以卫星立体影像数据和倾斜摄影数据为数据源,以资源三号卫星获取的湖南省遥感影像为例,基于瓦片金字塔模型,实现了不同分辨率的多类型数据的融合,建立了地形与纹理一体化表达的真三维模型。自主研发了ItelliEarth软件,以实现基于海量地形数据的三维场景下数据模型的可视化。研究结果表明,所提方法建立的真三维模型符合相关规范要求,为实现大尺度空间真三维模型的构建提供了有效途径。

提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练,将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。

提出一种结合全卷积神经网络与条件随机场的资源3号卫星遥感影像云检测方法。优化了全卷积神经网络(FCN)模型,对3次上采样后的全卷积神经网络(FCN-8s)进行上采样,采用自适应+动量算法调整参数学习率加速收敛;将全卷积神经网络与条件随机场结合,以全卷积输出影像作为前端一阶势,高斯核函数作为后端二阶势;加入mean-shift区域约束0条件保护影像的局部特征信息,运用平均场算法推断条件随机场模型后验概率。实验结果表明,本研究提出的云检测方法可将影像云区识别准确率提高至97.38%,较FCN-8s算法提高13.42%。

为提高影像云识别精度,提出一种多尺度膨胀卷积深层神经网络云识别方法。结合卫星影像特征,设计云识别卷积神经网络结构,该结构包含深层特征编码模块、局部多尺度膨胀感知模块以及云区预测解码模块。首先,编码模块中通过基础卷积层获取深度特征;其次,联合多尺度膨胀卷积和池化层共同感知,每层操作连接非线性函数,以提升网络模型的表达能力;最后,云区预测解码模块中融合对应编码模块的特征,再利用L1正则化上采样算法实现端对端的像素级云识别结果。选用典型云遮挡区域影像进行云识别实验,并与Otsu算法和FCN-8S算法进行对比。结果表明,本文所提算法的检测精度较高,Kappa系数显著提升。

近年来随着我国新型国产高分影像的相继问世以及相关应用的逐步展开, 不少研究涉及了不同国产高分影像多光谱数据之间的交互对比, 但两种国产分辨率最高的GF-2 PMS2与ZY-3 MUX传感器多光谱数据之间的对比仍未见报道。 为了使这两种国产主力高分辨率传感器的多光谱数据能够在实际应用中相互补充使用, 发挥更大的作用, 基于它们的3对同日过空影像, 采用两种方法对其进行交互对比。 第一种方法是对整个试验区采用逐像元光谱比较法进行对比, 第二种是采用样区光谱均值比较法进行对比, 即在试验影像上选择一系列的样区, 然后以各样区的均值进行对比。 通过对两种传感器同步影像对的表观反射率进行回归分析, 获得各对应波段的回归散点图, 查明它们之间的定量关系, 并据此提出相互转换的关系方程。 研究结果表明, 两种对比方法得出的结果相一致, 但使用样区光谱均值比较法进行交互对比的结果的准确性更高。 GF-2 PMS2与ZY-3 MUX各对应波段具有很强的相关性, 其线性回归方程的决定系数(R2)都大于0.9, 但其值在蓝绿波段较高, 在红光和近红外波段有所下降, 表明两种传感器的表观反射率在蓝绿波段的一致性好于红光和近红外波段。 总体上看, GF-2 PMS2的信号强于ZY-3 MUX, 二者的信号差异在蓝、 绿光波段较大, 在红光和近红外波段较小, 但却明显受到地物类型的影响。 对于以裸土为主的影像, 两种传感器之间的差异随着波长的增大而逐渐减小, 而对于以植被为主的影像, 二者之间的差异却随着波长的增大而逐渐增大。 将纯植被与纯裸土的样区单独提取出来做进一步分析, 结果表明, 两种传感器的信号差异程度在红光波段主要受裸土影响, 而在近红外波段则主要是受植被影响, 且植被长势越旺盛, 两种传感器的表观反射率差异越大。 通过研究获得了两种传感器多光谱波段数据之间的相互转换方程, 并对其进行验证, 结果表明: 经过转换后的GF-2 PMS2数据与ZY-3 MUX数据之间的差异大大减小, 各波段均方根误差的均值降幅可达64.79%, 平均相对偏差率也有明显的降低。 这表明, 所查明的两种传感器的定量关系是有效的, 其对应波段的转换方程可以用于两种传感器数据的相互转换, 经转换后的数据更有利于这两种传感器数据的协同使用。 分析两种传感器数据的差异原因表明: 二者数据的差异主要是由于它们的光谱响应函数的差异和空间分辨率的差异引起的。 ZY-3 MUX的光谱响应函数曲线相对平缓, 没有明显的起伏波动, 而GF-2 PMS2则较不稳定, 在四个波段呈现出程度不同的起伏变化, 从而影响了二者表观反射率信号的一致性; 而GF-2 PMS2具有的4 m空间分辨率明显高于ZY-3 MUX的6m空间分辨率, 因此更容易捕捉到细小地物的光谱信息, 这也使得二者信号出现不一致。

