基于云的多光谱遥感影像边缘检测研究

提出一种基于云的多光谱遥感影像边缘检测算法。该算法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像的波段建立多维云模型,将待处理对象映射到多个云空间,通过逻辑运算生成边界云并进行多维向量的综合。构建边缘模糊特征平面,在条件概率和模糊划分熵的基础上,通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

一种可靠的多光谱CCD遥感图像配准方法

多源遥感图像数据的融合和后继应用必须先实现严格的配准。针对CBERS-02B遥感卫星多光谱CCD相机的成像尺寸大、像质差异性小及不同波段图像间的误差范围较固定等特点,提出一种基于小窗口多次匹配的图像配准方法。即在整幅大图像上均匀获取多个小窗口图像与基准图像进行灰度NCC匹配,将多个匹配结果通过剔除误匹配点后求平均的方法来获得具有子像素级精度的配准结果,从而保证配准的可靠性和精度。将该方法用于对多光谱CCD图像的配准实验中,结果表明本文提出的配准方法具有可行性和实用性。     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性 的算法,实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块 子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后 通过边缘检测算法,实现了对厚云影响范围的有效标记。对100 幅典型水域遥感图像的实验测 试结果表明：正确云分类判别率达到97%,误判率小于4%,漏判率小于2%,基本满足实时性 需求,证明了该算法的有效性。     

基于XGBoost算法的遥感图像云检测

云检测是利用卫星遥感影像进行相关应用的基础。针对云检测过程容易受到复杂地表环境干扰的问题,提出了一种基于极限梯度提升（XGBoost）算法的云检测模型。该方法以TOA反射率、亮温和光谱指数等组建特征空间;然后,采用贝叶斯优化对XGBoost模型的超参数进行了调整。为检验XGBoost的云检测效果,选择不同云场景的Landsat 8遥感影像为测试数据,并把XGBoost、随机森林和决策树的云检测结果作对比。结果表明：本文提出的XGBoost云检测模型的云识别效果优于随机森林和决策树,展现了XGBoost在云检测中的潜力;且XGBoost的F1分数和Kappa系数分别可达73%和71%以上,实现了较准确的云检测,可为后续开展云检测研究提供一定的支持。     

基于多光谱海洋遥感图像的水陆分离方法

海洋遥感图像的水陆分离对于船舶导航、海洋工程及海洋安全领域的研究都有着十分重要的意义。针对遥感图像的多光谱特性进行研究,提出一种有效的多光谱遥感图像的水陆分离方法。在对IKONOS卫星遥感影像数据的蓝、绿、红和近红外4个波段进行光谱特性分析的基础上,选定各自的权值,采用LOG边缘检测算子分别对各波段做边缘提取,最后通过对各波段的边缘加权叠加实现水陆分离。该方法充分利用了遥感图像的多光谱特性,通过实验仿真验证了该方法对多光谱遥感图像水陆分离的有效性和可行性。     

多光谱遥感图像模糊均衡方法研究

直接对遥感图像进行判读,是遥感图像解译过程中无法回避的关键环节.如何提高判读的准确性是目前研究的热点问题之一.提出模糊数字图像均衡处理方法,并将其应用于多光谱遥感图像增强处理,在保持原图像信息不丢失的前提之下,大大提高了图像的可判读性.     

彩色遥感图像的一种边缘检测算法研究

针对彩色遥感图像的复杂性、模糊性和噪声强等特点,提出了一种基于多方向模糊形态学梯度的彩色遥感图像边缘检测算法.算法在模糊域中用多个不同方向的结构元素,对彩色遥感图像进行模糊形态学梯度运算以检测彩色遥感图像边缘,不但能检测出具有方向性的真实边缘,还能有效抑制无方向性的噪声.实验证明,该算法对彩色遥感图像进行边缘检测的有效性.     

