多尺度膨胀卷积神经网络资源三号卫星影像云识别

为提高影像云识别精度,提出一种多尺度膨胀卷积深层神经网络云识别方法。结合卫星影像特征,设计云识别卷积神经网络结构,该结构包含深层特征编码模块、局部多尺度膨胀感知模块以及云区预测解码模块。首先,编码模块中通过基础卷积层获取深度特征;其次,联合多尺度膨胀卷积和池化层共同感知,每层操作连接非线性函数,以提升网络模型的表达能力;最后,云区预测解码模块中融合对应编码模块的特征,再利用L1正则化上采样算法实现端对端的像素级云识别结果。选用典型云遮挡区域影像进行云识别实验,并与Otsu算法和FCN-8S算法进行对比。结果表明,本文所提算法的检测精度较高,Kappa系数显著提升。     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

基于深度学习的SAR辅助下光学遥感图像去云方法

针对现有基于深度学习的SAR辅助下光学图像去云方法对光学图像纹理、光谱信息考虑不足,导致去云后影像往往存在模糊、光谱损失等现象,根据杭州市余杭区哨兵一号(Sentinel-1)和哨兵二号(Sentinel-2)卫星影像,构建了 SAR辅助下光学图像去云数据库,并充分考虑光学遥感图像的细节、纹理以及色彩信息,建立了基于条...     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别。经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

联合连续学习的残差网络遥感影像机场目标检测方法

在现有的高分辨率、大尺度目标遥感图像的检测中,传统方法由于提取特征手段单一、速度慢而无法快速并准确地从光学遥感影像中实现机场目标的识别。受人类视觉系统层次认知的启发,提出了一种适用于中高分辨率光学遥感影像的机场目标检测网络(CLRNet)。首先构建深度残差块,并将其作为特征提取网络;然后基于生成的样本核心集,采用连续学习方式从海量遥感数据中逐次迭代,精调机场检测模型;经过连续学习得到了鲁棒性强、遗忘度低的检测模型,该模型可以准确快速地从海量复杂背景下的光学遥感影像中识别出机场目标,而且对薄云遮挡以及卫星拍摄不全的机场有较好的识别效果。选取国产吉林一号卫星影像数据集进行测试,结果表明:所提方法的检测精度mAP(IoU不小于0.5)可达0.9613,每景的检测时间为0.23 s。     

基于多属性融合的高分辨率遥感图像云检测方法

针对全色CCD光学遥感卫星成像平台,提出了一种基于多属性融合的高分辨率图像云检测方法。首先根据云的物理特性和成像特性展开多属性分析,并提出了基于可分离度的特征选择准则来进行特征参量提取;然后针对两类样本的分布结构差异,结合LDA线性特征压缩算法,削减特征空间的维度;最后利用SVM分类器完成云检测。实验结果表明,该方法适用于高分辨率全色遥感图像的云检测,具有较高的检测概率和较低的虚警概率以及较高的算法执行效率。     

基于被动遥感卫星可见至红外通道观测的云特性遥感

云是地球辐射收支、水循环和生物化学循环的主要调节者。自1960年人类第一颗气象卫星(TIROS)的发射起,被动卫星遥感已经发展成为获取云观测资料最高效的手段之一。被动卫星具有观测范围大、时间跨度久的特点,其中利用可见至红外波段(0.40～15μm)的遥感成像仪相对高光谱成像仪、微波成像仪具有时空分辨率更高的观测优势。首先,针对极轨卫星多光谱成像仪、多角度偏振成像仪和新一代静止卫星成像仪三类载荷概述了被动卫星基于可见至红外波段的观测特点。然后,介绍了包括云检测、云相态、云顶参数、云光学和微物理参数的观测原理和应用方法。最后,通过总结和展望为被动卫星可见至红外资料的云特性遥感研究提供一些思考。     

基于反射率特性的高光谱遥感图像云检测方法研究

为了提高光谱遥感图像数据的利用率,提出了一种基于光谱反射率特性的星载高光谱图像云检测方法。首先分析了各类地物在不同光谱下的反射率特征,根据其特点从星载高光谱图像中选取特定5个波长的图像数据,然后依照图像地物反射率及阈值判定法区分出高云区和中低云区,最后对二者合并,得到目标云区。试验结果表明,该方法的云检测率可达90%以上,虚警率在1%以内,可以准确区分云与雪地区域、沙漠区域以及植被区域,实现云检测。     

高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。     

利用隐扩散模型的光学遥感影像去云方法

云层遮盖会导致影像中的地表信息缺失,严重降低遥感数据的可用性。针对该问题,提出一种利用隐扩散模型的光学遥感影像去云方法。将本文方法在STGAN数据集和SEN12MS-CR Winter数据集进行评估,得到：本文方法在STGAN数据集上的平均信噪比和平均结构相似性指数分别为26.706和0.759,较对比方法的平均信噪比和平均结构相似性指数分别平均提高9.855、0.171;本文方法在SEN12MS-CR Winter数据集上的平均信噪比和平均结构相似性指数分别为28.779和0.798,较对比方法的平均信噪比和平均结构相似性指数分别平均提高7.683、0.124。实验结果表明：本文方法优于对比方法,能较好地实现光学遥感影像去云任务。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准...     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

