码流映射的JPEG2000遥感图像无损信息隐藏

遥感图像经过飞行器JPEG2000压缩编码传输到地面,在传输过程中有时需要搭载其他一些遥测信息,将附加信息嵌入到压缩文件中。对JEPG2000的数据结构进行了研究,将压缩文件的数据部分变换成图像并将其分块,统计256个灰度值,找到出现次数最多的灰度值以及次数为0的灰度值。将这些灰度值所对应的字节进行映射,不同的灰度值代表不同的二进制秘密信息。接收端通过映射将秘密信息提取后,再将载体更改后的字节恢复。隐藏容量平均有了500bit的提升,载密图像的PSNR大于30dB,同时载体数据仍然可以无损恢复。试验结果说明,该算法可以无损地实现JPEG2000图像的信息搭载,同时文件没有膨胀。     

粘性耗散对微管内部液体温升影响的实验研究

以去离子水为工质,流经内径分别为19.6μm和44.2μm石英管,实验研究了粘性耗散对微管内部流动的影响.采用微区热成像技术,使用红外成像仪加特种放大镜头测量了微管内部由于粘性耗散导致的温升△T,同时测量到相应的压降与流量,从而获得摩擦因子f、△T及雷诺数Re的关系.研究表明,在低Re数下,f的值与HagenPoiseuille理论预测值几乎一致;随着Re数的增大,工质与微管为壁面之间高的速度梯度引起粘性耗散导致工质温升,进而使得f的实验值增加.f的实验值与Hagen-Poiseuille理论预测的最大偏差达到15%~20%.     

基于时间误差补偿的HJ-1C卫星几何定位改进

利用距离多普勒算法对 HJ-1C（“环境一号”C）卫星图像进行定位,其初始定位精度为1100~1400m,不能很好地满足实际应用的需要。进一步分析后发现,HJ-1C卫星图像几何定位误差主要分布在方位向,通过对影响HJ-1C卫星几何定位精度的因素进行分析,得出合成孔径雷达（Synthetic Aperture Radar, SAR）时间误差是影响几何定位的关键因素,因此文章提出通过时间误差补偿提高HJ-1C卫星几何定位精度。该方法首先计算SAR时间误差,然后对SAR载荷时间进行补偿,最后利用距离多普勒算法进行定位,并对HJ-1C卫星图像进行了验证。结果表明,HJ-1C卫星定位精度提高到300m左右,得到了有效的改进。     

基于分形理论的红外图像港岸背景抑制方法

为了实现港岸背景的抑制,提出了一种基于分形理论和小波变换的背景抑制方法。首先,在高斯去噪的基础上,使用Otsu方法对图像进行粗分割;然后,对粗分割得到的背景图像进行分形降维处理,选定序列图像的比较区域;最后,利用小波变换的奇异值检测特性,在比较区域寻找序列图像比较的基准点,从而确定序列图像的移动范围,进而实现序列图像背景抑制。通过对实际港岸背景红外图像的实验,验证了所提方法的可行性和有效性。     

基于小波阈值降噪和经验模态分解的高光谱图像分类算法

为了充分降低高光谱图像中的噪声以获得高精度的分类结果,本文结合小波阈值降噪(WTD)和经验模态分解(EMD)的优点,提出了一种基于小波阈值降噪-经验模态分解的高精度支持向量机(SVM)高光谱图像分类算法(WTD-EMD-SVM)。首先对高光谱图像进行小波阈值降噪,除去高光谱数据中的高频噪声;然后再对高光谱图像进行EMD,获得含有高光谱数据本质特征的内固模态函数(IMF)和含有低频噪声的残差;最后采用内固模态函数重构高光谱图像,并对高光谱图像进行SVM分类。将其应用到AVIRIS数据92AV3C,仿真结果表明该算法不仅提高了高光谱图像分类精度,同时可减少支持向量数目,以提高高光谱图像分类速度。     

Comparison of residual and dense neural network approaches for building extraction from high-resolution aerial images

Applications including change detection, disaster management, and urban planning require precise building information, and therefore automatic building extraction has become a significant research topic. With the improvements in sensor and satellite technologies, more data has become available, and with the increased computational power, deep learning methods have emerged as successful tools. In this study, U-Net and FPN architectures using four different backbones (ResNet-50, ResNeXt-50, SE-ResNext-50, and DenseNet-121), and an Attention Residual U-Net approach were used for building extraction from high-resolution aerial images. Two publicly available datasets, Inria Aerial Image Labeling Dataset and Massachusetts Buildings Dataset were used to train and test the models. According to the results, Attention Residual U-Net model has the highest F1 score with 0.8154, IoU score with 0.7102, and test accuracy with 94.51% on the Inria dataset. On the Massachusetts dataset, FPN Dense-Net-121 model has the highest F1 score with 0.7565 and IoU score with 0.6188, and Attention Residual U-Net model has the highest test accuracy with 92.43%. It has been observed that, FPN with DenseNet backbone can be a better choice when working with small size datasets. On the other hand, Attention Residual U-Net approach achieved higher success when a sufficiently large dataset is provided.     

顾及不确定性分析的多数投票 SAR 影像变化检测

合成孔径雷达（Synthetic Aperture Radar，SAR）影像变化检测是遥感领域的一个重要研究方向。文章以投票法（Majority Voting，MV）为基础，提出一种全新的顾及不确定性分析的SAR影像变化检测方法（Uncertainty Analysis-based MV，UAMV）。首先选取三组典型的差分影像生成算法，生成三组互补的差分影像。然后使用模糊C均值聚类估算每组差分影像的关于变化类和未变化类的模糊隶属度函数。最后用模糊集合和信息熵理论优化MV，构建顾及不确定性分析的多数投票法，并用所构建方法融合三组差分影像的模糊隶属度函数，生成变化检测图。为验证文章方法的有效性，通过三组真实SAR影像数据进行实验分析。实验结果表明：1）通过用信息熵分析MV融合过程中的不确定性，能够显著提高MV的变化检测性能；2）与7种现有相关算法相比，UAMV方法能够取得更优的变化检测结果。该研究为SAR影像变化检测提供一种新的思路和方法。