基于几何定位一致性的星载多光谱影像配准精度分析

多光谱影像波段配准是高分辨率光学遥感卫星多光谱相机数据预处理的关键环节,其配准精度直接影响影像产品的融合、解译等应用。文章首先从理论上深入分析了影响基于几何定位一致性多波段配准方法精度的因素,然后利用"资源三号"(ZY-3)卫星多光谱相机影像数据,并结合像方配准方法进行了对比实验验证。实验结果表明,当平台无震颤或存在微小震颤时,基于几何定位一致性多波段配准方法精度优于0.2像元,能满足高分辨率遥感卫星多光谱影像高精度配准需求。     

“高分二号”卫星数据面向对象的海岸线提取法

"高分二号"(GF-2)卫星的成功发射是中国遥感事业发展的重大突破,标志着中国遥感卫星进入亚米级时代。由于兼具高辐射精度、高定位精度和快速机动能力等特点,GF-2卫星数据应用于海岸线提取将极大提高提取的精度和速度。现有的遥感解译海岸线方法主要有阈值分割法、边缘检测法、区域生长提取法、神经网络法和面向对象法等,其中面向对象法是一种新兴的遥感图像解译方法,该方法通过对影像的分割,使同质像元组成大小不同的对象,从而实现较高层次的遥感图像分类和目标地物提取。文章以深圳大鹏半岛GF-2卫星数据为例,通过对影像进行正射校正、配准、融合和裁剪等预处理,再采用面向对象方法对海岸线进行了提取,并对入海河流河口处的海陆分界线划分进行了初步研究。研究结果表明,将海岸线提取结果与GF-2卫星遥感影像叠加进行验证,结果可靠,且所耗时间短,效率高。     

“高分一号”卫星遥感影像面向对象的水边线提取

水边线提取对揭示沿海地区自然资源管理状况和人工海域使用程度具有重要的指示作用。文章以津冀地区沿海城市海岸带为例,选取"高分一号"卫星数据为遥感数据源,首先对数据进行了辐射校正、几何校正、影像融合和裁剪等处理,然后采用面向对象的目标提取技术自动提取了研究区内大范围的水边线,并在充分了解不同海岸类型的遥感解译标志的基础上对提取的岸线进行了分类。结果显示研究区的岸线类型主要以砂砾质岸线、养殖/盐田岸线和港口码头岸线为主。在分类结果的精度验证过程中,以与"高分一号"卫星相近时期的亚米级遥感影像为底图,以目视解译的方式从中提取高精度的海岸线,并将目视解译的结果与从"高分一号"卫星数据中提取到的岸线进行对比。通过比较发现,两者位置、长度等基本吻合,从而证明了该海岸线提取方法对高分辨率遥感影像的有效性。该方法为基于"高分一号"卫星遥感数据进行大范围海岸的水边线提取提供了技术支撑,也为实现中国海岸线的定期自动更新奠定了基础。     

遥感应急目标影像自动检测及制图方法

针对点目标检测的应急响应,提出一种适用于该类场景的通用应急目标影像自动检测及制图方法,能实现主目标提取与轮廓分析相结合,从而快速提取应急目标。通过改进的分水岭分割算法提取主目标信息,对分割结果进行轮廓结构分析,形成应急响应专题图。在突发事件产生水坑的应急实例中,选取高分二号卫星影像数据,在汶川山体滑坡应急实例中,选取高分一号卫星影像数据,均获得了良好的提取效果。其中,应急水坑检测的误差率是1. 2%,山体滑坡检测的误差率是1. 7%,表明文章提出的方法能很好地满足应急响应中点目标检测的需求。     

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%。     

国产光学卫星影像几何精度研究

受卫星设计和关键硬件制造水平的限制,我国高分辨率光学卫星影像的自主几何定位精度与国际先进水平仍有一定差距。针对在轨的国产光学卫星的影像几何精度问题,文章从误差源分析入手,提出了国产光学卫星影像几何精度提升理论和方法,通过在卫星数据处理过程中自动检测、消除包括设备安装,姿态、轨道测量,相机畸变,时间同步等多种误差,提高了卫星影像的几何精度;并对高分辨率卫星数据的几何精度提升状况进行了验证。结果表明:经过所提出的几何精度提升方法处理后,国产卫星的带控制点影像几何定位精度均可达到1.5像素,显著优于原设计指标。     

