结合超分辨率重建的神经网络亚像元定位方法

遥感影像中普遍存在着混合像元,如何分析和解译混合像元一直是人们研究的热点。亚像元定位方法是将混合像元分解成为亚像元,并赋予不同的端元组分,以提高影像整体分类精度的一种技术。本文在神经网络亚像元定位模型的基础上,结合超分辨率重建理论,提出一种新型的BPMAP模型,在每一个类别的组成分图像与亚像元定位图像之间建立起高、低分辨率的观测模型,采用最大后验估计（MAP）算法对BP神经网络的定位结果进行约束,最终确定混合像元内部各组分合适的空间位置。通过对模拟的简单图像和长江三峡地区的ETM影像进行实验,结果表明,与神经网络模型相比,本文方法能够更加有效地解决亚像元定位的问题,进一步消除定位过程中产生的误差,提高精度。     

基于时间变化的鲁棒各向异性扩散模型

建立性能稳定的扩散模型一直以来都是各向异性扩散技术研究的关键问题. 尽管许多改进的扩散模型陆续提出, 这些方法仍旧难以有效解决两个核心问题: 梯度阈值和迭代停止时间的确定. 针对以上问题, 本文提出了基于时间变化的鲁棒各向异性扩散模型. 在该模型中, 作者设定高斯尺度因子和梯度阈值随时间单调递减, 这有利于在多个尺度下准确提取边缘和边界特征信息. 此外, 利用逐次迭代信噪比能够有效地确定迭代停止时间, 减少不必要的过量平滑. 为了验证本文模型的有效性, 采用Pinecone灰度图像进行了图像增强平滑处理. 实验结果表明, 本文模型在性能上优于传统扩散模型, 能够有效地消除噪声和保持边缘.