一种引入角点特征的遥感图像道路提取方法

道路是遥感图像中的一种重要目标,遥感图像自动道路提取成为一个重要的研究方向。该文在对现有道路提取算法总结分析的基础上,提出一种引入角点特征的遥感图像道路提取方法,针对城市道路网的结构特点,建立了道路模型,并对算法的结构和策略进行了描述。在提取道路直线特征和角点特征基础上得到道路段,然后根据道路之间的几何关系对独立道路段进行连接得到最终结果,有效解决了以往道路提取算法中道路交叉点断裂的问题。另外为了得到准确的道路角点信息,还对该文算法中用到的角点检测方法进行了改进。最终实验结果分析表明该文道路提取算法的有效性。     

一种基于深度学习的遥感图像目标检测算法

遥感图像分析在国土资源管理、海洋监测等领域有着极为广阔的应用前景。深度学习技术已在图像处理领域取得突破性进展,然而,遥感图像固有的尺寸大、目标小而密集等特点,使得将面向普通图像的深度学习方法用于遥感目标检测普遍存在定位不准确、小目标检测难、大图检测精度差等问题。针对上述难题, 提出了一种新型遥感图像目标检测算法DFS。与传统机器学习方法相比,DFS 设计了新的维度聚类模块、定制损失函数和滑动窗口分割检测机制。其中,维度聚类模块通过设计聚类机制优化定制先验框,提高定位精度;定制损失函数提高对船只等小目标的检测精度;滑动窗口分割检测解决大图检测精度低的问题。在经典遥感数据集上开展的实验对比表明,与YOLOv2相比,DFS算法的mAP提高了256%,小目标检测效率及大图检测效能大幅提高。     

基于强监督部件模型的遥感图像目标检测

针对遥感图像中由于背景复杂、目标外观多样和方向任意而导致的检测精度不高的问题,提出一种基于强监督的部件模型方法。该方法针对目标的每个方向范围训练子模型,同时训练集除了标注出目标的外接矩形,还标注出每个部件的位置及其语义。模型训练时,首先,通过对训练集图像建立多尺度方向梯度直方图(HOG)特征金字塔,且根据目标部件标注信息采用最小生成树(MST)算法初始化模型结构;其次通过隐支持向量机(LSVM)方法训练出多个对应不同方向区域的子模型,每个子模型由一个目标滤波器和多个两倍分辨率的部件滤波器,以及位置关系模型组成,多个子模型最终合并成用来检测的混合模型。目标检测时,类似地建立多尺度特征金字塔,然后利用训练滤波器模型在特征金字塔上以滑动窗口的方式计算匹配响应得分,对响应得分设置阈值且采用非极大值抑制(NMS)算法来获得优化后的检测结果。该方法在自建的遥感数据集上目标检测精度达到了89.4%,对比弱监督部件模型(DPM)、分类器模板集成(Exemplar-SVMs)和方向梯度直方图-支持向量机(HOG-SVM)方法中的最高精度,所提方法提升了4个百分点。实验结果表明,所提算法能够在解决方向和背景复杂问题上有一定的提升,而且可以应用于机场军事飞机目标检测。     

基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

针对同—区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法.该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑.在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果.     

A multi-spectral non-local method for retrieval of boundary layer cloud properties from optical remote sensing data

A multi-spectral non-local (MSN) method is developed for advanced retrieval of boundary layer cloud properties from remote sensing data, as an alternative to the independent pixel approximation (IPA) method. The non-local method uses data at both the target pixel and neighboring pixels to retrieve cloud properties such as pixel-averaged cloud optical thickness and effective droplet radius. Radiance data to be observed from space were simulated by a three-dimensional (3D) radiation model and a stochastic boundary layer cloud model with two-dimensional (horizontal and vertical) variability in cloud liquid water and effective radius. An adiabatic assumption is used for each cloud column to model the geometrical thickness and vertical profiles of cloud liquid water content and effective droplet radius, neglecting drizzle and cloud brokenness for simplicity. The dependence of radiative smoothing and roughening on horizontal scale, optical thickness and single scattering albedo are investigated. Then, retrieval methods using 250-m horizontal resolution data onboard new generation satellites are discussed. The regression model for the MSN method was trained based on datasets from numerical simulations. The training was performed with respect to various domain averages of optical thickness and effective radius, because smoothing and roughening effects are strongly dependent on the two variables. Retrieval accuracy is discussed here with datasets independent of those used in the training, towards assessing the generality of the technique. It is demonstrated that retrieval accuracy of cloud optical thickness, which is often retrieved from single-spectral visible-wavelength data, is improved the most using neighboring pixel data and secondly using multi-spectral data, and ideally with both. When the IPA retrieval method is applied to optical thickness and effective radius, the root-mean-square relative errors can be 15-90%, depending on solar and view directions. In contrast, the MSN method has errors of 4-10%, which is smaller than IPA by a factor of 2-10. It is also suggested that the accuracy of the MSN method is insensitive to some assumptions in the inhomogeneous cloud input data used to train the regression model.     

