ENVISAT ASAR相干目标的分类识别探测试验与分析——以世界文化遗产都江堰为例

从永久散射体(PS,Persistent Scatterer)和分布式目标(DS,Distributed Scatterer)机理出发,以四川都江堰世界文化遗产地为例,利用2008~2010年的23幅ENVISAT ASAR图像提取了PS候选点和DS候选区;选取4个样本研究两者时空分布模式,并结合阴影叠掩图和土地分类图对所提取的相干目标进行了分析。实验结果表明,使用振幅离散度阈值法提取的PS候选点总体表现为高相干,主要分布在城区,且在水体和叠掩区有少量分布;设定了提取DS候选区的识别原则提取DS候选区,并确定相干系数数据集最佳的计算窗口大小为7×35。DS候选点主要分布在裸露地表和耕地等区域,其相干性在时间序列上抖动,揭示了人类活动和季节变换对其的影响。利用PS和DS时空分布模式及特性,可有效实现两者相干目标的区分与辨识。     

一种融合最小二乘和相位相关的粗匹配纠正算法

针对影像粗匹配后的同名点对匹配不准的问题,提出了一种序列窗口下融合最小二乘和相位相关的影像匹配纠正算法。该方法是在已有粗匹配的基础上进行,首先使用最小二乘对粗匹配结果进行处理,并选取一系列大小变化的影像窗口分别进行最小二乘匹配,得出匹配结果并计算每个匹配窗口的相关系数值。然后选用大小序列变化的影像窗口分别进行相位相关匹配,同时记录匹配结果并计算每个匹配窗口的相关系数值,以相关系数的大小作为衡量同名匹配正确与否的指标,选择相关系数最大的窗口下的匹配结果作为最终的结果。以山西山地区域的无人机影像作为实验基础数据,得出序列窗口下融合最小二乘和相位相关的影像匹配纠正算法能够显著提高粗匹配结果的精度,达到精匹配的目的。     

一种融合最小二乘和相位相关的粗匹配纠正算法

针对影像粗匹配后的同名点对匹配不准的问题,提出了一种序列窗口下融合最小二乘和相位相关的影像匹配纠正算法。该方法是在已有粗匹配的基础上进行,首先使用最小二乘对粗匹配结果进行处理,并选取一系列大小变化的影像窗口分别进行最小二乘匹配,得出匹配结果并计算每个匹配窗口的相关系数值。然后选用大小序列变化的影像窗口分别进行相位相关匹配,同时记录匹配结果并计算每个匹配窗口的相关系数值,以相关系数的大小作为衡量同名匹配正确与否的指标,选择相关系数最大的窗口下的匹配结果作为最终的结果。以山西山地区域的无人机影像作为实验基础数据,得出序列窗口下融合最小二乘和相位相关的影像匹配纠正算法能够显著提高粗匹配结果的精度,达到精匹配的目的。     

一种融合最小二乘和相位相关的粗匹配纠正算法

针对影像粗匹配后的同名点对匹配不准的问题，提出了一种序列窗口下融合最小二乘和相位相关的影像匹配纠正算法。该方法是在已有粗匹配的基础上进行，首先使用最小二乘对粗匹配结果进行处理，并选取一系列大小变化的影像窗口分别进行最小二乘匹配，得出匹配结果并计算每个匹配窗口的相关系数值。然后选用大小序列变化的影像窗口分别进行相位相关匹配，同时记录匹配结果并计算每个匹配窗口的相关系数值，以相关系数的大小作为衡量同名匹配正确与否的指标，选择相关系数最大的窗口下的匹配结果作为最终的结果。以山西山地区域的无人机影像作为实验基础数据，得出序列窗口下融合最小二乘和相位相关的影像匹配纠正算法能够显著提高粗匹配结果的精度，达到精匹配的目的。     

分布式目标反演形变的关键性问题分析与处理

分布式目标广泛存在于自然界中,就传统时间序列InSAR技术而言,难以将其应用于地表缓慢形变反演流程中。主要存在2个方面的原因:1)分布式目标呈面状分布,在影像空间中拓展结构难以确定,缺少对应的提取方法;2)分布式目标的时间序列相位不稳定,与永久散射体不同,难以建立其与待估参量之间的解算模型。为了满足融合分布式目标与高相干点目标反演地表形变的实际应用需求,该文详细分析了利用分布式目标反演地表缓慢形变存在的关键性问题,并结合当前国内外研究进展给出相应的处理方法,使得联合分布式目标与高相干点目标反演地表形变成为可能。     

