遥感图像格式的分析与应用

分析了遥感数字图像格式,遥感图像的TIFF文件格式。分离出遥感图像TIFF文件中的标记(tag),对这些标记加以分析,还原出遥感图像,从而对该遥感图像进行各种处理,为后续的遥感图像挖掘准备数据。     

手背静脉图像的降噪和分割研究

手背静脉识别是一种新兴的生物特征识别技术。根据手背静脉图像的特点,对静脉图像预处理进行了研究。静脉图像预处理分为图像的降噪和静脉图像的分割两部分。提出了一种混合噪声滤除算法,在判断出的脉冲噪声基础上,根据连通性去掉被误判成脉冲噪声的边缘,有效地滤除了静脉图像中的脉冲噪声和高斯噪声,且较好地保护了静脉图像的细节特征;采用了局部动态阈值算法NIBlack算法对图像进行分割。很好的提取出了手背静脉。     

空中预警机三维图像物体检测模型仿真

在当前的空中预警机三维视觉检测中,在进行高空深层视觉检测中,自然环境中会出现大量的检测物,对需要进行三维视觉建模检测的物体形成阴影遮挡干扰.提出了一种新的空中预警机三维图像物体检测方法.把检测过程中遮挡干扰当成一种噪声因素,根据因式分解的相关理论,建立空中预警机三维视觉模型.根据不同遮挡干扰特征点在空中预警机三维视觉建模过程中所占的比率不同,根据非线性滤波原理,设置空中预警机三维视觉对象图像的像素,构建非线性滤波窗口构成的序列,对该空中预警机三维视觉模型进行滤波处理,去除遮挡干扰.实验结果表明,该算法进行空中预警机三维视觉检测,精度达到要求,有一定的实际应用价值.     

一种基于动态阈值的自适应中值滤波方法

针对图像受到电磁干扰带来的脉冲噪声,对自适应中值滤波方法进行改进。在去除噪声的过程中为了更好地将信号和噪声进行区分开,引入噪声点的预判机制。为满足改进算法对自适应中值滤波半径和窗口的变化的适应．采用自适应动态阈值。通过与SMF、RAMF等方法的比较实验表明,该算法具有较高的峰值信噪比和边缘保持性能。     

基于一种新的阈值函数的小波图像去噪

文中在D. L. Donoho和I. M. Johnstone提出的小波阈值去噪基础上,提出了一种改进的阈值函数。该阈值函数采用双阈值模式,通过逐渐增大对小波系数的缩减力度来处理双阈值之间的小波系数,尽可能多地保留有用信息,直至小波系数缩减为零。在这里引入了一个控制变量来调节系数的缩减幅度。与传统的软、硬阈值方法相比,改进的阈值函数最大的优点是函数连续且减小了估计系数的误差。通过仿真实验,从视觉和客观评价标准（峰值信噪比和均方根误差）上验证了新阈值函数去噪的有效性。     

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明：PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。     

混沌系统和DNA编码的并行遥感图像加密算法

目的 针对传统基于混沌系统的图像加密算法在加密遥感图像时存在速度差、安全性不足等问题,提出一种混沌系统和脱氧核糖核酸（deoxyribonucleic acid,DNA）编码的并行遥感图像加密算法,提升图像加密的效率和安全性。方法 利用明文图像的安全散列算法256（secure Hash algorithm 256,SHA-256）哈希值修改混沌系统的参数和初始值,提高算法的明文敏感性,并通过2维Hénon-Sine映射置乱图像,打乱像素之间的分布规律;然后利用图形处理器（graphics processing unit,GPU）并行计算密钥序列,缩短加密时间,通过选择多个高维混沌系统和修改混沌系统初始值确保密钥序列的随机性;最后利用密钥序列和GPU对图像进行DNA并行加密,得到最终的密文图像。在DNA并行加密过程中,生成一种DNA-S盒,对DNA编码进行非线性替换。结果 在遥感图像以及普通彩色图像上的仿真实验和安全性分析结果表明,本文算法在加密遥感图像上速度达到80 Mbit/s以上,密钥空间大于10²⁰⁰,信息熵趋近于8,密文图像直方图平坦均匀,且通过了美国国家标准与技术研究院（National Institute of Standards and Technology,NIST）随机测试以及卡方检验;与其他算法相比,本文算法在密钥空间、相邻像素相关性、像素改变率（number of changing pixel rate,NPCR）、统一平均变化强度（unified averaged changed intensity,UACI）和信息熵等评价指标上更接近理想值。结论 本文算法在大幅提升加密速度的同时,保证算法足够安全,能够抵抗各种攻击,适合遥感图像以及大容量图像的保密存储和网络传输。     

CGAN样本生成的遥感图像飞机识别

目的 基于深度学习的飞机目标识别方法在遥感图像解译领域取得了很大进步,但其泛化能力依赖于大规模数据集。条件生成对抗网络（conditional generative adversarial network,CGAN）可用于产生逼真的生成样本以扩充真实数据集,但对复杂遥感场景的建模能力有限,生成样本质量低。针对这些问题,提出了一种结合CGAN样本生成的飞机识别框架。方法 改进条件生成对抗网络,利用感知损失提高生成器对遥感图像的建模能力,提出了基于掩膜的结构相似性（structural similarity,SSIM）度量损失函数（masked-SSIM loss）以提高生成样本中飞机区域的图像质量,该损失函数与飞机的掩膜相结合以保证只作用于图像中的飞机区域而不影响背景区域。选取一个基于残差网络的识别模型,与改进后的生成模型结合,构成飞机识别框架,训练过程中利用生成样本代替真实的卫星图像,降低了对实际卫星数据规模的需求。结果 采用生成样本与真实样本训练的识别模型在真实样本上的进行实验,前者的准确率比后者低0.33%;对于生成模型,在加入感知损失后,生成样本的峰值信噪比（peak signal to noise ratio,PSNR）提高了0.79 dB,SSIM提高了0.094;在加入基于掩膜的结构相似性度量损失函数后,生成样本的PSNR提高了0.09 dB,SSIM提高了0.252。结论 本文提出的基于样本生成的飞机识别框架生成了质量更高的样本,这些样本可以替代真实样本对识别模型进行训练,有效地解决了飞机识别任务中的样本不足问题。     

基于互信息F统计量特征选择技术的地基气象云图分类

在地基气象云图的云状(云类)识别研究中,基于局部二值模式(Local Binary Pattern,LBP)描述子的特征选择技术由于它的简单性和有效性成为最通用的方法.然而,LBP特征的高维特性使得云状识别的性能和计算开销不能令人满意.为此,本文提出一种基于互信息构造的F检验统计量的LBP特征选择算法,可以实现高维LBP特征的有效降维,同时保证云状识别的准确性,极大减少了特征选择过程的计算开销.     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。