1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新123000
2 国家测绘工程技术研究中心, 北京100039
3 南京大学地理与海洋科学学院, 江苏 南京210023
4 国家测绘地理信息局卫星测绘应用中心, 北京 100048
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。
遥感 云检测 深度学习算法 主成分变换 资源三号卫星影像
为了提高复杂场景弱小目标高光谱融合图像的质量, 提出了基于相似性分类的主成分融合方法。光谱数据像素向量的相似性测度分类产生类矩阵, 通过由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据, 获得降维数据矩阵。对比了传统PCA与基于欧式距离分类的PCA(ED_PCA)、基于光谱角分类的PCA(SA_PCA)、基于光谱信息散度分类的PCA(SID_PCA)和基于正交投影散度分类的PCA(OPD_PCA)四种改进方法的融合性能。实验结果表明: SA_PCA和SID_PCA方法兼具了ED_PCA和OPD_PCA的优点, 对比度提升较好, 阈值参数不敏感, 运行时间较短。
主成分变换 相似性测度 像素分类 光谱图像融合 principal component analysis (PCA) similarity measures pixel classification spectral image fusion
1 西北工业大学,自动化学院,陕西,西安,710072
2 电子科技大学,自动化工程学院,四川,成都,610054
研究了一种将变换矩阵分解为三角元素可逆矩阵(TERM)实现的主成分变换整数近似算法(IPCT).为限制误差和提高计算效率,改进了TERM分解中选择主元的方法.结合可逆整数PCT和三维Tarp编码技术,提出了一种新的高光谱图像无损压缩算法.该算法在进行空间维小波变换以后,利用改进的IPCT去除谱间相关;在编码阶段,新颖的三维Tarp编码器能利用五个简单的递归滤波器进行概率估计,以驱动一个非自适应算术编码器,对变换系数的显著性映射和细化信息进行熵编码.该算法复杂度较低,能够产生嵌入式码流,并且较已有的算法能获得更高的压缩比.
高光谱图像 无损压缩 整数主成分变换 三维Tarp编码
