长春南湖水体透明度高光谱定量模型研究

透明度是衡量水质优劣、评价湖泊富营养化的一个重要指标,高光谱遥感可有效反演透明度,较好解决了常规遥感中出现的问题。本研究利用野外高光谱仪在长春南湖夏季进行了反射光谱测量和同步水质采样分析,通过分析水体透明度与其高光谱反射率之间的相关关系,尝试采用多种半经验算法建立透明度高光谱定量模型,并进行了验证。结果表明：1）单波段、波段比值和一阶微分反演模型,确定性系数皆在0.74以上,RMSE小于透明度极值差,因此皆可以用于反演透明度;2）模型精度从高到低依次为：一阶微分模型、单波段模型和波段比值模型。该定量模型的建立,为今后利用成像光谱数据在南湖进行透明度大面积遥感反演研究提供了研究基础和科学依据,对内陆水体透明度反演也有一定的借鉴意义。     

基于三波段模型的大豆叶绿素a含量估算模型

基于实测大豆冠层高光谱及叶绿素a数据,利用植被指数和三波段方法建立大豆叶绿素a的高光谱反演模型. 通过IDL（interactive data language）实现NDVI和RVI波段的重新选择,提高了基于2种植被指数的模型反演精度. 比较而言,三波段方法建模反演大豆叶绿素a含量的精度较改良后植被指数的更高（R²=0.81）. 研究结果表明,利用波段重新组合的植被指数建立的估算模型可以提高大豆叶绿素a的估算精度;三波段模型法可以筛选更好的波段来构建模型,并在一定程度上提高大豆叶绿素a反演精度.     

黄河三角洲土壤含盐量定量遥感反演

以黄河三角洲地区为实验区域,利用实测的土壤全盐含量数据,结合中国产的中巴地球资源卫星02B(CBERS-02B)多光谱遥感影像,分别应用传统的多元线性回归模型和BP人工神经网络模型,对其进行含盐量反演建模,并对2种模型的精度进行比较.实验表明,应用BP人工神经网络建模,明显改善了反演精度;且该反演模型更适宜于高盐度区域(全盐含量>1%)土壤含盐量反演制图,具有较好的应用前景.     

一种基于图割的机载LiDAR单木识别方法

针对现有机载激光雷达（light detection and ranging，lidar）数据单木分割算法在密集林区中探测精度较低的问题，结合林木冠层空间结构分层的特点，提出一种从机载点云数据直接分离单木的方法。首先，对原始点云数据进行去噪、滤波、高程归一化；然后基于冠层高度模型（canopy height model，chm）计算局部最大值以确定冠层表面的明显树顶，以此作为单木位置的先验知识，继而采用归一化割（normalized cut，Ncut）方法实现冠层的初始分割；最后，以全局最大值代替局部最大值，并将冠层形状、冠层最小点数作为约束条件，再次利用Ncut方法完成对漏检单木的探测，进而实现单木的精确探测。实验结果表明，针对密集林区的单木分割，本方法有效地减少了漏识单木，整体精度达90%以上，将有助于单木三维结构定量描述及参数反演。     

利用统计和物理模型反演植物生化组分的比较

利用不同形式的光谱数据,如反射率、透射率和吸收率,以及经过不同波段间隔和噪声水平处理的反射率,直接比较了统计模型和物理模型反演鲜叶片叶绿素、水和干物质含量的效果。结果表明,物理模型对光谱数据波段间隔和噪声的鲁棒性比统计模型要好,而在反演的绝对效果上,统计模型的反演结果特别是对水分的反演与物理模型相当,要充分考虑统计模型和物理模型反演植物生化组分时的优缺点,提高反演的精度和效率。     

镀膜双镜头多光谱相机的波段配准方法

针对镀膜双镜头多光谱相机波段多、数据量大、配准流程复杂的问题,提出一种基于改进SURF算法的快速配准方法。该方法首先完成对各波段图像的预处理,采用数字畸变模型采样法对各波段影像畸变进行校正;然后对畸变改正后的各波段图像利用快速版的SURF算法(F-SURF)进行配准。F-SURF算法从3个方面对原SURF算法进行改进,包括:依照匹配贡献度优化算法组数设置、舍弃算法旋转不变性以及引入渐进采样一致法进行特征点匹配等。通过地面及飞行实验数据进行算法验证,结果表明改进算法的配准精度优于经典SURF算法,且时间效率显著提升。     