一种子视相干优化的极化SAR船只检测方法

针对传统单极化SAR船只检测能力不足的问题,提出了一种基于极化SAR图像子视相干的方法来检测船只。该方法在船只和海杂波SAR子视图相干程度分析的基础上,通过调整全极化SAR图像数据的最优极化状态得到3个优化的相干参数,并由此定义了一种最优相干积参数。由于该参数可以保留相干目标(即船只)的强度和相位,因此能够极大提高目标与背景之间的对比度,从而改善后期的目标检测性能。最后,采用机载极化SAR数据来评估本文方法,其试验结果表明,该方法能充分利用目标的极化特征以及子视相干性信息,显著提高了船海对比度,实现了船只检测性能的改进。     

基于滑动窗口预测的水文时间序列异常检测

针对水文时间序列分析与决策中存在的数据质量问题,提出了基于滑动窗口预测的水文时间序列异常检测算法。首先基于滑动窗口对时间序列进行子序列分割,再以子序列为基础建立预测模型对未来值进行预测,并将预测值和实测值间差异范围大于预设阈值的序列点判定为异常。探讨了算法中的滑动窗口和参数设置,并以实例数据对算法进行了验证。实验结果表明,所提算法不仅能够有效挖掘出水文时间序列中的异常点,而且将异常检测的灵敏度和特异度分别提高到80%和98%以上。     

极化SAR相干斑抑制的非局部加权最小均方误差滤波算法

目的 相干斑的存在严重影响了极化合成孔径雷达(PolSAR)的影像质量.对相干斑的抑制是使用SAR数据的必不可少的预处理程序.提出一种基于非局部加权的线性最小均方误差(LMMSE)滤波器的极化SAR滤波的方法.方法 该方法的主要过程是利用非局部均值的理论来获取LMMSE估计器中像素样本的权重.同时,在样本像素的选取过程中,利用待处理像素的极化散射特性和邻域块的异质性来排除不相似像素以加速算法,同时达到保持点目标和自适应调节块窗口大小的目的.结果 模拟影像和真实影像上进行的实验结果表明,采用这种方法滤波后影像的质量得到明显改善.和传统的LMMSE算法相比,无论是单视的影像还是多视的影像,本文方法去噪结果的等效视数都高出8视以上;峰值信噪比也提升了5.8 dB.同时,去噪后影像分类的总体精度也达到了83％以上,该方法的运行效率也比非局部均值算法有了较大提升.结论 本文方法不仅能够有效抑制相干斑噪声,还能较好地保持边缘和细节信息以及极化散射特性.这将会为后续高效利用SAR数据提供保障.     

基于无人机遥感的大面积农作物叶片病虫害识别研究

病虫害会影响农作物的产量，在农业生产过程中，需要及时发现并准确识别出病虫害，才能够保证农业的种植产量，研究基于无人机遥感的大面积农作物叶片病虫害识别方法。配置八旋翼无人机和多光谱相机，搭建无人机遥感识别平台；以棉花叶螨为病虫害识别对象，选择农作物生长数据，划分健康叶片和叶螨病害范围。通过无人机遥感技术设计识别方法，利用叶螨的自身反射曲线，对应病虫害光谱指数特征，分辨不同等级下叶螨的反射光谱情况；定义遥感影像中的像素阈值，建立遥感影像识别模型，对图像前后景熵值进行分割；利用几何校正原理，对应划分区域采样点的大地坐标系，多项式转换图像位置坐标，对叶螨进行识别。实验结果表明：在叶螨发生的高峰期进行识别，能够直接对健康棉田和螨害区域进行划分，并且可以在空间和时间序列上，分析叶螨生长特点，具有实际应用效果。     

干涉雷达永久散射体识别方法的对比分析

基于永久散射体的干涉测量技术可以克服卫星合成孔径雷达应用于区域地表形变探测所面临的时空失相关和大气影响.永久散射体的有效识别是干涉系统中的一个关键环节.本文对永久散射体的两种识别方法, 即相关系数阈值法和振幅离差指数阈值法进行了理论上的分析和实验上的对比.以上海市局部地区作为研究对象, 采用26幅欧洲空间局的ERS-1/2卫星C波段SAR影像为源数据, 使用两种识别方法分别进行了永久散射体的提取, 结果表明, 振幅离差指数方法具有更为稳健的抗噪能力.     

