面向空间天文观测的序列图像无损压缩算法

空间天文观测任务会获得大量天文图像.对定点天体连续观测得到的序列天文图像具有时间及空间冗余较高的特点.为了减少序列天文图像的存储与传输的数据量,保证序列天文图像的完整性,满足科学目标的任务需求,需要对其进行无损压缩.本文提出了一种利用帧内压缩与改进的帧间压缩相结合的无损压缩算法,将序列天文图像的第一帧进行JPEG-LS帧内无损压缩编码,其余帧进行改进的帧间无损压缩编码,从而有效去除序列天文图像的时间及空间冗余,提高序列天文图像的压缩比.经过试验测试,改进后的帧间压缩效果优于帧内压缩效果,改进后的帧间压缩时间少于帧内压缩时间.结果表明,该算法简单且高效,适用于对序列天文图像的无损压缩.      

计算机在图像质量评价中的应用

本文介绍了遥感图像质量说价工作的主要内容及计算机在其发挥的作用。     

未来空空导弹遥测技术的发展

文中从多个方面论述了空空导弹遥测技术的发展方向、未来新技术在空空导弹中的应用 ,同时也指出了我们应该在几个重点方面开展的工作     

一种基于模糊神经网络的Speckle图像滤波器

提出一种新的基于模糊神经网络 (FNN)的 Speckle噪声自适应滤波器 ,以实时处理 SAR图像。讨论了模糊神经网络滤波器结构的设计、模糊规则的选取以及采用改进遗传算法进行参数优化的方法 ,最后 ,结合图像处理应用实例 ,与其它传统图像滤波器进行比较 ,验证所述滤波器在滤除噪声和保持细节纹理方面的有效性。     

并行图像处理机技术

为建立弹栽高性能嵌入式计算机通用平台，提出了一种基于高速数字信号处理器(DSP)的并行图像处理系统设计方案。研究了多指令流多数据流(MIMD)并行处理系统拓扑、片上系统(SOC)、先进总线和小型化集成模块设计等关键技术，并从系统和单元两个设计层次上，阐述了方案的实现途径。     

基于小波变换的SAR和光学图像融合

针对多源图像复合问题，本文以SAR与光学图像为例，给出基于小波变换的图像融合方法。     

基于多结构元素的遥感图像去噪及边缘检测方法

边缘检测是遥感图像处理的一个重要方面。利用数学形态学原理，提出了一种基于多结构元素的遥感图像边缘检测方法。首先采用基于视觉模型的边缘阈值得到灰度突变像素点，然后利用几种具有代表性的结构元素对这些像素点进行形态学腐蚀操作以区分真实像点和噪声点，将噪声点去除并通过伪中值滤波填补像素值，最后得到图像边缘。实验结果表明，该算法能够在保持图像边缘细节的前提下，很好地滤除图像中的孤立噪声点，在检测精度和抗噪声性能方面都优于传统的形态学算法。     

图像三要素与MTF的分析研究

中低分辨率在轨运行卫星遥感器的调制传递函数(Modulation Transfer Function,MTF)的监测一直是研究的难题.现提出的方法解决了中低分辨率在轨运行卫星遥感器MTF监测的关键技术.考虑到卫星遥感器的最终产物是遥感图像,从图像信息理解的三要素出发,即灰度、纹理和边缘,分析图像三要素与遥感器MTF的关系.在分析过程中,应用主成分分析方法,不仅对多组原始数据进行了简化,而且对图像参数进行了降维.通过与其它方法的比较,进一步验证了使用主成分分析方法降维的有效性;同时实验结果亦表明了主成分分析方法的可靠性.最后建立了图像单个综合参数与MTF的关系模型,拟合结果说明,此模型能较好地表达图像参数与MTF之间的关系,这将为在轨运行条件下的建模提供十分重要的技术支持.     

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。     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。