基于BP神经网络的特征融合遥感图像阴影检测

针对遥感图像中地物遮挡形成阴影,导致阴影区域地物信息受损的问题,提出一种基于BP(back propagation)神经网络的特征融合遥感图像阴影检测方法,该方法共分为预处理、特征提取、特征融合和后处理4个阶段。为了克服现有单一特征阴影检测方法的局限性,共设计了蓝绿波段归一化、主成分分析、HSI(hue,saturation,intensity)空间和灰度矫正色调4个特征提取分支,然后通过BP神经网络实现多特征的深度融合。实验表明,所提方法提取的阴影掩膜完整性高、边缘区分良好,对水体等易混淆的非阴影地物也能很好地区分,说明本文方法具有较好的鲁棒性。     

基于地形约束的多尺度DEM融合

为获得更高质量的数字高程模型（digital elevation model,DEM）数据,提出了一种基于谷脊线作为地形约束的多尺度DEM融合方法。以雷达测高数据SRTM(shuttle radar topography mission)与激光测高数据GLAS(geoscience laser altimeter system)为辅助源校正的光学高程数据ASTER(advanced spaceborne thermal emission and reflection radiometer)作为低分辨数据,以商业卫星雷达测高数据WorldDEM作为高分辨数据,通过地表水流模拟方法分别提取两者谷脊线,再利用较高分辨率数据的地形细节作为较低分辨率数据重建的先验信息,实现高分辨率数据对低分辨率数据的引导,最终融合得到兼具广覆盖范围和高分辨率的DEM数据。模拟和真实数据试验表明,多尺度DEM融合方法在评价指标和地形细节恢复上均优于所提及的其他经典方法,说明该方法对于DEM数据质量的提升是有效可行的。