针对资源三号卫星影像波段少、光谱范围受限的特点,提出了基于深度学习的资源三号卫星遥感影像的云检测方法。首先,采用主成分分析非监督预训练网络结构,获得了待测遥感影像特征;其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,该模型能很好地挖掘影像特征信息;最后,将影像特征输入支持向量机分类器进行分类,获得了云检测结果。选取典型区域进行云检测实验,并与传统Otsu方法进行对比。结果表明:所提方法的检测精度高,且不受光谱范围的限制,可用于资源三号卫星多光谱影像和全色影像的云检测。

针对资源三号卫星(ZY-3)多光谱影像特点, 提出了一种改进型反射率基法, 实现相机在轨辐射定标。 该方法以ZY-3 Level 1A 级影像为数据源, 建立严格的几何模型获取定标点处准确的观测几何参数, 降低因影像重采样和成像几何产生的误差对辐射定标精度的影响。 基于山东东营遥感综合实验, 利用两点法和多点法获取ZY-3多光谱相机在轨辐射定标系数。 与官方定标系数相比, 多点法的定标精度高于两点法定标精度。 通过分析各定标点与拟合直线间的离散程度后发现, 水体定标点的残差较大, 其中绿波段残差值约为67.39%。 以置信度95.4%为标准, 可将水体定标点判识为误差点。 在剔除水体后, 采用多点法获得的定标系数除近红外波段相对差异优于5%以外, 其他波段相对差异均优于2%。 该结果表明该改进型反射率基法能够获得精度可靠的绝对定标系数, 可以为其他类似卫星在轨辐射定标提供参考依据。

基于敦煌辐射校正场, 利用高、 中两类定标场地, 采用反射率基法对资源三号卫星多光谱传感器进行在轨场地绝对辐射定标, 获取多光谱传感器的2013年绝对辐射定标系数, 并与2012年定标结果进行对比分析。 同时, 利用2013年7月1日Landsat 8的operational land imager(OLI)影像对资源三号卫星多光谱传感器进行交叉定标, 验证定标系数的可靠性。 结果表明, 一年来资源三号卫星多光谱传感器各波段性能存在1%～8.5%的变化; 交叉定标和场地定标的结果有较好的一致性, 说明定标结果具有较高的可信度。

ZY-3是我国首颗民用高空间分辨率光学传输型立体测图卫星, 可为国土资源调查、 生态环境监测等发挥重要作用, 而大气校正是制约其广泛定量应用的关键问题之一。由于实测地面光谱数据和大气参数难以实时获取, 针对这种情况下如何反演得到高空间分辨率卫星精确的地表反射率这一问题, 基于2012年内蒙古野外实验实测数据, 对四种暗像元大气校正方法进行了分析与评价研究。分析了四种暗像元大气校正算法中的关键参数对ZY-3 CCD数据应用效果的影响, 结果表明: (1)四种暗像元大气校正方法在第1, 2和3波段均有明显的校正效果, 其中DOS4方法在第4波段大气校正效果最好, DOS1和DOS3方法在第4波段大气校正效果不明显, DOS2方法在第4波段大气校正效果最差。(2)DOS1方法大气校正结果在4个波段的相对误差均大于10%。DOS2方法在第1波段校正效果最好(AE=0.001 9和RE=4.32%), 而在第4波段校正误差最大(AE=0.0464和RE=19.12%)。DOS3方法大气校正结果在4个波段的相对误差均约10%左右。(3)DOS4方法大气校正结果在4个波段的绝对误差均小于0.02和相对误差均小于10%, 大气校正精度最高。