色散推扫型高光谱数据系统残余误差校正

高光谱遥感成像链路中各个环节产生的系统误差会降低数据质量（quality）,从而削弱高光谱数据的应用潜力。为了消除高光谱辐亮度数据中的系统残余误差,以色散推扫型高光谱遥感系统为例,提出了基于成像链路的系统残余误差校正流程。首先,从成像链路出发,在不同环节分析系统残余误差的产生原因及机理;然后,通过分析检测及校正算法对数据质量的影响,以及误差项之间的内在联系,设计了一种系统残余误差校正流程;最后,以PHI高光谱数据作为数据源对提出的校正流程进行实验验证。结果表明：校正后的图像可视性增强;信噪比显著提高,最大提升值为91.9%;反射率数据中的过校正现象得到有效消除。利用该校正流程能够较好的消除数据中的系统误差,提高图像数据质量以及后续应用处理能力。     

一种对斑点目标高精度质心跟踪方法

本文介绍一种对运动的斑点目标灰度质心进行高精度跟踪的方法。通过对图象序列中目标质心位置和帧间位移量的测量误差分析，提出了改进的滤波模型，有效地抑制了图象灰度噪声和空间量化误差的影响，提高了斑点目标跟踪精度。     

星载SAR数据成像的并行处理研究——SGI机的应用实例

星载合成孔径雷达 (SAR)成像处理数据量大 ,实时性要求高 ,文中阐述在 SGIOrigin2 0 0多 CPU计算机上完成星载 SAR改进 RD算法的并行处理 ,并利用该机完成了对改进RD算法成像的并行算法的系统仿真。试验结果表明 ,所提出的并行算法可在 SGI多 CPU机上获得很好效果。     

同步与数据缓冲系统的同步定时器

同步定时器是ＣＤＡＳＳ／ＤＢ系统的重要部件。它用高精度数字锁相环，精确地恢复地球同步气象卫星采集的原始云图数据的同步基准信息。数字锁相环由用高速器件组成的相位比较器和用计算机软件实现的滤波器构成，采用标准频率计数方式，完成对模拟太阳（ＳＰ）和数字太阳（ＳＳＤ）的锁相及卫星上时钟频率测量等任务。     

一种新的无人机监控图像实时目标识别算法

提出一种新的无人机监控图像实时目标识别算法。首先将获取的无人机监控图像应用自适应阈值分割将其转换为二值图像。对二值图像进行形态学处理,定位潜在目标出现的位置。最后对潜在目标区域再次应用局部自适应阈值分割获取目标,同时给出每个目标的图像坐标位置。飞行试验表明该算法保证实时性的情况下,有较高的识别正确率。     

基于时频分析的ISAR成像

传统的逆合成孔径雷达(ISAR)成像算法用傅里叶变换进行频谱分析,会导致对机动目标的成像模糊.应用短时傅立叶变换(STFT)、魏格纳分布(WVD)、平滑伪魏格纳分布(SPWVD)等几种时频分析方法对机动目标进行瞬时成像,仿真和实验结果表明,应用该方法能得到清晰的目标的距离-瞬时多普勒像.     

侧摆摄影偏流角和速高比的计算模型

像移会使图像质量退化,分辨率下降,为此必须对像移进行补偿。文章从空间相机像移补偿的角度出发,建立了卫星遥感中偏流角和速高比的概念;通过坐标转换推导出了卫星在星下点、侧摆、俯仰摄影模式下偏流角和速高比的计算公式,从而可考虑对所产生的像移进行补偿。     

天线形变对风云卫星遥感图像的影响

为探究反射面天线形变对风云卫星毫米波和亚毫米波成像仪(MMSI)的亮温图像质量的影响,运用基于表面电流积分的物理光学方法计算天线辐射方向图,探究不同形式反射面天线形变下天线辐射特性的变化规律。结合MMSI的亮温图像的处理结果,评价图像质量的变化。实验结果表明:反射面天线的形变面积、形变位置和副反射面晃动发生变化时,天线的主瓣增益、副瓣电平和波束宽度等关键指标发生规律性变化,对MMSI的亮温图像质量产生不同形式的影响。当反射面天线的形变面积增大时,天线的主瓣增益减小,副瓣电平升高,进一步导致分辨率降低,噪声水平升高,亮温图像质量变差。     

基于地面图像的卫星自主定轨方法可观测性及定轨性能分析

卫星自主定轨是航天发展趋势之一。近年来,高分辨率遥感卫星不断发展,为利用光学遥感图像进行自主定轨提供了可能。在此背景下,提出了一种基于地面特征点图像的自主定轨方法。通过构造局部可观测矩阵分析了该定轨系统的可观测性,并用局部可观测矩阵的条件数表征可观测度,估计系统的定轨性能。通过Monte-Carlo仿真实验评估了系统的定轨表现,结果表明:该定轨方法与多点定位方法相比可以得到更高的定轨精度。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。