基于缨帽变换与匹配滤波的大熊猫生境影像分类

在卧龙大熊猫自然保护区,难以获取高质量的光学遥感影像,加之地形和植被类型复杂多样,地物分类精度低,对利用遥感技术研究大熊猫生境造成了困难.为此,本工作探究一种提高遥感分类精度的方法.首先分别利用缨帽变换和匹配滤波方法提取影像的亮度、绿度、湿度和丰度等特征,建立基于多特征数据的决策树分类规则进行分类,最后利用野外实测数据对分类结果进行验证.研究结果表明:绿度特征对提取林地非常有效,湿度分量可以区分草甸与灌丛,亮度特征则提高了雪地的分类精度.匹配滤波可以实现混合像元分解,去除部分噪声并快速探测目标地物的波谱特征.基于多特征数据决策树遥感分类的总体精度达到83.33%,比传统的最大似然法分类精度提高8.67%.本文方法在卧龙大熊猫自然保护区等地物分类中取得了较好的应用效果.     

高分辨率遥感影像在城市LUCC中的应用

高分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富等优点,它的出现极大提高了遥感在城市土地利用/覆被变化研究中的应用能力.城市土地利用类型的准确分类是城市土地利用/覆被变化研究的重要前提,高分辨遥感影像凭借其自身优势成为最重要的数据源.本研究从高分辨率遥感影像的发展与特点、分类方法及其在城市专题信息提取中的应用3个方面进行综述,重点回顾高分辨率遥感影像用于城市土地利用分类的代表性方法及其在城市系统中提取建筑物、道路和绿地等专题信息的方法和应用进展,最后指出高分辨遥感影像在城市土地利用/覆被变化研究中的不足以及未来需要解决的问题.     

地震滑坡信息提取方法研究——以2017年九寨沟地震为例

地震滑坡是最为常见且破坏力最强的地震地质次生灾害之一，快速准确地获取地震滑坡的分布和范围信息对震后应急救援和灾后重建工作具有重要意义。采用Sentinel-2A遥感影像，以"8·8九寨沟地震"核心震区--漳扎镇为研究区，通过结合变化检测技术和面向对象方法提取地震滑坡信息，利用改进的区域生长算法对提取的滑坡边界进行优化得到最终提取结果。通过与传统CVA提取结果对比，评价分析本文算法的精度。实验验证结果表明，本文算法的地震滑坡体提取总精度在90%以上，Kappa系数优于0.7，提取结果与目视解译结果较为一致。且自动化程度较高，速度较快，满足地震应急救援的时间和精度需求。     

勺型网络：用于Landsat遥感图像云检测的新型网络

针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络（spoon-net,S-Net）,应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。     

一种平原区园地遥感信息提取的新方法

针对平原区园地与居民点落叶林不易区分的特点,提出适合于中分辨遥感影像的平原区园地信息提取特征指标--平原区园地指数.利用影像的多时相特征,结合面向对象的分类方法构建平原区园地信息提取模式.安徽省砀山县园地提取实验表明,该方法简单易行,有效避免了"椒盐现像",提高了分类精度,对于准确地确定平原区园地面积及其分布情况具有重要的实际应用价值.     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.7816、0.8774、0.8504和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用。     

基于FD-RCF的高分辨率遥感影像耕地边缘检测

针对建立和更新田间图形数据库时，以高分辨率遥感影像为底图人工勾绘地块耗时费力这一问题，探索从边缘检测的角度实现对地块边缘的自动提取。在构建耕地地块边缘遥感影像数据集工作中，尝试深度学习边缘检测模型holistically-nested edge detection（HED）和richer convolutional features（RCF）的基础上，进一步改变模型特征融合方式，并采用空洞卷积结构，提出构建应用于遥感影像的边缘检测模型full dilated-RCF（FD-RCF），提取耕地地块边缘。实验表明，相关方法的精度评定F₁值均能达到0.8以上。构建的FD-RCF模型表现最佳，其检测结果在ODS和OIS精度评定中F₁值分别达到0.848 1和0.850 2，平均精度0.795 7。比较而言，FD-RCF方法检测结果画面更加清晰，能够显著提高田间地形数据的更新效率。     