天津市地铁线不均匀地表沉降InSAR监测

针对道路路面的高相干点目标密度较低问题,根据路面的雷达后向散射特性,提出了用于高相干点目标和高相干分布式目标联合提取的"三阈值二级探测法"。通过对COSMO-SkyMed高分卫星数据多主影像相干目标小基线干涉技术处理和线目标空间缓冲区分析,获取了天津地铁沿线的高相干目标及其沉降信息,分析了主要影响路段。基于相同时段的153个水准点数据,对提取的大区域地表沉降信息进行验证。定量分析与实验结果表明:"三阈值二级探测法"适用于提取地铁沿线的高相干目标;改进MCTSB-InSAR的大区域地表沉降值与153个水准点数据差值的标准差为5.4mm/year,精度很高;基于高分率SAR影像的改进MCTSB-InSAR在地铁线路地表沉降监测方面具有极大的应用潜力。     

一种基于多阶畸变子模式相似性学习的序列识别方法

序列识别研究对于诸多应用研究领域有重要的意义。在序列识别中,由于多种因素的影响,同一类别标记的序列往往不具有严格的相似性。变化序列相似性描述的尺度对序列的相似性进行描述有利于获得更准确的序列相似性描述结果,为此提出了基于多阶畸变序列子模式的序列识别方法。通过定义序列多阶畸变子模式特征空间及其核变换函数,设计线性开销算法有效实现了序列畸变子模式高维特征向量的计算,进而利用半定规划对多阶畸变序列子模式的核变换矩阵进行优化。基于多阶畸变子模式相似性描述优化结果,支持向量机生成的识别方法比较好地适应了序列之间的不同程度的相似性畸变,而且具有柔性边界特征。本方法在蛋白质基准数据SCOP 1.37 PDB90上进行了实验,普遍提高了该数据集上33个不同家族蛋白质序列的识别结果。     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

一种基于目标优化学习的车标识别方法

摘 要：近年来,车标识别因其在智能交通系统中的重要作用,受到研究者的广泛关注。 传统的车标识别算法多基于手工描述子,需要丰富的先验知识,且难以适应复杂多变的现实应 用场景。相比手工描述子,特征学习方法在解决复杂场景的计算机视觉问题时具有更优性能。 因此,提出一种基于目标优化学习的车标识别方法,基于从原图像中提取的像素梯度差矩阵, 通过目标优化,自主学习特征参数。然后将像素梯度差矩阵映射为紧凑的二值矩阵,通过特征 码本的方式对特征信息进行编码,生成鲁棒的特征向量。基于公开车标数据集 HFUT-VL1 和 XMU 进行实验,并与其他车标识别方法进行比较。实验结果表明,与基于传统特征描述子的 方法相比,该算法识别率更高,与基于深度学习的方法相比,训练和测试时间更少。     

采用密度比估计的多窗口变点检测方法

针对基于密度比估计的时间序列变点检测方法受时间窗窗宽限制,识别变点类型单一的问题,利用和发展动态多重过滤算法MFA(multiple filtering algorithm),提出一种多窗口变点检测方法 mDRCPD(multiple window density-ratio change point detection)。将处理后的时间序列按多个时间窗进行适当划分,通过比较相邻时间窗数据的分布差异来识别变点,采用基于密度比估计的相对皮尔逊散度来度量不同时间窗数据分布的差异性;固定窗宽下寻找变点集,并按照MFA方法集成各变点集。模拟实验和实证分析表明,与基于密度比的单窗口变点检测方法相比,mDRCPD方法在多变点时间序列变点检测中绝对误差、召回率、F1得分等指标均有改善。将mDRCPD方法应用到COVID-19的传播进程分析中,通过对传播率的分段建模来刻画疫情的阶段性特点,评估国家政策在降低疫情传播速度上的效果。     

