基于Contourlet域Krawtchouk矩和改进粒子群的遥感图像匹配

为了进一步提高遥感图像匹配的精度和运算效率,提出了一种利用Contourlet变 换、Krawtchouk矩和改进粒子群的遥感图像匹配算法。在分别对参考图像和目标图像进行Co ntourlet分解的基础上,引入Krawtchouk矩来提取图像的局部特征,并利用改进的带极值扰 动的简化粒子群优化算法对低分辨率的遥感图像进行匹配操作,然后逐级上推,
最终实现全分辨率情况下遥感图像的匹配。实验结果表明,该算法与目前常用的遥感图像匹 配算法相比,不仅具有更高的匹配精度和运算效率,还有较强的鲁棒性。
     

改进的光谱角法在Landsat-8 OLI影像土地利用分类中的应用

文章对光谱角法分类的原理进行了阐述和分析,提出了一种结合图像分割算法改进光谱角法的影像分类方法,采用改进的光谱角分类方法以陆地观测卫星-8陆地成像仪(Landsat-8 OLI)遥感影像数据为数据源对武汉市武昌区的土地利用情况进行分类,并对分类精度进行了分析。研究结果表明改进的光谱角分类方法对于Landsat-8 OLI数据分类效果较好,提高了影像分类的精度。     

旋转森林算法在GF-2卫星影像土地利用分类中的应用

"高分二号"(GF-2)卫星影像中精细的空间信息可用于高精度的土地利用分类研究。为了获取基于GF-2卫星影像土地利用分类的最优特征空间,以及将旋转森林算法应用于提高遥感影像分类精度中,文章利用GF-2卫星影像数据,基于光谱特征(4个多光谱波段和1个全色波段)、指数(植被指数、水体指数及简单比值指数)和变换成分(主成分、最小噪声分离成分与独立成分)构建特征空间,应用基于决策树的旋转森林算法构建面向对象的分类规则集,进行土地利用分类,并与最近邻和决策树算法的分类结果对比分析。结果表明,结合光谱特征、几何特征和纹理特征,采用旋转森林算法得到的分类总体精度为84.85%,Kappa系数为0.819;引入指数、变换成分后分类总体精度提高4.90%,Kappa系数提高0.058;相比于最近邻分类器和决策树分类器,结合旋转森林思想的决策树分类器总体精度分别提高11.97%和15.44%,Kappa系数分别提高0.142和0.184。研究结果可为中国高分辨率卫星影像的信息提取及基于旋转森林算法的土地利用分类研究提供参考。     

基于多层次特征的高分影像海岸带地物分类

针对高分辨率影像地物光谱丰富复杂的问题，文章提出了一种结合像元-对象-空间格局特征的水域、盐田等海岸带精细地物分类方法。首先基于像元和空间格局特征分别利用遗传算法优化随机森林参数进行分类；其次将两种分类结果采用D-S证据理论融合；然后基于不同地物斑块的空间上下文信息，采用粒子群算法优化支持向量机（Support Vector Machine，SVM）参数实现面向对象的二次分类。为验证方法的有效性，收集山东省莱州湾海岸带附近区域的“高分二号”卫星影像，开展了水域及水利设施用地、盐田、工矿用地、交通运输用地、住宅用地、沿海滩涂、海域与耕地8类地物的分类实验，总体精度达到97.21%，Kappa系数为0.964 2。实验结果表明，文章提出的高分影像海岸带地物分类方法兼顾像元、对象及空间格局特征优点，能够实现多层次细致分类，并同时兼具较短的训练时长与较高的分类精度。该研究成果可为中国海岸带生态环境监测与土地利用规划提供一定技术支撑。     

基于改进粒子群算法的红外灯阵自动优化设计

为提高航天器热试验用红外灯阵的设计效率、提升灯阵热流分布均匀性,提出一种基于粒子群算法的红外灯阵自动优化设计方法:建立红外灯单灯的热流分布数据库与灯阵位置参数的自动优化设计方法;并通过优化参数的重新选择和优化参数间约束条件的建立,改进传统的粒子群算法以提高设计效率。计算结果表明,相比遗传算法,使用改进粒子群算法进行灯阵优化设计用时缩减82%,而优化所得的热流分布均匀度仅低了0.77%。     

