基于卫星云图的大区域云层预测方法

云层覆盖是影响对地观测卫星成像的一个重要问题,如果遥感图像中云层比例太高,或者特定目标不可见,则遥感图像就会失效。对地观测卫星能够根据云层预测信息,在多个观测目标之间进行选择。面向对地观测卫星任务规划的应用,设计了大区域范围的短期云层预测方法,首先通过光流法获取云运动矢量,然后依据云运动矢量外推获得预测的云层图像,同时引入拉普拉斯算子刻画云层运动过程中的扩散现象,利用风云二号卫星的真实云图序列数据,通过神经网络的反向传播算法优化扩散因子,以提升云层预测的效果。通过对结果进行分析,引入的拉普拉斯算子方法能够提高云层预测的精度,80%分位数的云层覆盖率误差约为11.7%,该精度的云层预测可以用于指导对地观测卫星任务规划。     

基于云特征的遥感图像可用度影响因素分析

针对卫星遥感图像可用度分类问题,提出基于图像信息的云覆盖率、云厚度、云破碎度的云结构特征描述概念.研究了它们对于卫星遥感图像可用信息量的影响程度,构建了由厚度相关的云覆盖率及云破碎度构成正交可用度评估空间.并进一步分析了云结构特征与可用度之间的近似线性及单调特点,证实了所提描述方法对于可用度表征的合理性和有效性.通过与500幅不同可用度等级的专业人工判读结果比较,证实综合这3个变量的可用度判读结果与人工判读结果的准确度比较达到95%.该方法为建立卫星遥感图像可用度评估模型,自动分类得到用户需要的图像数据提供理论及技术支持.     

基于奇异值分解的遥感图像融合性能评价

研究遥感图像融合性能的客观评价问题,分析当前遥感图像融合效果评估方法特点的基础上,提出一种新的遥感图像融合效果评估方法——基于奇异值分解(SVD, Singular Value Decomposition)的方法.利用源图像与融合结果图像的奇异值差异,测量它们之间能量信息失真情况,从而进行融合算法的评估.仿真实验从两方面入手,当融合源图像中含有SAR(Synthetic Aperlure Radar)图像时,对比Piella和Xydeas评估方法较为有效;另一方面,对多类型传感器、不同方法的像素级融合结果进行评估,与主观评价结果对比具有较高的一致性.这种客观评估方法能够较好地反映多类遥感图像融合的质量,是一种实现简单、高效、较为通用的遥感图像融合效果评估方法.      

遥感图像的显著-概要特征提取与目标检测

针对巨幅遥感图像的目标检测问题,提出了一种基于显著-概要特征的遥感图像自动目标检测算法.采用滑动窗口将巨幅遥感图像划分为若干个小尺度的区域,针对各个小尺度分块图像,借鉴人类视觉生理功能特性之原理,提取其显著特征和概要特征,其中的显著特征代表了图像中的显著信息及显著区域空间分布和关联信息,概要特征可从整体上反映该区域的背景/目标关联信息.通过对分块区域图像的分类鉴别以实现目标检测.实验结果表明:此方法能以高可靠性和高精确度检测出巨幅遥感图像中的目标.     

基于结构描述的图像压缩方法研究

目前在遥感图像压缩领域,应用最为广泛的是以SPIHT算法为代表的基于小波变换的压缩技术,但是遥感图像含有极为丰富的高频信息,而变换域压缩编码的压缩原理是保留低频信息删减高频信息,这种矛盾导致了变换域编码对遥感图像进行高倍率压缩时,图像会有较大失真。为了减小压缩过程中高频信息的失真,从对图像空间结构描述入手,提出了一个基于空域的图像压缩算法,并与SPIHT算法进行了对比试验,证明了该算法的压缩质量明显好于SPIHT算法,具有一定的应用前景。     

国外高光谱遥感载荷发展分析

高光谱遥感是当前遥感领域发展的前沿。首先介绍了高光谱遥感的成像原理、典型成像方式及主要特点等基础理论,之后从机载和星载两个方面,系统梳理了美国、加拿大、欧洲、日本等主要国家高光谱遥感载荷的发展现状,分析了相关载荷的主要性能指标(以空间分辨率、频谱分辨率等为代表),总结、归纳了高光谱遥感在民用商用、国防安全及行星探测三个领域中的应用情况,最后从提升分辨率、优化探测模式及实现小型化三个方面,总结了高光谱遥感载荷的发展趋势。     

