基于多尺度空谱特征提取的高光谱遥感图像重建

遥感高光谱图像(HSI)凭借其丰富的光谱信息被广泛地应用于军事、农业、地质等领域。然而,HSI成像因其成本高、传输难等问题限制了其应用规模。通过光谱超分辨(SSR)方法,可以实现输入高分辨率红绿蓝(RGB)图像生成相应的高光谱图像,有效地解决了HSI成本高与传输难的问题。但是,已有的SSR方法对于图像的空间特征提取与光谱之间的相关性关注仍有所不足。针对上述问题,本文提出了一种多尺度空谱特征提取方法,并在SSR领域引入组归一化(GN)方法,关注相邻光谱之间的相关性。同时,还借助条件生成对抗网络进一步优化网络的参数,提升生成图像的真实性,并在DFC2018 Houston数据集上进行实验。结果表明:本文提出的方法可以实现精准的高光谱图像重建,重建的高光谱图像相比当前先进的主流方法性能均明显提高,其中相比CanNet方法,均方根误差下降了48.3%,平均峰值信噪比上升了20.7%。     

基于深度学习的SAR图像质量提升方法研究

提升合成孔径雷达(SAR)图像质量以增强其可判读性,一直是SAR图像处理中的关键问题。近年来,深度学习在光学图像处理中取得显著的成功,并逐步应用到SAR图像质量提升领域。对深度学习在SAR图像质量提升中的关键应用进行综述,对深度学习在SAR图像质量提升中采用的典型网络进行了介绍,并从SAR图像旁瓣抑制、超分辨(SR)处理和图像融合3个方面对深度学习的应用进行阐述。最后,分析与探讨了基于深度学习的SAR图像质量提升中的关键问题及进一步研究方向。     

基于主被动量子关联成像的超分辨抗干扰探测系统研制

针对大气湍流以及不同光照条件下难以成像的问题,提出了基于空间光场调制的主被动量子关联成像方案。研制了超分辨抗干扰的主被动量子关联成像原理样机,并完成了超分辨、抗大气湍流以及不同光照条件下的外场实验,验证了主被动量子关联成像原理样机的全天时抗干扰成像能力,实现了超分辨的远距离成像探测。本方案为远距离遥感、极弱背景探测提供了一种有效的成像技术手段。     

基于模式空间变换的圆阵无源测向算法研究

建立了均匀圆阵测向系统模型，在其基础上利用模式空间变换方法将均匀圆阵转化为虚拟均匀线阵，使得ESPRIT算法得以应用，从而实现二维无源测向。为验证算法的可行性及可靠性，搭建了七元均匀圆阵实测系统。实验结果表明，该算法所用时间较短，且测向结果较为稳定，可应用于均匀圆阵无源测向系统。     

基于AR模型参数双谱估计的超分辨ISAR成像

利用双谱分析方法，用非高斯AR模型对雷达目标回波信号进行参数化双谱估计，并在此基础上对数据进行外推处理，然后对数据进行ISAR成像。仿真和实测数据实验表明，本文的处理方法比传统的ISAR成像分辨力有明显的提高，且运算量不大，满足ISAR的实时或者准实时成像要求。     

基于流的遥感图像超分辨率重建

为了提高遥感图像超分辨率重建的质量，提出了一种基于流的遥感图像重建算法。首先，在Glow模型的基础上引入改进后的RRDB架构用于低分辨率图像特征提取，通过构建更多层和连接以提升训练的稳定性。然后，以一种纯数据驱动的流模型来训练分布的参数，通过最大化负的对数似然的方法进行优化，得到该算法的损失函数。实验证明该模型在网络训练过程中能够快速达到稳定收敛的状态，且具有很强的泛化能力。用重建出的图像质量对比SRCNN、SRGAN、ESRGAN，经过测试后发现，提出的算法远远优于SRCNN算法，与其他算法相比也有明显优势。重建出的图像不仅在指标上有所提升，例如与SRCNN相比，PSRN和SSIM分别提升了15%和40%，且人眼观察时有更高的清晰度，高频细节更为丰富。