“高分二号”卫星数据遥感滑坡灾害识别研究——以云南东川为例

标志着中国遥感卫星进入亚米级"高分时代"的"高分二号"(GF-2)卫星在太原成功发射,它将为地质灾害调查提供可靠的数据支持。文章以滑坡灾害频发的云南东川区为研究对象,首先对GF-2卫星采集的研究区数据进行正射校正、配准、融合和裁剪等预处理;然后采用面向对象的分类方法,通过影像分割、合并分块,并结合滑坡灾害的光谱、纹理和数字高程模型等多种信息特征,建立滑坡灾害识别规则,实现滑坡信息的遥感分类;最后对分类结果进行误分对象剔除,得到研究区滑坡信息。结果显示,利用GF-2卫星数据可以较好地提取滑坡灾害信息,基本满足滑坡的灾害识别要求。文章通过面向对象的滑坡灾害特征提取所输出矢量结果可以方便地计算出滑坡的面积,对滑坡研究提供了极大的便利。     

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征（Speeded Up Robust Features,Surf）算法对＂资源三号＂卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。     

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。     

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。     

星上遥感影像在轨处理进展研究

从星地数传、高时敏任务等对星上遥感影像在轨处理的需求出发,本文对美国、欧洲以及国内主要的星上遥感影像在轨处理进展进行了研究;以此为基础,结合星上遥感影像在轨处理框架与深度学习等智能处理技术,分析了高性能星上智能处理平台构建、基于深度学习的遥感影像在轨智能处理、多源遥感影像数据在轨融合处理、星地协同数据处理及在轨更新等星上遥感影像在轨处理关键技术;最后,对星上遥感影像在轨处理未来发展趋势进行了总结,为进一步提升遥感卫星在轨应用效能提供参考。     

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。     

一种星上微振动引起像移量的测量方法

基于多色CCD各谱段分时成像的特点,提出一种高分辨率光学遥感卫星星上微振动引起像移量的测量方法。该方法依据多色CCD不同时刻获取地面同一景物的不同谱段图像间的匹配像移量差异,确定星上微振动引起的像移量。研究实例证明了文章提出方法的可行性,结果表明,频率越低,微振动引起的像移量越大,因此,应对高分辨率光学遥感卫星的微振动,尤其是低频部分进行有效抑制。     

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。     

顾及不确定性分析的多数投票 SAR 影像变化检测

合成孔径雷达（Synthetic Aperture Radar，SAR）影像变化检测是遥感领域的一个重要研究方向。文章以投票法（Majority Voting，MV）为基础，提出一种全新的顾及不确定性分析的SAR影像变化检测方法（Uncertainty Analysis-based MV，UAMV）。首先选取三组典型的差分影像生成算法，生成三组互补的差分影像。然后使用模糊C均值聚类估算每组差分影像的关于变化类和未变化类的模糊隶属度函数。最后用模糊集合和信息熵理论优化MV，构建顾及不确定性分析的多数投票法，并用所构建方法融合三组差分影像的模糊隶属度函数，生成变化检测图。为验证文章方法的有效性，通过三组真实SAR影像数据进行实验分析。实验结果表明：1）通过用信息熵分析MV融合过程中的不确定性，能够显著提高MV的变化检测性能；2）与7种现有相关算法相比，UAMV方法能够取得更优的变化检测结果。该研究为SAR影像变化检测提供一种新的思路和方法。     

地基光学图像中本体-帆板结构航天器姿态估计方法

提出一种利用地基光学图像估计空间目标姿态的方法。针对本体-帆板结构航天器外形结构特点，定义了一种不易遮挡的两轴结构特征，设计了地基光学图像中该特征的提取方法；根据航天器成像过程建立了特征点二三维几何投影方程，实现了航天器三维姿态的解算。利用单站序列图像，可获得航天器姿态变化角速度信息。在轨航天器的试验结果表明，本方法能有效地从地基光学图像估计出航天器姿态。     

基于YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。     

一种新的卫星光学立体测量技术

提出了一种新的立体影像解析方法。在卫星轨道特性和相机交会角已知的条件下,根据对同一地物的摄影时间差提取高度信息,进而确定其三维空间位置。建立了不考虑/考虑地球自转的地物高度测定,以及位置确定模型,给出了地物空间位置计算的流程。讨论了地物高度的测量误差和对卫星平台性能的基本要求。新方法用摄影时间差的测量取代传统方法影像像点坐标的测量,更简捷和准确,更适合数字图像,具有重要应用价值。     

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。