基于超像素与多尺度残差U-Net相结合的遥感图像飞机检测方法

遥感图像中存在飞机很小、角度和位置不确定且背景复杂等问题,从遥感图像中检测飞机是一项重要且具有挑战性的任务,因此,提出一种基于超像素与多尺度残差U-Net(Multi-scale Residual U-Net,MSRU-Net)相结合的遥感图像飞机检测方法。首先对遥感图像进行超像素预分割,将位置相邻且像素特征相似的像素点组成若干个超像素,保持图像进一步分割的有效特征;然后构建多尺度残差U-Net,学习其多尺度判别特征。与传统的飞机检测方法相比,该方法用少量的超像素代替大量像素表达图像特征,降低了图像分割的复杂度,再利用MSRU-Net分割遥感超像素图像,有效检测不同尺度的飞机图像。在公共飞机遥感图像数据集上实验,结果表明,该方法能够有效的检测遥感图像不同尺度的飞机图像,检测精确率达到91.2 %。     

基于模式特征的图像压缩算法

从人眼视觉特征与空域模式特征的角度出发,提出了一种基于模式特征的图像压缩算法。经过对一组遥感图像的对比试验,可以看出本算法在对纹理信息丰富的遥感图像进行压缩时明显优于SPIHT算法。     

含无效云区域遥感图像在轨压缩方法

遥感图像中含有大面积的无效云区域,剔除云区域后的遥感图像形状呈现非规则特性。针对这类非规则遥感图像的压缩问题,在原始CCSDS IDC算法基础上提出了形状自适应CCSDS IDC压缩方法。方法以原始图像及其云掩膜为输入,对图像中的有效区域进行形状自适应小波变换,利用掩膜图像的Lazy小波变换结果指导小波系数编码,重新设计转义字及扫描字编码码表,最终构建形状自适应的比特平面扫描及编码方法。试验结果表明,压缩比一定的情况下,该方法可提高遥感图像解压缩后质量;图像质量一定的情况下,可以进一步降低数传带宽,增加在轨成像时间,进而提升遥感卫星在轨应用效能。     

基于Transformer和动态3D卷积的多源遥感图像分类

多源遥感数据具有互补性和协同性,近年来,基于深度学习的方法已经在多源遥感图像分类中取得了一定进展,但当前方法仍面临关键难题,如多源遥感图像特征表达不一致,融合困难,基于静态推理范式的神经网络缺乏对不同类别地物的适应性。为解决上述问题,提出了基于跨模态Transformer和多尺度动态3D卷积的多源遥感图像分类模型。为提高多源特征表达的一致性,设计了基于Transformer的融合模块,借助其强大的注意力建模能力挖掘高光谱和LiDAR数据特征之间的相互作用;为提高特征提取方法对不同地物类别的适应性,设计了多尺度动态3D卷积模块,将输入特征的多尺度信息融入卷积核的调制,提高卷积操作对不同地物的适应性。采用多源遥感数据集Houston和Trento对所提方法进行验证,实验结果表明：所提方法在Houston和Trento数据集上总体准确率分别达到94.60%和98.21%,相比MGA-MFN等主流方法,总体准确率分别至少提升0.97%和0.25%,验证了所提方法可有效提升多源遥感图像分类的准确率。     

多场景高分辨率遥感图像快速拼接技术

光学遥感卫星拍摄过程中大视场与高分辨率间的相互矛盾,引起国内外研究人员的广泛关注。提出一种基于相机参数保持的快速拼接算法。该方法对高分辨率图像进行降采样处理,利用降分辨率图像的配准信息恢复相机参数,能够改进拼接过程,提高拼接效率。实验结果表明,相对于传统拼接方法,该算法能够将配准时间缩短2倍以上,将遥感图像的拼接质量提升5%~35%, 适用于建筑、森林、农田、湖泊四类场景。通过对存在噪声、亮度差异及不同模糊程度的遥感图像进行拼接实验,验证了该方法的鲁棒性和可行性。     

基于混合网络的异源遥感图像变化检测

为了更加准确地进行异源遥感图像的变化检测任务,提出了一种基于混合网络的异源遥感图像变化检测算法。利用伪孪生网络提取异源遥感图像块间空间维度的变化特征,利用早期融合网络提取异源遥感图像块间光谱维度的变化特征,将2支网络提取的特征进行融合,并将融合后的变化特征输入到sigmoid层进行二分类检测。同时,在伪孪生网络中加入对比损失函数,通过优化对比损失函数,使得在特征空间中,未变化图像对的空间特征差异更小,变化图像对的空间特征差异更大,以提升网络的区分能力和收敛速度。      

面向目标检测的双驱自适应遥感图像超分重建方法

有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。      

基于小波变换和核独立分量分析的遥感图像变化检测

为了进一步提高基于独立分量分析(IndependentComponentAnalysis,ICA)的遥感图像变化检测精确度,并解决ICA分离的图像分量排序不确定问题,提出了基于小波变换和核独立分量分析(KernelIndependentComponentAnalysis,KICA)的遥感图像变化检测方法。首先通过小波变换对遥感图像进行分解,得到由图像的高频分量和低频分量组成的分块向量,然后利用核函数将分块向量映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的向量,最后根据分离出的向量中高频分量的差异自动分辨出变化分量。文章给出了遥感图像变化检测方法及近年提出的基于主分量分析(PrincipalComponentAnalysis,PCA)、基于ICA、基于KICA三种变化检测方法的试验结果,并进行了分析和定量比较。试验结果表明,文中方法能更好地分离出遥感图像的变化信息,具有更高的精确度,并实现了变化检测的智能化。     