基于MODIS/NDVI时序数据的土地覆盖分类

以250m分辨率的MODIS/NDVI时间序列数据为主要数据源,通过Sacizkky-Golay滤波重建高质量NDVI时间序列数据;同时融合500m分辨率的MODIS多光谱反射率数据和90m分辨率的DEM数据.将非监督分类法和决策树法相结合,进行黑龙江流域土地覆盖分类研究.对分类结果采用已有的土地覆盖数据和高分辨率遥感影像进行精度评价,评价结果表明,利用MODIS/NDVI时间序列数据获得较高精度的土地覆盖分类结果是可行的.     

商陆根中γ-氨基丁酸的提取工艺研究

本实验首次采用紫外-可见分光光度法对商陆根中γ-氨基丁酸的含量进行了测定,并用正交实验法对最佳提取条件进行了优化。结果显示：当温度为60℃、蒸馏水用量300ml、提取3次、每次3小时的条件提取时,γ-氨基丁酸的提取率最高。提取次数对γ-氨基丁酸提取率有显著影响,而提取温度、提取时间、蒸馏水用量无显著影响。     

基于极化特征和纹理特征的PolSAR影像建筑物提取方法

极化合成孔径雷达（PolSAR）以其多参数、多通道、多极化、信息记录更加完整等特点，在城市地物提取领域中发挥着重要作用，并已成为遥感影像研究领域的热点。选择覆盖苏州市的Radarsat2影像，利用极化非相干分解法和灰度共生矩阵法分别提取19种极化特征和8种纹理特征，通过分析建筑物、植被和水体的极化特征和纹理特征进行特征组合，结合主成分分析法（PCA）和支持向量机法（SVM）对城市建筑物进行提取，并定量评估精度。结果表明：基于极化特征的建筑物提取精度最高为92.4%；基于纹理特征的提取精度最高为88.9%；极化特征与纹理特征相结合可以提高精度，最高精度为93.7%；PCA特征融合算法具有较高的运算效率，同时提高了精度。     

基于生成对抗网络的半监督遥感图像飞机检测

遥感图像上的飞机目标检测是一件极富挑战性的工作，吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法，这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力，是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题，提出一种基于生成对抗网络（generative adversarial networks，GAN）的半监督检测方法。在遥感图像飞机目标检测中，该方法不需要标记全部用于训练的图像，只需要标记其中一小部分样本，再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中，生成器学习数据分布并生成假样本，判别器判别真假样本，同时判别器还需要从标记数据中学习类别信息。最后，判别器学习到的决策分类面不仅仅区分出标记数据，而且平行于数据分布的边界。实验证明，在存在大量可供训练的图像的基础上，减少标注数据的比例，全监督学习方法性能会大幅下降；而本文提出的半监督学习方法，由于利用了未标注的数据，能保持更好的检测性能。     

基于稠密卷积神经网络的遥感图像自动色彩校正

对于单幅遥感光学图像，目前已经有很多有效的色彩校正算法，但是这些算法需要人工经验或对场景的先验知识，无法满足对快速增长的海量遥感图像进行自动化处理的需求。针对这一问题，提出一种基于稠密卷积神经网络的遥感图像自动色彩校正方法DCN（dense convolutional networks）。该模型可以预测遥感图像的RGB通道的颜色校正系数K，从而对原始图像进行自动色彩校正。DCN使用稠密模块代替部分卷积层，用更少的层数实现更多的连接。DCN模型由3 000幅GF-2号遥感图像在Tensorflow框架上训练得到，损失函数为颜色校正系数向量与真值向量之间的色偏角θ。经过测试验证，校正后的图像与原图像仅有很小的色偏角，且与真实地物颜色吻合。与传统方法相比，该方法在训练后，可直接使用生成的模型对训练集中未出现的图像进行颜色校正，无需对场景的先验知识和人工经验，也无需参考图像，可实现对海量遥感光学图像的自动化色彩校正。与传统的卷积神经网络CNN（convolutional neural networks）相比，基于DCN的模型拥有更少的参数和更好的泛化能力，而且不受输入图像大小的限制，在测试集上有更好的结果。     

