基于深度学习的遥感图像目标检测方法及系统设计

为解决传统的目标检测算法难以满足遥感图像数据爆发式增长需求这一问题，文章提出基于深度学习的遥感图像目标检测系统软件。首先，为给深度学习网络训练提供高质量的样本数据，在GIS平台上实现了样本标注功能和数据集兼容性转换功能，并提供图像预处理方法对样本进行扩充；其次，针对遥感图像场景分类与遥感图像特定目标检测，应用深度学习技术，分别实现了模型训练、迁移学习、目标检测等功能；最后，采用了形态学处理、矢量化、直角化约束等方法，对遥感图像场景分类的效果进行改善。实验结果表明，文章的遥感图像目标检测系统在遥感图像场景分类方面取得了85%的分类精度，在特定目标检测方面取得了95%的检测精度，明显优于传统的遥感图像处理方法。该系统软件满足目标检测应用需求，能够为遥感影像分类、信息提取、变化检测等任务提供技术支持。     

光学遥感图像船只目标检测识别技术

船只目标检测识别技术是现阶段遥感图像研究领域的一个重要发展方向。随着国产高分辨率卫星的快速发展，高分遥感卫星陆续发射，基于光学遥感图像的船只检测识别技术会逐步成为研究热门。主要介绍了近年来基于光学图片的船只检测识别技术发展、以及当前技术存在的问题。当前基于深度学习的船只目标检测识别技术取得了较好的检测效果，成为主流研究方向，但在光学遥感图像船只检测领域基于深度学习的方法有一些基本问题限制了检测效果，对这些问题进行了归纳总结，并对未来光学遥感图像船只检测技术的发展进行了展望。     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。     

星载云检测算法的FPGA实现

对于光学遥感卫星而言,云的存在遮挡了地物,对卫星图像数据获取的质量造成了很大影响。对云进行实时有效的检测,可以把云图识别并分离出来,根据卫星的不同需求进行分类处理。一方面,为了减轻卫星数据传输通道的压力,云图可以不对地面传输;另一方面可以对云图进行高倍数压缩,由此节省出来的数据量可以给非云图像提供更高的压缩质量。提出的一种云检测FPGA实现方法,检测效果良好,厚云检测率达到97%,目前已成功应用于多颗卫星。     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点,有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用,其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷,是高光谱云检测研究的关键问题。为此,提出了一种多尺度特征融合的U型结构网络,模型首先利用残差模块进行特征编码,并将编码进行多尺度融合,在网络的跳跃连接处引入了坐标注意力机制提取有用信息,最后通过残差解码得到输出结果。实验前首先利用主成分分析降维,将高光谱数据重构为4维影像数据,然后通过数据标注与数据增强,建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数,随后利用构建的数据集进行迁移学习。实验结果表明,对于所建立的珠海一号高光谱云检测数据集,所提方法的像素准确率达到92.28%,可以实现高精度的高光谱遥感影像云检测。     

基于云空间分布的遥感影像应用场景评估方法

当前云覆盖遥感影像的可用性筛选方法,通常仅考虑总体云量覆盖率,易导致影像利用率低的问题。文章提出一种云空间分布的遥感影像应用场景评估方法:首先采用光谱阈值法提取初始云区范围,并利用数学形态学方法优化初始云区范围;然后利用地理国情监测数据作为云下地表覆盖先验数据,结合云区检测范围,以单景遥感影像为单位,得到影像的可视云下地类图和云遮挡、云区连片度指标;最后结合定性和定量的评价指标,综合评估得到单景影像的优势应用场景。文章以两景不同地区的"高分"系列卫星数据对该方法进行实验,结果表明:该方法为影像筛选提供了多维度云遮挡评价指标,能够有效评估单景遥感影像的优势应用场景,可以有效地提升云覆盖遥感影像的利用率。     

基于支持向量机的无参考遥感图像质量评价方法

针对遥感图像主观评价方法的低效率以及常用客观评价方法无法充分考虑人眼对图像的感知特性的问题,文章提出了一种基于支持向量机的无参考遥感图像质量（quality）评价方法。首先建立遥感图像主观评价库,然后在不需要图像失真信息的基础上,利用支持向量机（SVM）将图像的失真类型分为三类,并对每类进行单项评价,再通过加权得到遥感图像的总评分,最后将本文方法、信噪比与信息熵的评价结果回归到主观评价空间并进行对比。实验证明,文章所提方法能客观地评价遥感图像的质量,且优于信噪比和信息熵两种质量评价方法,其结果与人眼视觉感受相符。     

