基于主成分分析的自组织竞争神经网络在多光谱遥感影像分类中的应用

多光谱遥感影像具有波段多、信息量大的特点,传统的分类方法难以达到提高精度的要求.利用主成分分析对多波段遥感图像进行降维,再采用竞争型自组织神经网络对图像进行非监督分类.这种方法的分类精度为87.5%,Kappa系数为0.86,明显高于最大似然法,最小距离法和基于像元的自组织竞争神经网络法.实验结果表明该方法在多光谱遥感影像分类中具有较好的适用性.     

基于分形脊波神经网络的遥感图像分类研究

在分形理论和脊波神经网络的基础上，综合利用彩色遥感图像的光谱、纹理和形状特征，提出了一种彩色遥感图像的分类新方法．该方法把彩色图像的蓝、绿、红波段作为3个光谱特征，由分形理论计算的DBC维和多重分形维数作为2个纹理特征，平均不变矩作为1个形状特征，并利用对曲线具有极强方向识别能力的脊波神经网络作为分类器．实验结果表明，提出的彩色遥感图像分类方法具有较高的分类准确率和较强的抗噪音能力．     

彩色遥感图像去薄云新方法

提出一种基于改进型多尺度Retinex彩色图像的增强方法，以实现彩色遥感图像去薄云的新方法。采用改进型Retinex算法增强后的图像突出了黑暗区域的信息，但是云在遥感图像中出现在较亮区域时，一般来讲Retinex不能直接实现去云。如果将有云的遥感图像取补色，则原来亮的区域就变成了暗的区域。该文利用改进后的多尺度Retinex算法对这个区域实现增强，将黑暗的区域呈现出层次感，再将增强后的图像取补色，突出了原图像中亮区域的层次感，从而达到去除薄云的目的。实验结果表明:该方法去薄云效果良好。     

基于红外被动探测遥传的地面遥感侦察

利用被动的红外探测方式，通过无线电扩展红外系统的作用距离，提供了一种地面侦察的手段．实验证明，该系统精确度高，实用性强，并可作为大学物理演示实验．     

地球遥感概况

150年前 L.J.M.Daguerre 和J.N.Niepce发明的银板照相术为现代摄影技术奠定了基础,也提供了一种记录遥感图象的方法.20年后即1859年,G: F.T.Clateu 在气球上拍摄的巴黎可谓世界上第一张航空像片.中国的风筝在早期也是一种重要的空中平台,在1906年 G.R.Lawrence拍摄的 1.4m × 2.4m的巨幅像片─—大地震后的旧金山,就是用17个风筝把相机带到空中拍摄的.第一张有据可查的从飞机上拍摄的航空像片是1909年由W.Wright驾驶的飞机在意大利上空拍摄的.第一次世界大战期间,航空像片广泛用于军事侦察,并取得了良好的效果.第二次世界大战中,航空…     

面向网络发布的海洋遥感数据库引擎设计与应用

以浙江海洋水质遥感速报GIS系统的实现为例．针对海洋遥感数据有效管理和网络动态发布的需求,自主设计了面向海洋遥感数据的空间数据库引擎MRSSDE（Marine Remote Sensing Spatial Database Engine）,详细介绍了MRSSDE的数据存储结构和数据访问机制．在浙江海洋水质遥感速报GIS系统中的应用表明,该引擎在对海洋遥感数据方面具有存储效率高、数据上载速度快及响应时间短的特点,达到了海洋遥感数据高效管理和网络实时发布的目的．     

被动式FTIR遥感掺纳米材料固体推进剂的燃烧火焰温度

应用被动式遥感FTIR,分别对掺入纳米级金属氧化物、掺入同种材料普通金属氧化物及无掺入物的固体推进剂的燃烧火焰温度进行了测量。固体推进剂的主要成分为硝化棉和硝化甘油。掺加物分别为6 nm CuO,56 nm Fe₂O₃,16 nm NiO粒子及相应的普通金属氧化物。FTIR仪器分辨率为1 cm-1。利用燃烧产物中H₂O分子在2.75 μm处的基带发射光谱精细结构,根据分子转振光谱测温法,计算出燃烧火焰温度。结果表明,掺有纳米级CuO,Fe₂O₃和NiO粒子的固体推进剂的燃烧火焰温度分别为3 089,3 193和3 183 K,此温度与掺入同种材料的普通金属氧化物和无掺入物的固体推进剂的燃烧火焰温度无明显差别。     

光学相关法测量空间相机像移的性能研究

为了测量由卫星姿态不稳定或振动等原因引起的空间相机的亚像元像移,使用了光学联合变换相关器(JTC)对安装在相机焦面上的辅助面阵CCD采集到的相邻两帧图像进行相关运算.给出了使用该方法测量像移的原理,搭建了实现JTC的光学实验平台,对JTC测量相机像移的性能进行了实验研究.结果表明,使用JTC完全可以测量空间相机的亚像元...     

快速实现基于单形体体积生长的端元提取算法

单形体体积生长算法(SGA)是一种比较有效的高光谱图像端元提取算法。为了解决多次顺序计算单形体体积所造成的高计算复杂度的问题,基于高维空间单形体体积计算公式实现SGA(NSGA),推导出两种NSGA的快速实现算法:基于矩阵三角分解的NSGA算法(FNSGACF)和基于分块矩阵行列式的NSGA算法(FNSGA)。FNSGACF主要利用改进Cholesky分解方法,将单形体体积的计算转化为矩阵的三角分解,从而降低了计算复杂度,提高了算法的效率。FNSGA引入分块矩阵的思想来简化矩阵行列式的计算,很大程度降低了计算的复杂性。基于仿真实验研究和真实高光谱图像实验研究的结果表明,这两种快速实现算法都在保持NSGA结果的基础上运行更快,达到了快速实现的目的。