叶肉结构对叶片光谱及生化组分定量反演的影响

深入研究了PROSPECT模型中叶肉结构参数N对叶片反射和透射光谱的影响,利用迭代法使全波段代价函数达到最小来计算LOPEX93数据集中样品的最优N值,对在最优N值下的模拟光谱与实测光谱进行比较,并对N在不同取值情况下,叶绿素与水分的反演进行了研究.研究认为:(1)N对整个光谱波段产生影响,并随N的增大而减小;(2)构造全波段代价函数,利用迭代法得到的最优N值可以很好地模拟实际光谱;(3)在高估N值情况下的叶绿素和水分反演精度明显高于低估N值的情况;(4)水分反演的效果明显优于叶绿素反演的效果,原因与代价函数的选取有关.     

太湖富营养化水体比辐射率测量及MODIS水体温度反演应用

比辐射率是遥感温度反演的重要参数，水体成分变化会改变水体热辐射物理性质，对比辐射率造成影响。目前研究水体成分对水体比辐射率影响的研究比较缺乏。利用搭配PIKE积分球的Nicolet iS50傅里叶红外光谱仪测定不同浓度浮游藻类、悬浮物对水体比辐射率的影响，提出一种二类水体比辐射率的计算模型，基于该公式计算MODIS影像在分裂窗算法中的比辐射率响应与太湖表面温度，并进行空间分析与精度评价。实验结果表明：蓝藻与悬浮物对水体比辐射率都有影响，悬浮物影响更显著；在综合考虑叶绿素a和悬浮物的条件下，与传统水温反演结果相比，偏差最大可达1.21 ℃；在较低浓度的悬浮颗粒物条件下，浮游藻类叶绿素a浓度对温度反演的最大偏差达0.86 ℃，在较低浮游藻类叶绿素a浓度条件下，悬浮颗粒物浓度对温度反演的最大偏差达0.98 ℃。真实性检验结果表明，蓝藻和悬浮物浓度对温度反演的最大影响值达到0.78 ℃，多数验证点的影响值在0.53~0.78 ℃之间。研究表明，引入蓝藻与悬浮物浓度的比辐射率校正函数能够有效降低水体表面温度的遥感反演误差。     

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Sentinel-1/2的水体提取方法对比研究——以斯里兰卡小型水体为例

地表水面精确提取是研究地表水质和水量变化的重要基础。斯里兰卡是"21世纪海上丝绸之路"的重要参与国，年降雨量丰富，但时空分布不均，斯里兰卡人民长期用水困难，研究斯里兰卡地表水体有助于斯里兰卡民生问题的解决。斯里兰卡国内散布着大量的小型水库和坑塘，这些小面积水体易受周边环境因素影响而提取困难。基于2017年7月斯里兰卡中东部地区的哨兵（Sentinel）1/2号卫星影像，对比分析单波段法、水体指数法和监督分类等水体提取方法的精度和存在的问题。结果表明，归一化水体指数法NDWI的准确率最高，分类精度达94%。     

基于自适应K均值聚类和霍夫变换的船舶干舷视觉检测

针对内河船舶监管过程中对船舶干舷的测量还需人工巡航,增加了海事部门管理成本问题,提出一种不借助船舶水尺标志检测船舶干舷的方法。对采集的图像进行中值滤波预处理,去除孤立点、降低噪声敏感性;考虑图像颜色特性,应用自适应K均值聚类算法识别船舶区域;联合Canny边缘检测和霍夫直线检测的方法,标记船舶吃水线和甲板边线,并利用数学形态学方法提高检测准确性;基于标定相机和双目测距原理建立图像坐标与世界坐标转换关系,找到甲板中间位置,取其与水面的距离作为船舶实际干舷值。用相机拍摄内河船舶进行检测,结果表明,该方法可以对内河船舶的吃水线和船舷线进行检测并计算干舷值,用于判断船舶是否超载并及时发出预警,满足海事部门的监管需求。     

