乌兰布和沙漠高分辨率遥感影像梭梭林解译方法探讨

利用ALOS、SPOT5高分辨率遥感影像,结合野外调查,完成了乌兰布和沙漠研究区遥感影像信息的目视解译及植被制图,并结合GPS野外样点进行精度评价,解译精度为93.3%,梭梭林面积为165 410.62 hm²,占乌兰布和沙漠地区总土地面积的17.27%。最后,对乌兰布和沙漠遥感影像梭梭林解译的方法进行了探讨。     

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Web草原遥感影像与专题图半透明叠加系统的初步实现

以内蒙古锡林郭勒盟的基础专题图和正蓝旗的遥感影像为研究对象,系统地介绍了遥感影像与专题图基于Web叠加的关键技术,并通过综合应用现代信息技术,运用网络地理信息系统(WebGIS)原理和理论,使用Java开发语言设计开发试验版的WebGIS小软件,初步实现了遥感影像与专题图在Web上半透明叠加的系统。     

一种基于投票法融合的ASTER遥感影像水体提取方法

遥感影像在水资源调查和洪涝灾害监测中发挥着重要作用,但从遥感影像中提取水体通常面临着阴影和狭小水体漏提等难题。针对单一方法在水体提取中的局限性,引入分类器集成的思想,提出一种基于投票法融合的水体提取方法,首先利用Bagging、Random Forests和神经网络(NN)分类器对遥感影像进行分类,然后采用多数投票法从决策层融合3个分类结果,得到研究区水体提取结果。试验结果表明,该方法能够有效去除阴影且能较好地识别狭小水体,具有良好的应用效果。     

一种基于高分辨率遥感影像的道路提取方法

道路等线性地物的自动提取一直是高分辨率遥感影像研究所关注的内容。论文在分析现有的各种提取方法的基础上,结合城市道路在高分辨率遥感影像上的特点,提出一种半自动的道路提取法。该方法先对遥感影像中的道路点进行采样,统计其光谱特征,然后再在道路上设置道路生长原点,从这些生长原点开始,根据统计得出的道路光谱特征对邻域点进行判断生长,最后对生长出的道路图利用数字形态学进行内部腐蚀和边界平滑处理。试验结果表明,该方法提取道路具有较高的精度和实用性。     

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策，提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理．得到原图像的平滑图像；利用神经网络对原图像及其平滑图像分别进行训练、分类；利用证据理论对它们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果。实验结果与性能比较表明．新方法是有效的．提高了影像的分类精度。     

一种格网补偿的遥感影像数据检索方法

随着遥感技术的快速发展,当前遥感影像数据的数据总量急剧增加。面对海量遥感影像数据的应用需求,如何快速、准确的获取全覆盖特定区域的无云遥感影像数据至关重要。因此,笔者提出了一种格网补偿的遥感数据全覆盖检索方法。首先,利用五层十五级格网切分模型对特定区域切分成较小的格网。其次,对海量遥感有云影像数据集进行预处理,采用基于快视图的云检测方法判断快视图局部是否无云,取出无云的部分对每个格网进行像素补偿。最后得出一张全覆盖特定区域的无云遥感图像,并筛选出所需的遥感影像数据。通过实验对比,该方法在海量遥感影像数据情况下,能快速、准确的获取全覆盖特定区域的无云遥感影像数据,具有很好的可行性和实用性。     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。     

一种可靠的高分辨率光学卫星遥感影像匹配方法

提出一种基于虚拟交点的高分辨率光学卫星遥感影像自动匹配方法。具体流程包括:(1)初始获取同名点,建立影像局部粗匹配模型;(2)利用同名点构建同名虚拟直线,通过同名虚拟直线形成同名虚拟交点集,并采用局部粗匹配模型进行约束;(3)对候选点集进行特征描述;(4)对特征点利用最小欧式距离准则提取初始同名点;(5)采用RANSAC算法和多项式拟合迭代法剔除误匹配点以获取最终的匹配结果。实验结果表明了本文通过虚拟交点提取同名点的算法,获取了更好的匹配效率和精度。     

一种有效的高分辨率遥感影像水体提取方法

针对高分辨率遥感图像，提出一种有效的水体自动提取算法。设计基于局部二值模式和[K]最近邻的算法，对遥感图像进行水陆粗分离，并采用形态学滤波抑制各分类区域内的噪声；设计基于局部二值模式和支持向量机的方法，对水陆边界区域进一步细分离，并对细分离结果采用形态学滤波去除水陆边界附近噪声点；针对细化结果，采用形态学腐蚀运算对水体边缘进行平滑，得到最终的水体提取结果。实验结果表明，提出的算法能快速、有效地检测遥感图像中的水体目标。     

一种基于小波包变换的遥感影像融合方法

针对多光谱遥感影像和全色遥感影像,提出了一种基于小波包变换的遥感影像融合方法。新方法首先对多光谱遥感影像进行PCA变换;其次对多光谱遥感影像的第一主分量和全色遥感影像进行小波包变换;然后保留多光谱影像第一主分量的低频近似分量,融合它们的高频细节分量;最后,做小波包反变换,得到新的多光谱遥感影像第一主分量,再做PCA反变换,得到新的多光谱遥感影像。与PCA变换融合方法、IHS变换融合方法和小波变换融合方法等方法在主观视觉效果分析和客观统计参数两方面做了比较,新方法是有效的,不仅较大地增强了结果影像的空间细节表现能力,而且很好地保留了多光谱影像的光谱信息。     

