卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于高光谱图像分类的残差密集网络模型。残差密集网络结合了残差网络和密集网络,包括浅层特征提取、残差密集单元和密集特征融合三部分。利用卷积操作提取原始图像的浅层特征,将浅层特征作为残差密集单元的输入,残差密集单元的输出与下一个单元中每个卷积层的输出建立短连接,实现了信息连续传递;将两个单元提取的密集特征与浅层特征相加形成全局残差学习,实现了所有分层特征的融合,最终的融合特征用于高光谱图像分类。实验表明,本文方法用于Indian Pines数据、University of Pavia数据及Salinas数据能够分别取得98.71%、99.31%及97.91%的分类精度,有效提高了高光谱图像的分类精度,增强了分类方法的稳定性。

针对光学线阵遥感影像几何定位中, 系统误差改正参数对应系数矩阵存在误差的问题, 提出了一种基于正则化总体最小二乘的光学线阵遥感影像定位方法。首先依据有理函数模型的定义, 构建共线条件方程, 利用线性化构建光学线阵影像定位方法和系统误差改正方法, 然后依据EIV模型的定义和性质构建相应的优化目标函数, 并引入正则化项, 依据Lagrange条件极值原理推导基于正则化总体最小二乘的系统误差参数迭代估计方法。实验结果表明: 与经典的最小二乘平差算法相比, 该方法的总体定位精度提高了11.61%, 且比Tikhonov正则化法的定位精度平均提高了6.06%。本文提出方法在不增加任何额外控制信息的情况下, 是提高光学线阵影像定位精度的有效途径。