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。     

基于显著性的SAR图像船舶目标检测方法

船舶检测是SAR海洋应用的重要方面。提出一种通用的检测方法，用以检测不同状况下的SAR图像船舶目标。首先将SAR图像分解为金字塔图像序列，然后对其中每一层图像使用谱残差法进行显著性检测，得到包含船舶目标的显著性子图；而后融合各子图得到最终显著图，对该显著图应用优化阈值的分割方法得到最终的检测结果。SAR数据实验结果表明，该方法具有复杂度低、检测精度高等特点，且极大降低了对先验知识的依赖。     

基于双目点云的三维物体检测准确性分析

双目相机虽然能通过算法生成密集的深度数据,但其在精度上与激光雷达生成的深度数据有着较大的差距,特别是在纹理不明显的区域。针对这种现象,尝试使用激光雷达的精确点云来排除由双目相机产生的pseudo-LiDAR数据中与之差别较大的部分点,然后将优化后的pseudo-LiDAR用以进行三维物体检测。实验结果显示,将pseudo-LiDAR数据中的不准确点（坏点）排除,有助于提高检测准确率,最多可提高21.02%。因此,如何不依赖激光雷达数据来排除pseudo-LiDAR点云中的坏点是进一步提高双目相机系统检测准确率的关键。     

基于深度图像的视点绘制新方法

针对虚拟视点合成中存在的伪影和空洞问题,提出一种基于深度图像的视点绘制新方法.该方法首先使用视点同步生成机制得到虚拟视点的图像和深度信息,并根据深度信息擦除背景伪影;其次,通过基于深度的空洞填补和边界处理方法进一步消除视点图像中的空洞和前景边缘失真.实验结果表明,与MPEG 的3DV/FTV标准参考方法相比,该方法生成的虚拟视点PSNR值提高了2dB.     

高速公路收费道口自动车型识别系统中的车轮检测算法

为提高高速公路收费道口自动车型识别系统(Vehicle Recognition System,VRS)的识别准确率,针对基于三维成像的VRS中的车轮检测,提出一种优化算法,以精确检测出车轮的位置和大小.利用激光雷达检测到有疑似车轮的目标通过扫描平面时,控制摄像头抓拍图像;对抓拍到的图像进行灰度化、图像增强、边缘提取、背景分离等处理;利用霍夫变换进行车轮边缘拟合,检测图像中是否含有车轮,若有,可同时得到车轮的位置和大小;在MATLAB中实现该算法.结果表明,该车轮检测算法能够快速、精确地检测出车轮,效果良好.     

基于改进的YOLOv3和Facenet的无人机影像人脸识别

基于无人机影像的高精度人脸识别在应急救援、嫌疑人员跟踪等场景中发挥着重要作用。深度学习卷积神经网络以其较高的精度和较少的人为干扰被广泛应用于目标检测识别领域,能很好地应用于无人机影像人脸识别任务中。探究在无人机嫌疑人员识别应用场景下利用卷积网络进行人脸高精度识别,用改进后的YOLOv3(you only look once)进行无人机影像的人脸检测,将得到的预测框对齐后输入到经典的Facenet人脸识别网络中进行目标身份的判定。实验对比了改进后的YOLOv3、原始YOLOv3和MTCNN(multi-task convolutional neural network)的检测效果以及结合Facenet进行人脸识别的效果。结果表明：1)改进后的YOLOv3相对于原始YOLOv3不仅精度和召回率得到提升,而且模型参数量有所减少,无人机影像的漏检和错检现象也轻于原始YOLOv3;此外,改进后的YOLOv3相对MTCNN的AP(average precision)提升9.49%,检测速度也约是MTCNN的3倍;2)改进后的YOLOv3+Facenet相对于原始YOLOv3+Facenet及MTCNN+Facenet对人脸的区分能力更强,精度更高,对遮挡以及模糊的鲁棒性也更强。     

椭圆灰度图像的高精度计算机仿真

利用像素阵列式摄像机(例如,CCD摄像机)的成像模型、椭圆几何模型,使用计算机图像仿真技术生成具有亚像素级精度的椭圆图像.理论分析和实验结果表明,所开发的高精度计算机仿真椭圆图像算法对检验亚像素椭圆检测算法性能和提高计算机仿真图像的视觉效果具有重要作用.