一种可靠的高分辨率光学卫星遥感影像匹配方法

提出一种基于虚拟交点的高分辨率光学卫星遥感影像自动匹配方法。具体流程包括：（1）初始获取同名点,建立影像局部粗匹配模型;（2）利用同名点构建同名虚拟直线,通过同名虚拟直线形成同名虚拟交点集,并采用局部粗匹配模型进行约束;（3）对候选点集进行特征描述;（4）对特征点利用最小欧式距离准则提取初始同名点;（5）采用RANSAC算法和多项式拟合迭代法剔除误匹配点以获取最终的匹配结果。实验结果表明了本文通过虚拟交点提取同名点的算法,获取了更好的匹配效率和精度。     

基于IDL的遥感影像大气与地形校正方法实现

介绍了利用交互式数据语言（Interactive Data Language,IDL）开发TM/ETM遥感影像大气与地形校正模型的详细过程,以2000年4月30日密云ETM影像为例,对大气与地形校正方法的有效性和实用性进行了验证。结果表明,该方法有效地消除了大气与地形影响,提高了地表反射率等地表参数的反演精度和数据质量,为进一步开展定量遥感研究提供了数据质量保障。     

一种改进的基于深度学习的遥感影像拼接方法

针对遥感影像拼接的两个主要过程：图像配准和点变换,分别进行了深入研究。对遥感影像拼接中的特征点匹配问题,提出了一种利用分层卷积特征进行图像配准的方法。该方法利用卷积神经网络（Convolutional Neural Networks,CNN）自适应地提取特征点的分层卷积特征,通过相关滤波器（Correlation Filter,CF）对不同深度的卷积特征逐层进行相关性分析,进而综合计算特征点的位置。然后对传统的点变换方法进行简化,提出十字点集变换方法。根据配准的特征点计算变换参数,实现遥感影像的拼接。实验结果表明,该方法与传统的基于SIFT（Scale Invariant Feature Transform）的拼接方法相比,精度较高且具有较好的鲁棒性。     

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。     

一种多尺度特征关联网络的遥感影像场景分类方法

针对遥感影像场景分类中提取特征信息不准确以及融合冗余信息的问题,提出一种多尺度特征关联网络的遥感影像场景分类方法。首先,利用ResNet18提取多尺度影像特征,并在特征金字塔结构中引入空洞卷积和多头自注意力模块关注各层有效信息,以增强语义信息和抑制周围噪声;其次,使用多特征关联模块来增强关键特征信息,对各层使用全局平均池化并加和,得到特征向量;最后,采用全连接层进行分类。该方法在NWPU数据集上的总体分类精度为90.51%,相比VGG＿VD16-MSCP、VGG＿VD16-SAFF以及DTDCNN等网络分别提升1.58%、2.65%和6.39%。结果表明,文章所用的多尺度融合方式能够更好地提取特征地物并抑制周围背景,从而取得更高的遥感影像场景分类精度。     

一种基于ASR和PAPCNN的NSCT域遥感影像融合方法

针对稀疏字典的高冗余性和脉冲耦合神经网络（PCNN）参数设置的主观性问题,提出一种结合自适应稀疏表示（ASR）和参数自适应脉冲耦合神经网络（PAPCNN）的非下采样轮廓波变换（NSCT）域遥感影像融合方法。该方法将多光谱影像通过YUV空间变换得到的亮度分量Y与全色影像进行NSCT分解为高低频子带。对低频子带采用基于ASR的融合规则,根据影像块的梯度信息实现自适应稀疏表示。对高频子带采用PAPCNN模型,以选择PCNN的最优参数,再经过相应逆变换得到融合结果。实验结果表明：该方法对不同卫星影像在定性和定量评价上的总体效果均优于其他8种方法。     

一种基于MPI和OpenMP的剖分遥感影像并行分割方法

随着遥感数据量的快速增长,组织效率和处理速率成为其快捷应用的瓶颈,地球剖分理论和高性能计算为该问题解决提供了一种可能途径。基于上述思路,设计一种基于MPI和OpenMP的剖分遥感影像并行分割方法。该方法在地球剖分组织理论的研究基础上,针对遥感影像数据进行剖分化处理,依据应用需求确定剖分层级,形成有利于并行处理的影像数据剖分面片集合;在MPI集群计算和OpenMP多核任务处理环境下,对上述剖分面片集进行相应操作的并行化处理,最后把处理后的面片整合为所需要的结果数据。通过一个遥感影像数据K-Means分割的例子对上述方法进行验证。结果表明,该方法能在分割结果保持一致的情况下,有效提高遥感影像的组织效率和处理速度,达到了一定的加速比,实用性较强。     

一种图像回归与关联关系特征融合的遥感影像变化检测方法北大核心CSCD

异质遥感影像变化检测是一个重要且具有挑战性的研究课题。针对直接比较异质数据进行变化检测导致检测精度低的问题,提出了一种图像回归与关联关系特征融合(Image Regression and Association-based Feature, IRAF)的异质遥感影像变化检测方法。首先基于信息熵理论量化异质数据的信息量差异并确定回归方向,采用多输出多层感知器图像回归得到与原始影像特征空间分布相近的回归图像;其次,得到差异图像并基于模糊局部信息C均值(Fuzzy Local Information C-Means,FLICM)算法找到部分显著样本对用于后续检测。为了考虑不同特征间的关联关系并充分利用数据中潜在的高阶信息,采用基于关联关系特征的融合算法(Association-based Fusion,AF)对原始遥感数据进行增强,最后利用融合后的特征训练分类模型得到最终的变化二值图。为验证该方法的有效性,采用Sardinia、Yellow River和Texas这3组真实数据集进行实验,Ka分别达到了0.796 1、0.827 1、0.958 1。与相关方法进行对比的实验结果表明该方法在不同数据集上均得到了最优的检测结果,能够抑制噪声的影响且有效提升变化检测精度。