一种遥感图像建筑物检测新方法

遥感图像中的建筑物检测对于土地规划和地图绘制等具有重要意义。文章针对高分辨率全色遥感图像植被覆盖中隐蔽建筑物检测问题,提出了一种结合屋顶结构信息和纹理信息的快速房屋检测方法。首先利用屋顶边缘的几何关系寻找具有矩形屋顶的建筑物;然后使用形态学方法提取屋顶较亮的建筑物;最后利用局部二值模式（Local Binary Pattern,LBP）描述屋顶的纹理特征,并利用支持向量机（Support Vector Machine,SVM）排除误检区域。通过在全色遥感图像集上的试验证明,所提方法对高分辨率遥感图像植被覆盖区域中的建筑物目标具有较高检测率和较低误检率。     

基于U形结构提取的港口目标检测研究

遥感图像中港口目标的检测是目标识别研究的重要方面,准确、高效地自动提取港口目标对于提高遥感图像自动解译能力具有重大意义。文章提出一种基于U形结构单元提取的遥感图像港口目标检测的方法。首先利用梯度算子和灰度相似性聚类分割海洋和陆地区域并提取粗略海岸线,再根据内港区域的封闭特性提取疑似区域,在分析内港区域结构的基础上,引入U形结构元的概念以及提取算法来对疑似区域进行确认。试验表明,该方法检测的港口目标准确率较高,速度较快,能够满足民用和军事识别的需求。     

星载主动遥感气溶胶-云参数技术需求与进展

面对越来越迫切的气象和气候预测及大气环境监测需求，利用主动星载仪器在全球范围内探测云和气溶胶参数成为快速发展的研究领域。相比被动遥感仪器，主动仪器可以获取云和气溶胶参数的垂直分布信息，这将在天气气候模式的改进方面发挥重要作用。通过云和气溶胶遥感需求分析，从雷达数据应用角度，首先介绍了数值模式对云和气溶胶的科学参数需求和定量需求，进一步分析了云和气溶胶联合观测的需求，以及星载微波激光雷达的探测特点；然后对国内外正在规划的星载云和气溶胶微波激光雷达探测任务进行了综述，包括仪器指标和数据产品设计；最后展望这一领域的应用前景。     

太空非合作遥感卫星三维重建点云的平面滤波方法

受太空环境光照条件弱、卫星高速运动、卫星表面纹理匮乏等因素的影响,太空非合作遥感卫星的三维重建点云中往往会存在大量噪声,给太空非合作目标的准确探测带来了非常不利的影响。文章以非合作遥感卫星的形状特征作为先验知识,提出一种三维重建点云的平面滤波方法。针对点云噪声的不同特点,首先利用统计分析滤波方法消除离群离散点噪声;其次,利用改进的区域生长聚类方法,分割出点云模型中的平面结构与离群点簇噪声;然后,分别用RANSAC算法和最小二乘法对平面结构进行滤波,并将平面结构附近的噪声点垂直投影至平面内,去除模型表面噪声。实验结果表明,该优化方法可以有效去除非合作遥感卫星三维重建点云中的大部分噪声,得到卫星平面结构的光滑点云数据。     

FY-4 Meteorological Satellite

FY-4 is the second generation of Chinese geostationary satellite for quantitative remote sensing meteorological application. The detection efficiency, spectral bands, spatial and time resolution have been greatly improved with respect to those of first generation, as well as the radiometric calibration and sensitivity. The combination of multichannel detection and vertical sounding was first realized on FY-4, because both the Advanced Geostationary Radiation Imager(AGRI) and Geostationary Interferometric Infrared Sounder(GIIRS) are on the same spacecraft. The main performance of the payloads including AGRI, GIIRS and Lightning Mapping Imager, and the spacecraft bus are presented, the performance being equivalent to the level of the third generation meteorological satellites in Europe and USA. The acquiring methods of remote sensing data including multichannel and high precision quantitative observing, imaging collection of the ground and cloud, vertical observation of atmospheric temperature and moisture, lightning imaging observation and space environment detection are shown. Several innovative technologies including high accuracy rotation angle detection and scanning control, high precision calibration, micro vibration suppression, unified reference of platform and payload and on-orbit measurement, real-time image navigation and registration on-orbit were applied in FY-4.     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。     

美国云和气溶胶星载激光雷达综述

气溶胶的探测,尤其是全球范围内气溶胶的探测,不仅对预测未来气候的变化有重要帮助,而且可以对遥感图像的大气校正提供重要大气参数,而星载激光雷达则是实现全球气溶胶探测的最有效的手段。美国是星载激光雷达的先行者,在气溶胶探测方面,它先后实施了LITE和CALIPSO两项计划。LITE试验的成功,验证了天基激光雷达的可行性,而CALIPSO上激光雷达CALIOP的在轨正常运行,则实现了星载激光雷达的应用。文章着重介绍和评述了美国云和气溶胶星载激光雷达的发展、收发装置以及观测结果等。