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。     

基于全局—局部特征联合的光学卫星遥感图像舰船目标细粒度识别

针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型。首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网络识别局部重点区域特征的能力,提取目标局部特征;最后,将全局特征和局部特征进行融合,利用全连接层对特征进行降维处理去除冗余信息,增加鲁棒性,并利用融合特征完成分类任务。实验表明,该方法可以兼顾全局特征和局部特征,在FGSC-23舰船目标数据集上准确率达到86.36%,优于其他方法。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。     

基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。     

光学遥感卫星地面图像数据测试的局限及解决方法初探

分析现有的可见光遥感卫星图像数据测试方法中存在的问题,提出一种卫星图像数据自动高效全覆盖测试技术方法,实现测试系统的实时性、正确性及可视化能力,进一步提高检测效率,完善卫星地面测试的测试覆盖性。同时,为后续光学遥感卫星研制提供高效、高可靠的地面检测支撑,并为可见光遥感卫星在轨正常、可靠、长寿命的运行,获取有效图像数据提供了重要手段和方法。     

应用Landsat-8卫星遥感图像的青海地区土壤分类研究

遥感技术的迅速发展和应用,为土壤分类提供了新的技术与数据支持,文章提出一种利用陆地卫星-8(Landsat-8)遥感图像的土壤分类方法,用于青海地区土壤分类,所提取的特征包括4种,即基于遥感图像的变换特征、指数特征、纹理特征和基于高程图像的地形特征,通过随机森林方法实现土壤分类。文章首先提出2个基于遥感图像的纹理特征——熵与平滑度,从中国土壤数据集中自动提取了16 444个数据点,并在试验中采用,充分验证了此分类方法的有效性。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

基于U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

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。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

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。     

一种基于SAR图像鉴别的港口区域舰船目标新方法

鉴于遥感卫星动态监视港口内舰船的需要,提出了一种SAR图像港口内舰船鉴别方法。针对港口内舰船目标散射特性,首先进行舰船目标鉴别特征的提取,包括已有鉴别特征的提取和新特征的提取;其次,在特征选择阶段,利用特征对目标与杂波的可分离性度量优选出鉴别效果明显的有效特征,并得到最大分离性对应的最优特征向量权重;最后,为了提高鉴别器的精度,设计了加权最小距离分类器。试验结果表明了所提方法的有效性。     

基于GPU的高光谱遥感主成分分析并行优化

主成分分析（principal component analysis, PCA）是高光谱遥感图像特征提取的重要方法。为了在保证精度的同时,提高高光谱遥感PCA算法的计算效率,文章提出一种基于图形处理器（graphic processing unit,GPU）＋中央处理器（central processing unit,CPU）异构系统的PCA并行优化方法。该方法利用GPU的并行计算能力实现PCA中复杂的协方差矩阵计算与维数缩减过程,优化了像元去均值的计算流程;解决了GPU内核计算像元累加和非合并访问问题;利用共享内存机制,提高了访存效率。此外,该方法采用改进的Jacobi快速迭代法在CPU中进行特征分解,保证了算法的精度。实验结果表明,该方法在保证精度的同时能够有效提高计算效率,在Quadro600平台上的加速比达到141倍,满足了高光谱遥感图像实时应用的需求。     

改进暗通道遥感影像去雾方法及效果分析

遥感影像的预处理工作是遥感数据应用的基础。去除云雾是影像预处理工作的重要组成部分。针对遥感影像雾霾浓度分布不均匀的问题,提出一种改进的暗通道遥感影像去雾方法。以"高分一号"(GF-1)卫星为例,根据影像灰度图中的灰度值对影像雾霾浓度区域进行划分,对每个区域中暗原色值的获取方式进行改进,使用导向滤波优化大气传输率,以归一化植被指数(NDVI)为基础,设计用于评价影像去雾质量的定量指标。结果表明:所提出的方法能明显去除雾霾干扰,有效改善卫星影像数据的视觉效果,增强影像细节。该方法去雾处理后的遥感数据能应用于定量遥感,提高遥感影像的可用性及有效性。     

关于星载光学遥感相机信噪比指标的讨论

星载光学遥感相机信噪比是仪器的一个非常重要的性能指标,信噪比的大小对测绘高程定位精度有很大影响。文章通过计算机仿真实验定量研究了光学遥感相机信噪比与测绘卫星高程定位精度之间的关系,包括三维地物模型建立与模拟成像、特征点提取与匹配、高程值计算等。实验结果表明在计算机仿真得到的理想图像中,当图像调制传递函数值为0.15时,信噪比应大于35dB才能满足测绘高程定位精度的要求。考虑到遥感相机在轨运行时大气和真实场景的影响,光学遥感相机信噪比应大于40dB。     

地球观测网络成像任务可调度性预测方法

为了能够快速、合理地分配成像任务,充分发挥对地观测网络的观测效能,对成像任务可调度性预测问题进行了研究,提出一种由协同任务分配组件、任务调度组件、特征提取组件以及任务可调度性预测组件所构成的组件化求解架构。在成像卫星经典调度模型的基础上,提取成像任务特征,并采用变隐含层节点的反向传播（BP）神经网络集成技术求解成像任务可调度性问题。仿真结果表明,集成BP神经网络的平均预测准确度可以达到85%以上。     

基于SAR景象不变特征点的匹配定位技术研究

针对精确制导领域中的SAR景象匹配定位技术中由于实时图与基准图可能存在形变、分辨率不一致,图像旋转及雷达视角变化及噪声的影响下差异较大情况时直接利用基于灰度的规则正交二维信息匹配算法适应性差的问题,将不变特征点匹配方法(Scale Invariant Feature Transform,SIFT)应用到SAR景象匹配中,通过仿真实验取得了满意的效果,试验结果表明SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、噪声也保持一定程度的稳定性,对提高匹配概率和对不同图像的适应性,降低应用风险具有借鉴意义。     

Landsat-5遥感卫星波段组合与比值分析在汶川地震前后的应用

文章在遥感图像处理软件ENVI的支持下,以汶川地震的极重灾区汶川县为研究区,选取2007年、2008年和2010年这3个时期的Landsat-5 TM数据为数据源,提取分析了地震前后TM数据的相关信息。利用相关系数矩阵、特征向量和特征值,按照最佳波段组合原则,对地震前后的TM影像进行了多种波段组合试验和比值分析。经分析得出以TM3、TM4、TM5波段组合为基础,参考其他组合（如TM1、TM4、TM5,TM4、TM2、TM7和 NDVI、TM5/TM3、TM4/TM3的组合）容易解译和判读 TM遥感影像的相关地物数据类型,为地震解译和灾害评估提供了理论依据和支撑。