基于目标分解和SVM的极化SAR图像分类方法

极化SAR图像分类是新体制雷达应用研究中的一类基础前沿问题。文章提出了一种基于目标分解及支持矢量机(Support Vector Machine,SVM)的极化SAR图像分类方法。首先根据Cloude分解和Freeman分解两种方法提取极化SAR图像的多类散射特征,从而构造出图像各像素的特征向量。接着利用样本区域像素的特征向量对SVM进行训练,获得经训练的SVM。最后,以各待分类像素的特征向量为输入,利用经训练的SVM即可完成极化SAR图像的分类。对两幅AIRSAR实测极化SAR图像数据分类的结果表明,文章方法能够有效地利用多类散射特征的互补信息,具有较高的分类精度。     

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。     

运载火箭自适应增广控制参数优化整定方法

针对参数众多的自适应增广控制(Adaptive Augmenting Control, AAC)技术,提出了两种基于优化算法的参数整定方法,实现了对AAC控制器参数的合理设计。第1种方法是使用粒子群算法,通过设计合理的适应度函数,使得优化得到的参数在标称状态下尽量不影响系统,在有干扰的情况下提升系统的抗扰动能力。第2种方法是重新定义高低通滤波器,减少优化参数数量,使用遗传算法得到优化的参数可以加快计算速度。仿真结果验证了使用优化算法得到的参数的合理性。与PD控制系统相比,AAC控制能够提升抗干扰能力;与滑模控制系统相比,能够看到相同精度下AAC控制的控制指令更加平滑。将第2种方法中得到的参数与使用粒子群算法对比,使用遗传算法得到的参数具有更优的性能。     

基于粒子群优化支持向量机的测控设备校准间隔预测

针对计量保证方案中仪器校准间隔的预测问题,提出了基于粒子群优化支持向量机的预测方法。综合运用了粒子群优化算法对支持向量机的参数进行全局并行寻优的能力和SVM强大的非线性映射功能,具有很高的预测精度。实例验证表明,该方法具有较好的预测效果。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

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%。     

天基光学传感器动态成像配准方法研究

图像配准是天基光学动态成像处理中的关键技术,在遥感侦察等领域有着重要应用。对星空背景和地球大气背景下天基目标探测中的图像配准问题进行研究。针对星图配准建立了部分平均Hausdorff距离(PMHD),并定义了一种新的相似性匹配测度,利用序贯岭回归估计方法实现快速配准;针对地球大气背景图像配准,通过改进的Harris角点检测亚像素定位提取特征点集,基于PMHD利用粒子群优化(PSO)算法实现图像的精确配准。仿真实验表明:提出的星图配准方法具有实时性和亚象元配准精度,联合PMHD和PSO的大气图像配准具有良好的配准精度和较强的抗噪干扰能力。     

改进PSO优化WNN的液体火箭发动机故障检测

提出一种改进粒子群优化的小波神经网络模型,将其应用于火箭发动机的故障检测研究。针对传统粒子群算法初期容易陷入局部最优的问题,改进粒子群算法的惯性权重和学习因子,采用逐渐递减的选取方式。进行动态调整后的粒子群算法有利于在初始迭代时寻找满足条件的局部最优值,在寻找到局部最优值之后能够快速地收敛逼近于全局最优值,提高运算效率。此外,为了提高小波神经网络的学习速率,对所采用的小波神经网络权值和小波基函数参数增加了动量项。两种算法相结合,最终提出一种改进粒子群算法(IPSO)与小波神经网络(WNN)结合的模型。最后根据MATLAB仿真和数据分析表明,新算法可以很好地用于液体火箭发动机的故障检测研究,并且IPSO-WNN模型比BPSO-WNN和WNN模型后期具有较快的局部收敛能力,预测更加准确。     

