针对不同时相卫星影像匹配效果差的问题，提出基于各向异性滤波的相位一致性的卫星影像匹配方法。首先，利用各向异性滤波建立图像非线性尺度空间，再利用相位一致性模型计算每个尺度下的最大矩图。其次，在每个尺度下的最大矩图上利用分块Shi-Tomasi算法提取特征点，再通过Log-Gabor滤波器建立多尺度多方向的幅值响应，并计算图像的最大幅值响应及其最大幅值的方向索引。然后，在极坐标系下，基于OpenMP并行计算实现特征描述符加速构建，再进行影像匹配与误匹配剔除。最后，利用6组不同时相、不同视角、辐射差异明显的卫星影像进行实验，实验结果表明，所提出的匹配方法明显优于传统的尺度不变特征变换（SIFT）算法和目前较为先进的辐射变化强度特征转换（RIFT）、绝对相位一致性梯度直方图（HAPCG）等算法。

高光谱图像分类已被公认为是高光谱数据处理的基础性和挑战性任务,丰富的光谱信息和空间信息为有效描述和识别地表物质提供了契机。卷积神经网络(CNN)中的参数较多,为了避免过拟合问题,需要大量的训练样本。Log-Gabor滤波器可以有效地提取包括边缘和纹理在内的空间信息,降低CNN特征提取的难度。为了充分利用CNN和Log-Gabor滤波器的优点,提出了一种将Log-Gabor滤波器和CNN相结合的高光谱图像分类方法,并利用两个真实的高光谱图像数据集进行了对比实验。实验结果表明,所提方法比传统的支持向量机和CNN方法具有更高的分类精度。

卫星遥感技术的快速发展为土地利用变化的检测提供了重要的技术支撑。为了进一步提高土地利用变化的检测精度,提出了AlexNet和支持向量机(SVM)相结合的土地利用变化分类方法。利用2013—2017年江西省南昌市的高分一号卫星遥感影像,生成该地区在这5年内的土地利用变化图,分析土地利用变化的特征。结果表明:研究区的土地类型主要以植被、水体、裸地和建筑用地为主;在这5年中,植被面积变化得最大,减少了54.74 km 2,水体面积增加了22.12 km 2,建筑用地面积增加了19.45 km 2,裸地面积增加了5.17 km 2。

土地利用变化检测在土地资源管理、国土资源监测中发挥着重要的基础作用。针对2013年到2017年江西省南昌市GF-1号多光谱遥感影像,利用基于支持向量机的图像分类方法对遥感影像进行分类,生成了该地区在这5年的土地利用变化图,并分析其土地利用变化特征。结果表明,研究区的土地类型主要以林地、草地、水体及建筑用地为主,在这5年,植被面积变化最大,减少了54.74 km 2,其次是水体面积,增加了22.12 km 2,建筑用地的面积增加了19.45 km 2,裸地的面积增加了5.17 km 2。