一种适用于VFGPIR序列图像的距离多视新方法

车载前视地表穿透成像雷达(VFGPIR)探测系统获取的单帧图像中浅埋小目标的信噪比(SNR)通常较低,导致单帧图像的检测性能很差.利用VFGPIR系统可在不同观测位置对空间同一区域进行多次成像的特点,提出一种基于VFGPIR序列图像的非相干距离多视处理方法,通过距离子带分割和迭代操作实现在线多视处理,并推导了多视图像和单视图像检测概率、虚警概率与SNR之间的关系以及确定多视视数的公式.实测数据处理结果表明:非相干距离多视处理可明显增加目标SNR,很好地抑制相干斑噪声.该方法在明显改善图像质量、提高检测性能的同时,降低计算量.     

基于子序列相似性的时间序列语义挖掘算法

时间序列是对某个事物或系统进行连续同间隔测量得到的数值序列,挖掘时间序列中潜在的语义信息对于发现系统运行规律或识别系统突发异常至关重要,然而目前多数时间序列语义挖掘算法对于时间序列数据特征有一定的约束条件,难以处理海量且特征各异的时间序列数据。针对该问题,提出一种基于子序列相似性的时间序列语义挖掘算法。通过计算子序列的相似性,将时间序列分割成片段序列进行两级聚类,识别出时间序列中潜在的物理状态。引入基于概率的迭代模式,根据候选分段情况动态调整子序列被选为参考子序列的概率,保证参考子序列涵盖全部物理状态。实验结果表明,该算法在PAMAP、Barbet等5个真实数据集上的识别准确率均超过90%,相比于FLUSS、pHMM、AutoPlait算法具有更高的识别准确率与运行效率以及更强的通用性。     

基于极值点特征的时间序列相似性查询方法*

为了提高时间序列子序列匹配的准确度和效率,提出了基于极值点特征的时间序列相似性查询方法。首先识别出时间序列中的极值特征点,根据极值点使用多层次极值划分法对长序列进行划分;然后对划分得到的多层次子序列集使用改进的动态时间弯曲方法与查询序列进行相似性匹配;最后找到与查询序列最相似的子序列。实验表明,此方法在保证准确度的情况下大大提高了相似性搜索过程的效率。     

基于CNN-LSTM的活动识别方法

在识别活动时,传统的循环神经网络RNN识别方法不考虑传感器活动数据之间依赖性强的问题,导致识别准确率降低。为了提高识别准确率,解决活动数据依赖性强的问题,用长短期记忆网络LSTM进行活动识别,LSTM在考虑当前点输入的同时考虑先前点的输出,能够保持数据之间的强依赖性。但是,LSTM在处理传感器活动数据的特征提取方面时间效率不高,而卷积神经网络CNN能共享卷积核,且可以从杂乱无章的数据中提取出明显特征向量。提出一种基于CNN-LSTM的活动识别方法CLAR,利用CNN能够很好地提取出活动序列数据中的特征向量,并将提取出的特征向量作为LSTM的输入,利用LSTM门限之间的相互作用进行活动识别,使得依赖性很强的活动数据成为活动识别的优势,进而提高活动识别的准确率和时间效率。实验表明,CLAR方法的识别准确率比单一神经网络活动识别方法的准确率提高了9%,时间平均缩短了10%。     

盲信号分离和序贯滤波的SAR影像水体提取

采用一种新的基于盲信号分离（BSS）和序列非线性滤波方法实现多极化合成孔径雷达（SAR）影像相干斑噪声抑制和水体目标快速提取。SAR影像具有强烈乘性相干斑噪声,影像数据为非高斯分布,但其具体分布形式及参数难以获得。利用基于独立分量分析的盲信号分离方法,不需要知道SAR影像的具体分布,通过对数量化将相干斑噪声转化为与图像数据相互独立的加性噪声,从多极化SAR影像中自动分离出图像数据与相干斑噪声,并自动选择相干斑指数最小的分量为图像分量。针对SAR影像水体目标的亮度及形状分布特征,进一步采用序列非线性滤波处理,从分离出的图像分量中提取出水体目标。利用ENVISAT ASAR多极化影像进行了实验,结果表明该方法可以快速准确地提取多极化SAR影像中的水体目标。