吉林一号卫星遥感应用实践

铝反射镜在航空航天和空间遥感卫星领域中广泛应用,为了提高铝反射镜的轻量化率, 降低民用商业遥感卫星的发射成本,设计了一种背部开放式、三角形孔结构和三点支撑形式的轻量化铝反射镜。在此结构基础上,首先以质量最小为优化目标,以反射镜背部加强筋的厚度和加强筋的布局为优化对象,以柔度最小为响应约束,应用有限元法对反射镜背部加强筋的厚度进行尺寸优化和加强筋的布局进行拓扑优化,得到的铝反射镜轻量化率超过63%;然后设计了工装夹具进行单点金刚石车削加工试验;最后使用激光干涉仪检测反射镜的面形精度。检测结果表明：反射镜的面形值PV(peak to valley)为1.48 μm,能够满足民用商业遥感卫星的使用要求。

     

静止卫星遥感图像海岸线检测

静止卫星采用遥感图像中的地标进行自动导航,海岸线的检测是图像导航的重要一步。将检测结果与全球标准模板库中相应区域的海岸线匹配,依据获得的偏移量调整卫星姿态。根据静止卫星图像导航过程的特点,提出了一种适用于静止卫星红外通道的海陆分界线检测方法,进行云检测并依据地标模板库初始化后,采用C-V模型推动曲线进行演化。实验结果表明,此方法针对静止卫星红外通道的特征,不仅具有计算量小、精度高的特点,而且具有较好的稳定性和普适性。     

基于短波红外遥感影像的船只自动检测方法

针对近海、内河场景中船只检测准确性低的问题,提出了一种基于短波红外遥感影像实现水体分割和船只自动检测的方法。利用水体在短波红外波段反射率低的特点,采取阈值分割和形态学处理的方法,从影像中快速准确地提取水体区域;使用视觉显著模型搜索水面目标,提取候选目标的图像切片;对可能存在的伪目标,使用灰度分布直方图描述目标切片的灰度分布特征,并结合梯度方向信息通过阈值判别的方法去除伪目标。结果表明,该方法能高效检测近海、内河中不同尺寸的船只目标;显著性检测共获得279个候选目标,经目标鉴别步骤检测出142个真实目标中的138个,虚警率小于6%,召回率大于97%。     

静止卫星遥感图像海岸线检测

静止卫星采用遥感图像中的地标进行自动导航,海岸线的检测是图像导航的重要一步。将检测结果与全球标准模板库中相应区域的海岸线匹配,依据获得的偏移量调整卫星姿态。根据静止卫星图像导航过程的特点,提出了一种适用于静止卫星红外通道的海陆分界线检测方法,进行云检测并依据地标模板库初始化后,采用C-V模型推动曲线进行演化。实验结果表明,此方法针对静止卫星红外通道的特征,不仅具有计算量小、精度高的特点,而且具有较好的稳定性和普适性。     

基于高分一号卫星WFV影像的水稻信息提取模式

通过卫星影像利用水稻不同物候期的特征对其进行识别是目前在水稻信息提取方面比较有效的方式。首先根据水稻区别于其他植被的显著特征,即水稻生长前期稻田的下垫面含有大量水的特性,将用于提取水域信息的归一化水体指数(normalized difference water index,NDWI)合理地应用在水稻前期的信息提取中,并且利用两个物候期的NDWI做比值,扩大了水稻与其他地物之间的差异。再借助归一化植被指数(normalized differential vegetation index,NDVI）在不同物候期的增长变化特征可以进一步提高水稻信息提取的精度。研究发现充分利用水稻在不同物候期的特殊性,并结合与水稻特性相关的指数,将NDWI和NDVI两种指数同时用于水稻提取,确定合理、准确、有效的提取方法是提高水稻提取精度的主要途径。本文以安徽省来安县的水稻为研究对象,基于2013年7月12日和8月30日获取的两幅高分一号卫星WFV影像数据,利用水稻分蘖期和抽穗期的NDVI和NDWI构建了水稻信息提取模式,有效地提取出了来安县的水稻信息分布并进行制图,最后结合在研究区野外实地考察的信息数据对提取结果进行验证和评价。研究结果表明利用该模式能够快速、准确地从遥感影像上获取水稻分布信息,具有很好的普适性。     

基于IDL的遥感影像特殊信息提取方法研究

 地球表面是由生物圈、岩石圈、大气圈、水圈所构成的一个非常复杂的巨系统。地表表面形态各异,地物的电磁辐射与反射特征不同,况且同一地物在不同时段的电磁辐射特征会有很大差异,特别是地表小尺寸、特殊地物的光谱信号比较弱,而这些微弱信息可能对描述地表特征及其规律更加有用。