新型云区域检测算法

为了更加精确地检测出遥感图像中云区域的边界及细节信息,提出了将最小交叉熵和形态学相结合的方法来对遥感图像进行云区域检测。从遥感图像的灰度特征出发,通过最小交叉熵准则选取最优的阈值来检测图像中的云区域,再通过形态学的开运算,消除与云区域不相连或者被误判的小的光亮的地物信息,最后在彩色遥感图像上勾勒出云区域的边界。实验结果表明,该算法简单快速,能够很好地区分出云区域和下垫面,并且能够准确地对云区域边界细节信息做出判断。     

An automatic shadow detection method for high-resolution remote sensing imagery based on polynomial fitting

Most existing shadow detection models and algorithms require extensive calculations and have difficulties effectively removing features, such as water bodies, some dark objects and bluish ground objects. In this paper, we propose a high-resolution automatic shadow extraction algorithm based on the process of histogram fitting. First, the histogram of the whole image is fitted by fourth and fifth-degree polynomials according to the histogram difference of the near-infrared bands of different shadow areas in the remotely sensed image. Second, the shadow area is preliminarily extracted based on the relationships between the shadow features of the remote sensing image and the intersections of the fourth- and fifth-degree polynomials. Then, the normalized difference water index (NDWI) is applied to extract the water bodies. Finally, to obtain the shaded area, the scanning line seed filling algorithm is applied to remove the water bodies falsely detected as shadows in the preliminary shading extraction. The proposed algorithm is evaluated by using the various high-resolution images including GaoFen-1 (GF-1), GaoFen-2 (GF-2), QuickBird2, and ZiYuan-3 (ZY-3), as well as an elaborate comparison to histogram threshold segmentation algorithms such as Component 3 (C3) algorithm, multi-elements extraction algorithm multi-band detection algorithm, and spectral correlation algorithm based on spectral features. The results of experiment showed that the proposed algorithm could extract the shadows of various images, achieve satisfied results, and completely remove water bodies.     

基于全变分模型的多时相遥感影像厚云去除算法

针对多时相遥感影像厚云去除出现的亮度不一致和明显边界的问题,提出了一种结合全变分模型和泊松方程的多时相遥感影像厚云去除算法。首先,通过多时相遥感影像间共同区域的亮度信息计算亮度校正系数,对图像的亮度进行校正,降低亮度差异对去云结果的影响。然后,基于选择多源全变分模型对亮度校正后的多时相遥感影像进行重建,提高融合结果的空间平滑性及其与原始影像的相似性。最后,利用泊松方程对重建图像的局部区域进行优化。实验结果表明,该算法能够有效解决亮度不一致和边界问题。     

遥感视频实时云检测的FPGA高效实现方法

针对目前遥感图像云检测算法及算法运行所需硬件平台复杂度高,无法进行在轨实时检测的问题,提出了一种基于FPGA的面向卫星在轨实时运行的遥感视频云检测方法.首先根据不同的遥感视频输入格式对其自适应降采样处理;其次对顺序流入的图像自适应阈值分割,然后对分割后的图像进行聚类获取云区域,进而提取每一块云区域的特征向量;最后计算整幅图像的云覆盖率和可用度,以此判断是否将图像下传.实验结果表明,在60 MHz的时钟下,且Camera Link接口每个时钟周期同时输入两个像素时,822×1096大小的遥感视频云检测速度可达132 fps,相对于传统的嵌入式双核CPU,速度提升了6～7倍.该方法可实现卫星在轨实时云检测,极大地缓解了有限的星地数传带宽和巨大的遥感数据量之间的矛盾,大幅提升遥感卫星系统应用效能,具有很强的实用价值.