪切等攻击。     

高噪声遥感图像稀疏去噪重建

高噪声遥感图像去噪一直是遥感领域研究的一个重要难题,为进一步提高高噪声遥感图像的重建质量,在经典的压缩感知迭代小波阈值算法的基础上,提出了一种改进迭代小波阈值算法.首先,提出一种自适应小波滤波算子在图像稀疏变换过程中对获取的遥感图像小波系数进行筛选,去除图像中的部分噪声信息;其次,使用提出的下降BayesShrink阈值在每次迭代过程中对获取的小波系数进行二次筛选过程;最后,使用改进的块稀疏全变差方法对获得的重建图像进行调整以进一步提高重建遥感图像的质量.试验结果表明,该算法的去噪重建性能优于经典的压缩感知迭代小波阈值算法,可以从高噪声图像中重建一幅高质量的遥感图像,验证了该算法的有效性.此外,该算法能够有效地保护遥感图像的边缘和纹理等重要特征信息.在低压缩采样比情况下,该算法也能够获得相对较高的峰值信噪比和视觉质量.在卫星地面接收站,该算法可直接使用获取的少量含噪遥感图像数据重建一幅清晰的遥感图像.     

医学图像分割的神经网络方法

给出了一种基于自组织聚类神经网络的图像分割算法．针对聚类中心初始值选取的盲目性,提出了初始值优选法,大幅度提高了分割算法的速度．实验表明,文中提出的算法能快速、准确地分割医学图像,将原始照片中不易分辨的病灶清晰地呈现出来．     

基于BP神经网络的数字图像置乱技术

基于神经网络的非线性映射特性,提出了一种数字图像置乱的新方法。将图像输入到一个随机设置初始权值和阈值的BP神经网络,其输出即为置乱图像。只需训练一个从置乱图像到原始图像的神经网络,就可在恢复过程中将置乱图像输入到训练好的神经网络。实验结果显示,该算法对图像加密具有良好的效果,对噪声、JPEG压缩和剪切等攻击具有较好的抵抗能力。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于协同神经网络算法的红树林物种识别

为解决采用遥感技术监测红树林群落存在的识别率较低的问题,提出了一种基于协同神经网络算法的红树林图像识别方法.首先,采用协同神经网络算法中的平衡网络参数方法对红树林图像进行识别.其次,利用微粒群算法对平衡参数方法进行改进.实验结果显示,该方法对红树林图像识别效率达到88.0%,显著优于传统的协同神经网络算法的识别率(78.0%),因此该方法具有良好的应用价值.     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

迁移学习结合难分样本挖掘的机场目标检测

为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法．首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间．仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6%、虚警率为11.6%、时间为0.2s的实验结果,各项性能均优于其他对比方法．     

基于混合预测高光谱图像无损压缩

为了解决海量遥感高光谱图像数据给有限存储空间和传输带宽带来的压力,利用高光谱图像具有较强谱间相关性的特点,提出了一种基于混合预测的高光谱图像无损压缩算法。第一谱段采用中值滤波器模型进行谱内预测;对于其他谱段采用线性预测与上下文预测相结合的谱间混合预测,线性预测是通过二阶线性预测器模型得到预测参考值,上下文预测是根据预测参考值利用上下文预测模型预测得到最终预测值;将预测得到的残差图像进行霍夫曼编码。对AVIRIS标准高光谱遥感图像进行无损压缩实验结果表明：利用该方法能够取得较好的无损压缩效果,平均压缩比达到3.17,与现有的无损压缩方法3D-CALIC、LUT、C-DPCM、JPEG-LS相比,平均压缩比提高了0.05~0.48,是一种高效的高光谱图像无损压缩方法。     

一种双路网络语义分割模型

深度卷积神经网络对高分辨率遥感影像进行语义分割时,对图像的下采样会造成物体边缘模糊,使分割结果在边缘附近划分不清晰,误分类较多.通过在网络中增加边缘信息可以提升模型对遥感图像的分割能力.因此,提出了一个用于语义分割的双路网络模型,增加一路边缘网络学习目标的边缘特征,并利用边缘特征对分割特征进行细化.同时,作为一个多任务...     

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括：遥感技术、图像识别原理和模式识别常用的神经网络模型．针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法．     

基于Matlab的GA-BPNN遥感图像分类

在高原山地等地类复杂地区,传统遥感分类方法和标准BP神经网络分类方法存在一定的局限性,提出了基于Matlab的遗传算法优化的BP人工神经网络遥感图像分类方法。以Matlab神经网络和遗传算法工具箱为平台,在对数据源进行主成分分析特征选择的基础上,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目和初始权重,并以香格里拉县ETM＋遥感图像为例,在DEM地形数据辅助下,训练网络使其收敛,仿真输出。结果表明,该方法分类总精度为84.52%,Kappa系数为0.8317,比最大似然法分类精度提高了9.08个百分点,验证了GA优化的BP网络遥感图像分类的可行性和有效性。