基于信息隐藏的遥感图像分块压缩

目前JPEG2000等图像压缩方法受制于压缩倍数的限制,无法满足用户对海量遥感数据的实时传输要求,需要进一步减少高分辨率遥感图像产生的数据量,以满足遥感图像数据的空间传输要求。针对此情况提出了一种基于信息隐藏的遥感图像分块压缩方法,利用图像块的相似性判决出基准图像块和相似图像块,将相似图像块的编号隐藏在基准图像块中,只对基准图像块进行JPEG2000压缩。采用标准图像库作为样本图像进行仿真,结果表明,该方法将样本图像压缩前的数据量减少1/3,同时将该样本图像的压缩比提高1.5倍。     

空间光学敏感器像素位置精确测量技术发展现状

为提高空间指向测量仪器的精度,满足极高测量精度的任务需求,图像传感器像素位置偏差对星点质心定位精度的影响不容忽视.激光干涉法是目前国内外对像素位置偏差进行测量的主流方法.文章对图像传感器像素位置偏差的成因及影响进行说明,对国内外开展的激光干涉测量像素位置偏差技术进行介绍与整理,对像素位置偏差测量技术遇到的关键问题,技术难点及其未来发展趋势进行梳理和总结.     

基于深度学习的非合作目标感知研究进展

近年来随着卷积神经网络的发展,基于深度学习的图像感知技术取得了巨大进展。深度学习算法不依赖于人工辅助设计标记、泛化能力强、检测精度高,在空间非合作目标智能感知领域引起了国内外学者的关注。本文分析了应用深度学习方法进行非合作目标智能感知的研究现状,并对他们进行分类介绍与总结。首先,总结了空间非合作目标感知的在轨应用情况和任务阶段规划,接着分析了非合作目标的结构特性和表面光照特性;其次梳理总结了建立非合作目标数据集的三种方法,分类归纳了非合作目标识别与非合作目标位姿检测的国内外研究进展;最后,分析了基于深度学习的非合作目标智能感知方法的关键问题与难点,并给出了后续研究的思路。     

基于免疫抗体编码机理的卫星图像云探测

针对卫星遥感图像中云与下垫面的复杂性和多样性,提出了一种新的在复杂背景下常用目标图像描述方法.通过类比生物免疫抗体特异性与其构成单元氨基酸性质的相关性,得到目标图像的免疫基元集合形式及其分类方法.借鉴生物免疫抗体编码顺序中氨基酸结合能量最小原则,统计分析出训练样本的免疫基元亲和度计算公式,实现了目标图像描述的有限多特征优化组合.对于云检测问题,最终提出云的免疫抗体编码方法,定义了云的免疫亲和度计算公式,并成功构建了云免疫抗体.经200幅IKONOS卫星图像测试,验证了该方法在识别率和运行时间效率方面的有效性.      

基于失真敏感性的可见光遥感图像压缩补偿

可见光遥感图像纹理细节丰富且分布情况复杂,高倍压缩后容易出现失真不均衡现象。现有研究并不针对图像的主观品质且易出现错补偿问题。为此,设计了基于失真敏感性的可见光遥感图像压缩补偿方法。通过对比结构相似度模型各函数对遥感压缩失真的评价效果,构造了压缩失真敏感性模型,在此基础上深入分析了不同程度的数据损失对恢复像质的影响,设计了基于失真敏感性的压缩补偿策略,在压缩编码端确定失真敏感区域并量化回传失真影响明显的数据,补偿于解码端恢复图像中。结果表明,该方法能有效提高恢复图像失真敏感区域内遥感目标的清晰程度和可判读性,降低恢复图像的失真不均衡程度,改善恢复图像的整体质量。     

光学遥感卫星在轨星上绝对辐射定标的研究进展

高精度绝对辐射定标是实现光学遥感定量化应用的重要前提。首先简要介绍了绝对辐射定标,接下来系统性地梳理国内外发展现状及发展趋势,重点分析了太阳反射谱段光学遥感卫星在轨星上绝对辐射定标的各种方法,包括遥感器上定标设备、恒星和月球定标、高精度参考交叉定标卫星和同步绝对辐射定标仪等,其中前两类已经在轨实现精度优于2%~5%,后两类计划当中精度优于1%。最后总结发展规律和发展启示,给出高精度光学遥感卫星在轨星上绝对辐射定标发展的几点讨论。