光学遥感压缩成像技术

基于Shannon采样定理的传统信息获取系统在高空间、时间和谱分辨率及系统其它性能上存在难以突破的瓶颈,压缩采样理论为提升航天遥感信息获取能力提供了新的思路。基于压缩采样理论的成像技术（压缩成像）将采样、压缩和数据处理3个过程完美的结合在一起,避免了传统遥感成像系统“先采样再压缩”方式带来的传感器和计算资源浪费,是未来光学遥感极具潜力的成像方式。文章在简要介绍压缩采样基本理论的基础上,总结和分析了国际上目前提出的光学压缩成像系统原型,设计开展了3组压缩成像物理实验,特别结合航天遥感需求设计了推扫式压缩成像方案,实验结果验证了压缩采样的基本原理,并为未来光学遥感压缩成像系统的设计提供了借鉴。     

双极性压缩观测光谱成像技术研究

压缩传感突破了 Nyquist-Shannon 采样定理的限制,从随机观测的少量测量值中即可高精度地获取图像,给成像设备的设计带来了巨大变革。压缩传感理论证明可以通过重构恢复获得比焦平面阵列分辨率更高的场景图像。尽管在理论上存在巨大优越性,压缩传感成像系统的物理实现需要考虑一些实际问题。文章围绕压缩传感成像设备进行了研究,提出了一种物理可实现的压缩成像方法,该方法利用双通道观测架构实现压缩成像中的双极性观测,解决了压缩成像理论与实际物理约束不一致的问题。采用多路技术和多膜技术实现大视场观测与多次视场观测,该方法可以单次曝光获取充足的观测值来高精度重构原图像。压缩光谱成像数值仿真实验验证了该方法的有效性和鲁棒性。     

随机编码感知的高分辨遥感光谱计算成像

传统遥感光谱成像系统的空间分辨率和光谱分辨率是衡量成像品质的重要指标,而它们受制于探测传感器的点阵密度,提高遥感光谱成像传感器的性能代价非常巨大。另一方面,在入射光能量一定的条件下,由于高分辨光谱的窄波段成像与低窄带辐射能量接收之间的矛盾,传统遥感光谱成像方法的空间分辨率和光谱分辨率往往难以兼得。如何利用普通探测器获得...     

基于深度学习和动态变阵的迈克尔逊干涉成像方法

干涉成像为突破衍射极限成像带来了可能,然而目前干涉成像系统的子孔径阵列通常固定不变,导致图像频谱获取不足、灵活性差,阻碍了成像系统性能的提升。此外,干涉图像的复原方法面临复原速度慢、复原品质差等难题。文章利用动态变阵的方法解决迈克尔逊干涉成像由于孔径稀疏且固定导致的频谱获取不足、灵活性差的问题,进而进一步地利用深度学习的方法,设计了一种干涉成像的图像复原算法,提高图像复原品质和速度。实验结果表明：动态变阵可有效提高稀疏孔径迈克尔逊干涉成像的频谱获取能力,基于深度学习的网络模型可以显著提高图像的复原品质,复原图像峰值信噪比提升5 dB,复原时间提升两个数量级。总之,文章所提的变阵方案和基于深度学习的图像复原方法可以获得高品质的复原图像,在成像领域具有一定的应用潜力。     

基于压缩感知理论的合成孔径激光雷达成像算法

合成孔径激光雷达是一种主动式有源激光成像雷达,它具有远高于微波合成孔径雷达的成像分辨率,能够实现对远距离目标的精细成像。由于激光信号的带宽极大,普通的硬件设备难以满足奈奎斯特采样定理的要求。提出一种基于压缩感知理论的合成孔径激光雷达成像算法,该方法利用光外差方法探测回波信号,在此基础上通过对外差信号进行随机采样提取信号中的有效信息,使用正交匹配追踪算法实现对目标高分辨距离像图像的重构,最后结合频率变标算法得到目标的高分辨二维图像。仿真结果表明运用新算法对合成孔径激光雷达的回波信号进行采样,能使用远低于奈奎斯特定理所规定的采样率完成信号采样,并有效压低信号旁瓣,实现对目标的超高分辨成像。
     

基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。     

卫星运动对压缩编码孔径光谱成像的影响

用于遥感光谱成像的光谱成像仪普遍存在信息获取慢、光子收集效率低、信噪比低或焦平面阵列大等问题,另外数据立方体庞大的数据量给数据传输造成了极大压力。为了从根本上解决这些问题,文章提出将压缩编码孔径应用于遥感光谱成像中,即压缩编码孔径遥感光谱成像。文章对卫星平台的俯仰、侧滚和偏航运动进行建模,然后利用此模型对成像过程进行仿真和重建,提高了成像品质。由于运动模型以及压缩编码孔径成像技术的引入,使得遥感光谱图像的压缩在成像过程中完成,从而大大提高了传统焦平面阵列的利用率,减小了数据传输的压力,减小了成像光谱仪的体积、质量与成本。     

低轨视频卫星成像特性分析

视频卫星主要的特点是以"太空录像"的方式获取连续多帧序列图像,可以实现对某一特定区域的凝视成像,因此特别适用于动态变化监测与运动目标矢量指示。文章以美国"天空卫星"(SkySat)为例,分析了图像模式与视频模式下的主要技术指标,给出了低轨视频卫星光学遥感器的主要技术指标和方案设想。在90s的视频成像时间内,分析了卫星俯仰角机动、姿态稳定度及指向精度等姿态控制特性,给出了视频成像的空间分辨率变化和多帧图像构成立体像对的基高比。最后提出了须要重点解决的关键技术,如大面阵CMOS器件、姿态俯仰敏捷机动能力等。     

