提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先, 通过多层卷积神经网络对遥感图像进行卷积和池化处理, 得到每幅图像的特征图, 抽取高层特征构建图像特征库; 在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后, 借助Softmax分类器在图像检索阶段对查询图像引入类别反馈, 提高图像检索准确度, 并根据查询图像特征和图像特征库中特征向量之间的距离, 按相似程度由大到小进行排序, 得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验, 结果显示: 针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约984%, 增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%; 类别信息的引入有效提高了遥感图像的检索速度和准确度, 检索时间减少了约17.6%; 与颜色、纹理、词袋模型的对比实验表明, 利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息, 因此在目标探测领域具有独特的应用优势。 传统的高光谱遥感影像目标探测侧重于光谱信息的应用, 形成了确定性算法和统计学算法。 确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标, 不能检测亚像素目标, 而且容易受到噪声的影响; 统计学目标检测计算背景统计特性, 通过探测异常点来检测目标, 可以检测亚像素目标和小目标, 但容易受到目标尺寸的影响, 不能很好的检测大目标。 随着高光谱遥感影像的空间分辨率的增加, 探测目标已有亚像素目标逐步转换为单像素及多像素目标, 此时, 在高光谱图像中, 相同类别的地物在空间分布上呈现聚类特性, 因此, 在利用高光谱遥感影像进行目标探测时, 需要将其空间信息融入算法中。 将空间特征引入传统目标探测算法。 提出了一种新的空谱结合的高光谱目标探测算法, 将传统的基于统计的目标探测算子与空域邻域聚类算法相结合, 首先利用目标探测算子将影像划分为潜在目标区域与背景区域; 通过计算潜在目标区域的质心, 以质心为中心进行邻域聚类, 剔除潜在目标区域中的背景区域, 通过迭代计算获取最终目标探测结果。 传统的基于统计的目标探测算子, 将整个探测区域定义为背景区域, 实现对背景区域的统计特征提取, 而该方法将背景区域与潜在目标区域分离, 剔除了目标区域对背景区域的统计干扰。 将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知, 该算子的大目标探测性能优于传统的统计算子。

提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。

本文针对城市建筑物的特点，提出融合 Hessian-Affine和 MSER的仿射协变区域检测方法，利用重复误差筛选高度相关的不同类型区域，根据仿射匹配性分值选择性删除冗余区域，并采用平均重复率、平均匹配区域数进行综合评价分析。实验结果表明，提出的算法将两种检测子互补使用，对于各种仿射变换下的建筑物检测准确率较高，冗余少，适用于城市遥感的实际应用中。Urban Remote Sensing Images

针对嫦娥一号(CE-1)干涉成像光谱仪影像中的条带噪音,通过常用的频域滤波方法和线性插值法进行了干涉成像光谱仪条带去除试验,并提出结合了三阶插值的改进线性插值方法.对噪音点定位后,根据图像中噪音点上下行相应点的数值差别是否超过预设阈值,确定是采用线性插值还是三阶插值算法,修正噪音点像素值.实验结果的均值和标准偏差以及图像质量因子(IQ因子)的比较表明:改进的方法IQ值达到13.908 1,而线性插值算法为9.842 8,改进的线性插值方法在去除干涉成像光谱仪影像条带噪音方面明显优于线性插值方法.

提出了一种由九个孔径组成的稀疏孔径结构.给出了该孔径结构的光瞳函数,并分析了其孔径结构的特点.具体对不同填充因子时的新结构进行了仿真,得出了新型稀疏孔径结构的调制传递函数的分布特点,以及系统的等效直径和调制传递函数的变化情况.对新型稀疏孔径结构与三臂结构进行了比较和分析,新结构的传递函数分布比较均匀,对频域有较大的覆盖面积,系统的等效直径较大.新结构在等效直径和调制传递函数的均匀性方面优于所比较的三臂稀疏孔径结构,新结构在成像性能方面具有一定的优势.