基于多值免疫网络的多光谱遥感影像分类

提出了一种基于多值免疫网络的多光谱遥感影像分类方法.该方法用选取的训练样本对多值免疫网络进行网络训练,得到具有记忆功能的免疫网络结构,然后利用多值免疫网络对多光谱遥感影像进行分类.实验结果证明,该算法分类精度上优于传统的分类方法,总精度和Kappa系数分别达到了88.84%和0.8605,因而具有实用价值.     

包装工程专业计算机辅助教学系统的建立

结合包装工程专业课程特点，建立计算机辅助教学系统。主要包括以下四个方面：将计算机引入课堂教学、建立课后练习子系统，将计算机辅助设计应用于学生的课程设计和毕业设计，建立试题库子系统。     

植被净初级生产力的遥感模型在武汉地区的应用

卫星遥感成为观测和估算地面植被净初级生产力的一种极其有利的工具,其原因不仅仅在于它将人们从繁重的地面实验中解放出来,同时也因为它能够实现对大范围区域的植被净初级生产力进行实时监测。为了更加充分有效地利用卫星数据获取植被信息,我们在模式分解方法的基础上,建立了一种新的植被指数(VIPD)。根据地面实验建立的相应光合成曲线估算模型,估算武汉地区地域性植被净初级生产力（NPP）,研究该地区植被生长年间变化状况。并通过和不同方法估算结果及地面调查结果进行比较,检验模型对该地区的适用情况,为该地区植被NPP长期监测研究提供可靠依据。     

自适应正则化多幅影像超分辨率重建

影像超分辨率技术已经成为近年来影像处理领域的研究热点。其中,正则化重建模型由于具有求解模型直观、解唯一等优点而得到了广泛应用。在正则化重建模型求解过程中,正则化参数对于重建结果的好坏有着重要影响,参数选择过小就不能很好地抑制噪声,参数选择过大又会模糊重建影像。将数值计算领域的U曲线方法引入到超分辨率重建领域,用来确定重建模型中的最优正则化参数。首先建立U曲线,然后选择U曲线的左侧曲率最大点所对应正则化参数为重建正则化参数。实验结果表明,无论是在目视效果还是定量评价方面,重建结果都优于传统的自适应迭代方法和L曲线方法。     

各向异性扩散平滑滤波的改进算法

图像的噪声过滤和增强是数字图像处理中非常重要的组成部分.在图像处理过程中,为了既有效地去除噪声,又能够较好地保持图像的边缘和重要的细节信息,在Perona-Malik各向异性扩散模型（PM模型）的基础上,通过对变分方法的扩散方程中扩散系数的改进,提出了一个对噪声图像更有效更具有适应性的去噪扩散模型.该模型针对不同的梯度大小采用了不同的扩散系数.在实际处理过程中该模型不仅能够有效地保持图像的边缘,而且还能够克服PM模型对小尺度噪声敏感和部分边缘和细节失真的问题.实验结果表明,改进的扩散模型的性能优于PM模型,是一种较为理想的保边缘平滑模型.     

高空间分辨率遥感图像分类的SSMC方法

近年来随着高空间分辨率遥感的发展。影像的空间细节描述能力得到提高，像元之间的空间相关性得到增强，使传统的遥感影像光谱分类方法面临着巨大的挑战。基于此背景，提出了高分辨率遥感影像分类的SSMC（spatial and spectral mixed classifier）方法，旨在同时采用光谱和空间特征进行遥感影像分类。本文是基于SSMC方法的一个具体的实验，通过多尺度的空间金字塔构造每个像元的空间参数，整合影像的光谱信号和空间信息进行高分辨率遥感影像分类。实验结果证明，SSMC方法对于提高高分辨率遥感影像的分类精度具有积极的意义。