基于粒子群算法的多波位高度估计方法

为解决雷达斜视模式下对目标区域的高度估计问题,提出了一种基于粒子群算法的多波位高度估计方法。利用粒子群优化算法建立约束条件和目标函数,通过多次迭代使目标函数趋于一个最优值,同时得到高度的最优解。利用粒子群优化算法求解多波位测高方程组可减小方程组近似处理误差。此外,利用粒子群优化算法可随时更改波位数目,增强了该测高方法使用的灵活性,有效提高了高度估计精度。通过理论仿真和实测数据仿真分析,验证了粒子群优化算法在求解多波位测高方程组时的有效性。结果表明:该方法具有较高的高度估计精度。     

基于小波阈值降噪和经验模态分解的高光谱图像分类算法

为了充分降低高光谱图像中的噪声以获得高精度的分类结果,本文结合小波阈值降噪(WTD)和经验模态分解(EMD)的优点,提出了一种基于小波阈值降噪-经验模态分解的高精度支持向量机(SVM)高光谱图像分类算法(WTD-EMD-SVM)。首先对高光谱图像进行小波阈值降噪,除去高光谱数据中的高频噪声;然后再对高光谱图像进行EMD,获得含有高光谱数据本质特征的内固模态函数(IMF)和含有低频噪声的残差;最后采用内固模态函数重构高光谱图像,并对高光谱图像进行SVM分类。将其应用到AVIRIS数据92AV3C,仿真结果表明该算法不仅提高了高光谱图像分类精度,同时可减少支持向量数目,以提高高光谱图像分类速度。     

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。     

基于统计分析的有限元模型修正

响应面模型代替有限元模型进行修正便于与粒子群算法等优化算法结合,有利于提高修正效率和精度。文章用某雷达卫星的简化有限元模型计算基于正交设计的各水平参数下模态频率,用方差分析确定待修正参数并构造二次响应面模型,用最小二乘法确定多项式系数,以响应面计算结果与实测结果的差值构造适应度函数并用之引导含混沌搜索机制的改进粒子群算法对待修正参数的偏移量进行寻优,修正后参数代入原有限元模型得到修正模型。修正后模型不仅能以高精度复现测试频段内的模态频率,而且能以一定精度预测测试频段外频率,证实了修正方法的有效性。     

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。     

一种面向对象的机场跑道变化检测方法

利用遥感影像变化检测技术获取机场跑道变化信息,可以为机场跑道打击效果评估等多种军事应用提供决策支撑。为了快速、准确的检测出机场跑道的变化区域,并定量、定性的获得变化属性,文章以"资源三号"卫星影像为例,提出了一种新的面向对象的机场跑道变化检测方法。首先,将经过配准处理的前后时相遥感影像进行多尺度分割,分割尺度利用尺度参数估计(Estimation of Scale Parameters,ESP)算法确定;之后,利用影像分割结果对不同时相的对象进行切割,形成前后时相上位置、大小一致的对象单元,再利用不同时相对象间的变化向量大小确定变化区域;最后,利用特征空间优化之后的特征集合对已确定的变化区域对象进行监督分类,获得机场跑道内部各对象的变化属性。结果表明:在变化区域的检测上,该方法避免了单张影像的分类过程,可有效提高检测效率;在变化类别的检测上,该方法在检测出的变化区域基础上进行分类,可大幅提高变化类别的检测精度,并且能够获得更为丰富的变化属性和满足快速准确检测机场跑道相关变化的信息。     

基于分类字典学习的遥感图像超分辨率方法

传统的超分辨率方法存在图像重构时间长,重构质量有待改进的问题。因此,文章针对遥感图像对传统的超分辨率方法进行了改进。主要利用原始图像的局部二值模式(LBP)纹理特征对图像进行分类识别,学习分类字典,并使用对应类别字典对低分辨率图像进行超分辨率重构。该方法的优势在于既加快了重构速度,又有效改善了重构图像的质量。试验结果证明了该方法相对于传统方法的优越性。