高光谱图像光谱域噪声检测与去除的DSGF方法

高光谱遥感图像中不仅存在空间域噪声而且存在光谱域噪声.传统的图像滤波仅对图像空间域噪声进行处理,而不能去除光谱域噪声,为改进这种状况,提出了DSGF(Derivative based Savitzky-Golay F ilter)方法.首先,基于反射率光谱的二阶导数对反射率光谱各波段噪声大小进行判定,然后用不同大小平滑窗的Savitzky-Golay滤波器对反射率光谱作两步滤波.对高光谱图像进行的逐像元DSGF滤波,在去除光谱域中噪声的同时,保留了图像反射率光谱的大部分细微特征.     

噪声种类及其抑制方法浅淡

介绍了电器设备中噪声的种类及产生的机理,以抗干扰的三要素为出发点,简述了抑制噪声源,消除噪声耦合和在接收电路中抑制噪声的方法。     

开关电源噪声的形成及抑制方法

开关电源产生的噪声比常规线性电源产生的噪声大得多。介绍了开关电源噪声的类型,分析了开关电源噪声的产生原因,讨论了开关电源中噪声的抑制方法,介绍了几种抑制开关电源中噪声的实用电路。     

传感器的噪声及其抑制方法

详细分析了传感器电路的噪声源，给出了实际的解决方法如屏蔽、隔离等，以及滤波、检波等信息处理电路。     

直流电机噪声的产生原因与抑制方法

简述了电机噪声的作为电机技术指标的重要和电机噪声的研究发展历程,分析了直流电机噪声产生的成因,对这些噪声进行了分类,分析并总结了直流电机的电磁噪声、机械噪声、空气动力噪声的产生原因和机理,提出了在电机设计、制造和应用中降低和抑制直流电机噪声的方法,这些方法可以有效地在电机研发和制造中实际应用和借监。     

基于非屏障的噪声抑制方法探讨

阐述了电磁辐射的机理，介绍如何从辐射源上减小电磁辐射的几种方法和电路设计时的注意事项。     

基于边缘剔除的陆基高光谱图像噪声评估方法

为了准确地对陆基成像条件下高光谱图像的噪声水平进行评估, 提出了一种基于边缘剔除后残差调整的局部标准差法。首先将获取的高光谱图像分成若干个大小合适的子块, 而后利用Canny边缘检测算子检测出图像的边缘信息, 判断并剔除其中含有边缘的子块, 将剔除边缘子块后的均匀子块采用多元线性回归后求取残差的方法进行噪声估计。结果表明, 对同一幅陆基高光谱图像的不同子区域进行4×4像元与8×8像元分块, 得到的噪声总误差值分别为1.985×103与2.197×103。该噪声估计方法对陆基成像条件下高光谱图像的噪声评估具有较强的鲁棒性, 可为后续陆基高光谱图像处理与应用提供参考。     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

基于光谱空间信息的高光谱遥感图像混合噪声评估

综合利用高光谱图像的光谱信息和空间信息,提出了一种新的混合噪声评估方法.首先通过滤波算法进行图像中均匀图像块的自动选取;然后利用多元线性回归模型,将均匀图像块内像素点的信号值和噪声值进行分离,并实现了图像中加性、乘性噪声的粗评估;最后根据噪声模型构建似然函数,利用最大似然估计法求解噪声模型参数.通过仿真图像和真实高光谱图像进行实验,验证了该方法的准确性和鲁棒性.     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于神经网络的图像混合噪声消除

神经网络在智能化信息处理和非线性滤波方面的优异表现，使得越来越多的人将神经网络应用到图像处理中。提出一种将非线性滤波器和神经网络结合所构成的滤波器，实验证明这种滤波器在消除图像的混合噪声、保护图像的边缘信息方面具有明显的效果，通过对受到较大噪声影响的输入图像进行滤波，可使输出图像的信噪比提高10dB以上。     

高光谱空谱一体化图像分类研究

高光谱图像分类是遥感图像处理技术中的一个热点,提高分类精度是目前一个重要研究方向。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息,往往忽视图像空间域信息。本文提出了一种基于空谱一体化处理的高光谱图像分类方法,在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。实验证明本方法能提高高光谱图像分类精度。     

基于地标空间信息的高光谱遥感图像分类

高光谱遥感图像同时具有光谱与空间特征信息,充分利用空间特征能够有效提高分类结果.高光谱图像上同类像素点的邻域空间信息差异较大会影响分类效果,针对这个问题提出了一种新的空间信息利用方法,记作地标空间信息.将光谱信息与地标空间信息结合使用,通过深度信念网络提取特征.实验表明地标空间信息能够有效提高深度信念网络以及对比方法的分类结果.     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

基于信噪比墙的协作能量检测算法

认知无线电技术可有效地检测到授权频段的频谱空洞,从而提高频谱效率.能量检测由于不需要授权用户的先验信息而被广泛应用.然而由于接收的噪声存在不确定性,使得在信噪比低于某一闸值时,无论观测时间多长,都无法保证检测结果满足要求的检测性能,这一闸值被称作“信噪比墙”.本文通过信噪比墙这一现象进行分析,同时由于协作感知算法在确定噪声下在提高检测性能方便表现出的优势,提出一种基于信噪比墙的协作能量检测算法,通过仿真结果分析,表明本文算法在检测性能和节能上较已有的协作算法具有优势.     

高分影像在改进的最优分割尺度下的多层次混合分类

针对高分辨率遥感影像分类时的同谱异物和面向对象分类的最优分割尺度难以确定的问题,提出一种混合的分类方法。首先采用一种改进的目标函数来计算每种类别的最优分割尺度,实现对高分辨率影像的多尺度分割;其次,在每种类别的最优分割尺度下构建多层次分类;最后,在该多层次结构中,采取基于知识规则的分类和SVM分类器结合来进行分类。实验结果表明,本文方法总体精度和Kappa系数较其他方法都有明显的提高。     

应用相位一致性评价多光谱遥感图像条带噪声

条带噪声是影响多光谱遥感图像质量的重要因素之一,严重影响遥感数据的解译和信息提取。提出一种应用相位一致性进行多光谱遥感图像条带噪声质量评价的方法。该方法不受图像亮度或对比度变化的影响,以频域中相位一致性探测图像特征点,综合考虑图像中条带噪声的数量、长度、宽度和强度建立评价因子,客观评价遥感图像中存在的条带噪声对图像质量的影响。实验证明该方法评价结果符合人眼视觉感官评价。