图像修复技术是目前计算机视觉领域的研究热点之一，该技术主要利用缺失区域周边或者外部辅助数据来对图片受损区域进行信息推理和修复。随着大数据时代的到来，基于深度学习的图像修复技术以其出色的性能成为了图像处理领域内的关注点。对现有的图像修复算法进行总结，对各个算法的模型结构、性能表现及在常用数据集上的指标进行讨论说明，并对该领域目前所存在的问题和难点进行分析和展望。

联合像元谱段信息与空间结构特征,提出一种适用于多光谱遥感影像像素级分类的多层感知卷积神经网络(MPCNet),并基于吉林1号光谱卫星(Jilin-1GP)影像,在印度纳西克研究区对地表覆盖分类算法进行性能测试。为保证实验的高可靠性,在相同时间段结合Landsat8、Sentinel-2A及HJ-1A影像进行同步分类来定性与定量评估。除此之外,选取三个当前流行算法支持向量机(SVM)、LightGBM、浅层卷积神经网络(CNN)进行算法性能比较。实验结果表明,在Jilin-1GP影像上的总体分类精度可达94.0%~95.8%,Kappa系数达到0.932~0.948。相比准确率较高的浅层CNN,MPCNet的总体分类精度提升3.7个百分点。

细分光谱扫描定标技术是实现遥感器高精度光谱辐射定标的重要方式, 基于超连续激光单色仪的定标装置是实现遥感器细分扫描定标的新选择。为验证所建立的超连续激光单色仪装置的系统级定标能力, 利用硅辐亮度计和滤光片辐射计, 分别采用超连续激光单色仪定标装置和可调谐激光定标装置对其进行了系统级绝对光谱响应度定标比对验证。实验结果表明: 在所验证波段范围内, 两种定标装置获得的硅辐亮度计绝对光谱响应度系统级定标结果最大偏差为0.6%。通道式滤光片辐射计的带内绝对光谱响应度定标结果最大偏差优于0.4%, 带内积分响应度最大偏差约0.1%。文中的研究验证了超连续激光单色仪定标装置具有良好的系统级定标能力, 能够获得较高的定标精度, 在遥感器的绝对光谱响应度定标中具有重要应用前景。

利用基于超连续激光和单色仪(SCM)的细分光谱扫描定标装置,对传感器的绝对光谱辐亮度响应度进行定标。利用两种绝对功率响应度溯源于低温绝对辐射计的辐亮度探测器(Trap-A 和Trap-B),分别以通用的部件级定标方式和基于该定标装置的系统级定标方式(以Trap-A作为参考),确定了Trap-B的绝对光谱辐亮度响应度,两种方式下的定标不确定度分别优于0.46%和1.8%。两种定标结果具有较好的一致性,在450~900 nm波段范围内,相对差异小于0.9%。研究结果表明:基于SCM的细分光谱扫描定标装置适用于传感器的绝对光谱辐射定标,在遥感器的绝对光谱辐射定标方面具有重要的应用价值。

单色仪作为一种分光仪器, 在传感器的辐射定标等方面具有重要应用。在实际应用过程中, 其波长和带宽的设置对传感器的精确定标具有重要影响。使用低压汞灯作为波长标准光源, 通过对其特征谱线扫描的方法, 研究了传感器定标过程中, 设置单色仪不同的狭缝宽度, 对传感器精确定标具有重要影响。结果显示, 当出射入射狭缝相同, 同时改变其宽度的情况下, 与典型校准状态(出射入射狭缝宽度设置为0.5 mm)相比, 波长偏差量达到0.17 nm; 当入射狭缝与出射狭缝不一致时, 与典型校准状态相比, 波长偏差量达到0.18 nm; 当光源未充满入射狭缝与充满入射狭缝相比, 最大误差达到0.02 nm, 该影响几乎可以忽略。在相关的传感器光谱辐射定标实验研究中, 单色仪的定标精度和准确性评估等方面具有重要应用。

针对亚米级高分辨率遥感影像中机场识别算法存在的定位精度和识别准确率低的问题，提出了一种基于深度卷积神经网络的高分辨率遥感影像机场识别算法。首先，使用双三次插值算法对原始影像进行下采样处理并转为灰度图，进行模糊增强以得到预处理图像。其次，利用Canny算子提取灰度图边缘信息并使用概率Hough变换提取其中的直线，通过判断平行线存在与否对直线区域进行初步筛选及合并。再次，对合并后的区域利用深度卷积神经网络进行判别以得到相应区域的识别概率值。最后，通过分析概率值得到机场目标。对某卫星两种高分辨率遥感影像数据进行实验，得到识别率100%、定位准确率87.53%的实验结果，证明了所提算法的有效性和通用性。

提出了一种基于集成卷积神经网络(CNN)的遥感影像场景分类算法。通过构建反向传播网络实现了场景图像的复杂度度量;根据图像的复杂度级别,选择CNN对图像进行分类,完成了遥感影像的场景分类。使用所提出的算法对NWPU-RESISC45公开数据集进行了实验验证,取得了89.33%(第一类实验)和92.53%(第二类实验)的分类准确率,平均运行时间为0.41 s。相比于精调训练的VGG-16模型,所提算法的分类准确率分别提升了2.19%和2.17%,预测速率提升了33%,证明了其有效性和实用性。

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。

针对亚米级高分辨率遥感影像中机场识别算法存在的定位精度和识别准确率低的问题，提出了一种基于深度卷积神经网络的高分辨率遥感影像机场识别算法。首先，使用双三次插值算法对原始影像进行下采样处理并转为灰度图，进行模糊增强以得到预处理图像。其次，利用Canny算子提取灰度图边缘信息并使用概率Hough变换提取其中的直线，通过判断平行线存在与否对直线区域进行初步筛选及合并。再次，对合并后的区域利用深度卷积神经网络进行判别以得到相应区域的识别概率值。最后，通过分析概率值得到机场目标。对某卫星两种高分辨率遥感影像数据进行实验，得到识别率100%、定位准确率87.53%的实验结果，证明了所提算法的有效性和通用性。