背景差分与帧间差分相融合的遥感卫星视频运动车辆检测方法

遥感视频卫星的出现为实时连续对地观测提供了新的契机,为遥感动态监测与目标跟踪提供了新数据源。在分析遥感卫星视频目标检测与传统监控视频目标检测的差异的基础上,阐述现有目标检测算法直接应用到遥感卫星视频上存在的不足,提出一种背景差分与帧间差分相融合的方法并将其应用于遥感卫星视频运动车辆的目标检测中。通过抽取UrtheCast遥感卫星视频的4帧实验图像,分别采用背景差分法、帧间差分法和本文提出的方法对运动车辆进行检测并分析。结果表明,本文提出的方法能够更有效抑制移动的背景边缘和残留噪声干扰,提高检测的正确度和质量,在遥感卫星视频运动目标检测中具有良好的应用潜力。     

一种在轨海上多运动舰船目标检测和跟踪方法

传统遥感卫星图像处理采用在地面进行目标检测和跟踪处理的模式，卫星将拍摄到的图像数据下传至地面数据处理中心，由地面数据处理系统对接收到的遥感图像数据进行目标检测和跟踪。然而，随着遥感图像分辨率的不断提高，需要下传的数据量增大，导致星地数据传输的时间大大增加，最终造成目标检测和跟踪的时效性降低。针对上述问题，提出一种基于多特征量判别的Canny边缘检测和联合概率数据关联的在轨海上多运动舰船目标检测和跟踪方法。将该方法利用中国科学院微小卫星创新研究院的高分微纳卫星实测数据在模拟星载的嵌入式开发平台上进行验证，结果表明该方法能够在轨对海上多运动舰船目标进行快速、准确的检测和跟踪。     

利用面向对象分类技术的大尺度土地覆被调查方法

以HJ-CCD为实验数据,采用面向对象分类技术,对地形复杂、类型多样的湖南省进行土地覆盖类型的自动提取.着重研究在大尺度上的土地覆被调查中应用HJA/B遥感影像和面向对象技术获取土地覆被信息的一整套技术方法.将多尺度分割、邻域推移分类法以及野外调查、专家知识有机结合起来,并用野外采样点进行精度检验.湖南省土地覆被调查结果的总体精度84.99%,Kappa系数为82.79%.结果证明了以HJ-CCD影像为遥感数据源,利用面向对象技术进行大尺度的土地覆被调查的可行性和有效性.     

一种基于谱聚类算法的高光谱遥感图像分类方法

结合K-means算法和谱聚类方法的优点，提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上，采用K-means算法对图像进行粗聚类处理，然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比，该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明，相对于K-means和谱聚类方法，该方法具有良好的聚类性能。     

基于滤波张量分析的高光谱目标检测方法

现有的高光谱图像目标检测算法大都把各个波段不加区分地对待,从而不能充分利用图像波段的物理信息。将高光谱图像按照成像机理的不同首先分为几个不同的波段范围（比如可见光、近红外、短波红外等）,并通过将高光谱图像的不同波段范围与多时相遥感数据的时相维进行对应,将最近发展的一个多时相目标检测算法——滤波张量分析（filter tensor analysis,FTA）引入高光谱目标检测中,提出一种面向单时相高光谱图像的分波段FTA算法。针对高光谱图像的实验表明,与传统的单时相目标检测算法相比,分波段FTA算法取得了很好的检测效果。