红外摄像机虽然能够全天候 24 h工作, 但是相比于可见光摄像机, 其获得的红外图像分辨率和信杂比低, 目标纹理信息缺乏, 因此足够的标记图像和进行模型优化设计对于提高基于深度学习的红外目标检测性能具有重要意义。为解决面向监控应用场景的红外目标检测数据集缺乏的问题, 首先采用红外摄像机采集了不同极性的红外图像, 基于自研图像标注软件实现了 VOC格式的图像标注任务, 构建了一个包含行人和车辆两类目标的红外图像数据集( Infrared-PV), 并对数据集中的目标特性进行了统计分析。然后采用主流的基于深度学习的目标检测模型进行了模型训练与测试, 定性和定量分析了 YOLO系列和 Faster R-CNN系列等模型对于该数据集的目标检测性能。构建的红外目标数据集共包含图像 2138张, 场景中目标包含白热、黑热和热力图 3种模式。当采用各模型进行目标检测性能测试时, Cascade R-CNN模型性能最优, mAP0.5值达到了 82.3%, YOLO v5系列模型能够兼顾实时性和检测精度的平衡, 推理速度达到 175.4帧/s的同时 mAP0.5值仅降低 2.7%。构建的红外目标检测数据集能够为基于深度学习的红外图像目标检测模型优化研究提供一定的数据支撑, 同时也可以用于目标的红外特性分析。

高分四号卫星是我国首颗高空间分辨率地球静止卫星, 在浑浊二类水体的遥感定量监测方面应用潜力很大。 为评价高分四号多光谱数据经大气校正后水体反射率的精度, 以太湖为研究区, 使用同步MODIS数据辅助的Gordon单次散射改进算法, 对2016年7月21日和2016年8月17日两景高分四号多光谱数据进行大气校正, 并通过与地面同步实测光谱数据、 以及地球静止水色卫星GOCI数据大气校正结果的协同比对, 验证高分四号多光谱数据的大气校正效果, 为该卫星产品的水色遥感应用提供借鉴和参考。 结果表明, 红光B4波段校正精度最高, 平均绝对误差(MAPE)为10.71%； 绿光B3波段校正精度次高, MAPE为13.21%； 近红外B5波段校正精度次低, MAPE为33.06%； 蓝光B2波段校正精度最低, MAPE为53.55%。 其中B3, B4和B5波段校正精度高于GOCI, 主要原因在于高分四号的空间分辨率远高于GOCI, 混合像元导致的精度误差相对较小, 充分显示了高分四号作为一颗高空间分辨率地球静止卫星在水色遥感方面的优势； 而B2波段低于GOCI, 表明高分四号的蓝光波段尚有改进空间, 今后有必要对该波段进行重新定标等处理； 在未得到有效处理的情况下, 水色遥感应用应尽量避开该波段。 总体而言, 高分四号多光谱数据校正精度较高, 可以较好的应用于内陆二类浑浊水体的定量遥感监测。

讨论了顾及传输路径差异和方向性反射差异的边缘辐射校正方法, 并根据POS数据改正了由于姿态变化引起的边缘畸变.以实用型模块化成像光谱仪(Operational Modular Imaging Spectrometer, OMIS-Ⅲ)影像为例, 采用上述方法进行边缘校正, 最后采用近似同一扫描行上的同类地物光谱进行对比, 得出校正后的光谱吻合度比校正前更高.