反射式紫外天基单镜计算成像系统设计

紫外天基成像是目前对太阳观测的主要手段之一。针对紫外天基遥感对成像系统高分辨、轻量化的需求,开展了紫外天基单镜计算成像系统研究,应用“光学镜面设计”与“计算成像”相结合的思路,通过对球面、六次偶次非球面、十次偶次非球面、Q-type面、Zernike多项式面的天基反射镜成像光学系统设计,以及基于傅里叶叠层超分辨的计算成像分析,验证了该设计方法可在波长135 nm紫外光波段实现5.4°圆视场、分辨能力优于0.11 mm的设计指标。反射式六次偶次非球面具备一定的综合优势。     

基于压缩感知的多基地无源雷达成像算法

由于成像场景可稀疏表示（场景中仅有少数强散射点）,针对外辐射源信号波长长,带宽窄的特点,本文提出了基于压缩感知的多发单收无源雷达成像算法,该算法由符合图像统计特性的先验信息构造合理的傅里叶基矩阵,利用lp范数法将带约束条件强散射点增强问题转换为最优化问题,并通过迭代算法快速获得最优解。实验仿真结果表明小转角情况下,本文算法无需充足站点数目,并且能获得较好成像效果。
     

景物和成像条件对遥感图像品质的影响

遥感图像是遥感数据获取系统的输出,遥感图像的品质表现为遥感图像在完成遥感任务中的应用价值。遥感图像品质由成像链的状态和性能决定。成像链包含景物、成像条件和成像系统的所有组成部分。文章介绍光学遥感情况下,景物和成像条件对遥感图像品质的影响,包括景物特性和成像条件的表征,及其对遥感图像品质影响的分析。同时,指出了针对景物和成像条件,在成像系统设计和运行等方面需注意的问题。     

基于深度监督的TransUNet可见光卫星图像分割

随着人造卫星技术的不断发展,给民用探测带来了诸多便利的同时,也带来了越来越多的挑战。精确定位卫星的重要部件,对故障卫星和太空垃圾的准确抓捕和维修至关重要。文章提出基于深度监督的TransUNet(Deep Supervised TransUNet:DSTransUNet)对卫星目标、星体和太阳翼进行像素级的识别与分割。通过对TransUNet解码过程中多层神经网络特征图进行深度监督,提高可见光卫星图像的分割精度,并进一步通过仿真方法构建卫星部件图像数据集,使用交叉验证的方法对DSTransUNet及7种现有神经网络深度学习方法的分割精度进行了评估。文章提出的方法对卫星星体的分割准确率达到90.51%±6.86%,对卫星太阳翼的分割准确率达到91.63%±13.07%,对宇宙背景的分割准确率达到97.43%±2.85%,对数据集的总体像素分割准确率达到了97.08%±3.37%,其分割性能优于其他神经网络模型。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类,是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题,但其学习模型有大量参数需要确定,会消耗大量计算和存储资源,不利于在轨实现。模型压缩是降低资源需求的有效方法,但会导致分类准确率降低。剪枝是模型压缩的主要方法之一,目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失,如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法,可以据此确定相应的压缩率,并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线,且均方根误差最大为1.09,平均值为0.51,拟合效果较好,可据此针对不同的应用条件与需求确定相应的模型压缩率。     

大气因素对空间相机成像的影响

文章分析了大气环境对空间相机在轨成像的影响途径,并应用大气计算软件(6S)对大气环境影响空间相机成像的调制传递函数进行了初步的计算.     

用于并行压缩感知成像系统的观测矩阵优化算法

压缩感知理论为遥感空间超分辨技术提供了一种新的实现方式。其中观测矩阵决定着压缩感知的采样规则,设计和优化观测矩阵对于保证信号的重构品质具有重要意义。文章在并行压缩感知成像系统的基础上,提出了一种基于列独立性和互相关性的观测矩阵优化算法。算法通过正交三角分解增强观测矩阵的列向量独立性,再通过特征值分解和等角紧框架约束来降低观测矩阵与稀疏矩阵之间的互相关性。同时,文章还提出了一种基于阈值分割的优化方法,将观测矩阵转化为便于硬件实现的二值矩阵,在降低了硬件加工难度的同时,进一步增强了观测矩阵的效果,提高了优化算法的实用性。仿真实验证明,文章提出的优化算法相较于传统优化算法在峰值信噪比方面提升1～2 dB,具有更好地优化效果。     

基于压缩传感的线阵SAR三维成像方法研究

线阵SAR是一种新型雷达三维成像技术。由于实际中线阵天线长度有限,基于匹配滤波的传统线阵SAR成像方法不仅需要大量的阵元数,而且在切航迹向的分辨率也较低。结合三维场景空间目标的稀疏特征,提出一种基于压缩传感理论的高分辨线阵SAR三维成像方法。相对于传统匹配滤波线阵SAR三维成像方法,本方法只利用少量的稀疏天线阵元回波对切航迹向的稀疏散射目标进行L1范数优化重构,大大抑制了切航迹向旁瓣影响并显著提高分辨率。最后,通过线阵SAR点目标仿真三维成像表明了本文算法的有效性。     

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。     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

基于视频图像处理技术的汽车防撞系统的研究现状

视频图像处理技术应用于汽车防撞系统,可以极大提高车辆的安全驾驶性能。重点介绍基于视频图像处理技术的汽车防撞系统的工作流程,以及该类系统进行目标距离测量采用的模型。并针对该类系统核心的目标车辆检测的方法就国内外的研究现状及研究成果进行了总结,指出基于视频图像处理技术的汽车防撞系统的目标检测朝着多种特征融合、多维模型的方向发展。