基于网函数插值的MODIS Level 1B图像Bowtie效应修正

MODIS图像中Bowtie效应普遍存在,严重影响着数据的广泛应用和后续处理,因此Bowtie修正是MODIS图像处理必不可少的步骤。提出了基于网函数插值的MODIS图像Bowtie效应修正方法,其特点是利用MODIS Level 1B产品自带的地理纬度数据确定重复行数。应用个例表明,基于网函数插值的方法可以有效地对Bowtie效应进行修正,并且可以避免相关系数方法计算重复行数的不稳定性问题。     

MODIS 1B数据的重采样方法研究

针对MODIS 1B原始数据严重的几何畸变直接影响传统重采样算法精度的具体问题,论文提出了一种新的适应遥感数据空间分布非均匀性的重采样方法——正态采样法。该方法首先采用直接映射法确认纠正后像素点的位置,然后根据卫星扫描角与像素分辨率的空间关系确定搜索窗口,再根据正态分布理论提出的加权插值法计算纠正后像素的属性值。对比分析表明,采用正态采样法处理的图像,信息失真少,精度高,视觉效果好,是一种有效的MODIS数据重采样方法。     

一种近似核线影像相关法在遥感图像处理中的应用*

MODIS遥感图像数据L1B产品中存在着Bowtie Effect,即“双眼皮”现象,几何纠正后仍无法去除,因此必须在几何纠正前加以去除。而目前大型商用图像处理软件如POTOSHOP及遥感处理软件ENVI,ERDAS等还没有现成的处理工具。提出一种近似的核线影像相关法和一个快速去除MODIS“双眼皮”的思路,实验证明效果很好。     

非星历表法去除MODIS图像边缘重叠影响的研究

由于地球曲率的影响以及MODIS(MODerate-resolution Imaging Spectroradiometer)探测器的特点,使得MODIS L1B产品中存在着图像边缘重叠影响(Bowtie Effect),俗称“双眼皮”现象,即在图像的边缘部分存在有部分重叠。Bowtie Effect影响了边缘数据的使用,并且几何校正之后仍无法去除,因此该现象必须在几何校正之前加以去除。使用星历表数据去除Bowtie Effect计算较为复杂,同时用户必须获得当天的星历表。比较了去除Bowtie Effect的两种简单方法,,并对图像了进行几何校正,结果表明方法二更为适用。     

基于多尺度边缘保持正则化的超分辨率复原

超分辨率复原是一种由一序列低分辨率变形图像来估计一幅(或一序列)较高分辨率的非变形图像的技术,同时,它能够消除加性噪声以及由有限检测器尺寸和光学元件产生的模糊.提出了一种基于多尺度正则化先验的最大后验概率超分辨率复原算法.算法特点如下:(1) 对运动估计结果实施可信度验证;(2) 采用图像的多尺度小波表征来定义图像的空域活动性测度,并由此构建多尺度Huber-Markov先验模型.实验结果表明,该算法不仅具有较好的超分辨率图像边缘保持能力,而且能够有效地消除图像伪迹.该算法可以应用于遥感图像、医学成像、高清晰度电视标准和合成视频变焦等领域.     

条件生成对抗遥感图像时空融合

目的 卫星遥感技术在硬件方面的局限导致获取的遥感图像在时间与空间分辨率之间存在矛盾,而时空融合提供了一种高效、低成本的方式来融合具有时空互补性的两类遥感图像数据（典型代表是Landsat和MODIS （moderate-resolution imaging spectroradiometer）图像）,生成同时具有高时空分辨率的融合数据,解决该问题。方法 提出了一种基于条件生成对抗网络的时空融合方法,可高效处理实际应用中的大量遥感数据。与现有的学习模型相比,该模型具有以下优点：1）通过学习一个非线性映射关系来显式地关联MODIS图像和Landsat图像;2）自动学习有效的图像特征;3）将特征提取、非线性映射和图像重建统一到一个框架下进行优化。在训练阶段,使用条件生成对抗网络建立降采样Landsat和MODIS图像之间的非线性映射,然后在原始Landsat和降采样Landsat之间训练多尺度超分条件生成对抗网络。预测过程包含两层：每层均包括基于条件生成对抗网络的预测和融合模型。分别实现从MODIS到降采样Landsat数据之间的非线性映射以及降采样Landsat与原始Landsat之间的超分辨率首建。结果 在基准数据集CIA （coleam bally irrigation area）和LGC （lower Gwydir catchment）上的结果表明,条件生成对抗网络的方法在4种评测指标上均达到领先结果,例如在CIA数据集上,RMSE （root mean squared error）、SAM （spectral angle mapper）、SSIM （structural similarity）和ERGAS （erreur relative global adimensionnelle desynthese）分别平均提高了0.001、0.15、0.008和0.065;在LGC数据集上分别平均提高了0.001 2、0.7、0.018和0.008 9。明显优于现有基于稀疏表示的方法与基于卷积神经网络的方法。结论 本文提出的条件生成对抗融合模型,能够充分学习Landsat和MODIS图像之间复杂的非线性映射,产生更加准确的融合结果。     

一种适用于有损压缩图像的重采样检测算法

有损压缩与重采样操作在图像像素间产生的相关统计特性导致有损压缩图像难以被检测。为解决该问题,提出一种适用于无损图像的重采样检测算法,利用插值信号的周期性对图像频域特征进行分析,通过估算插值系数实现重采样检测。实验结果表明,该算法鲁棒性强、应用范围广,对于JPEG有损压缩图像的重采样检测具有较高的正确率。     

基于光谱特征分析的MODIS影像去云算法的研究

去云处理是遥感图像处理的重要步骤,提出了一种新的基于光谱特征分析的MODIS影像去云算法--首先分析云和云影地域的光谱特征,总结出云影响增强模型,计算一定周期内多时相遥感影像中云影响最小的影像的索引矩阵;为了进行图像之间的匹配,选择这些影像数据中云影响最小的一幅影像作为基准图像,对于无云的部分地域,对其余影像进行一元线性回归分析;利用提取的索引矩阵和图像之间的回归模型,通过像元替换方法,可以获得去除或者弱化云影响的图像。为了验证结果的准确性,通过该算法得到的250m空间分辨率的云检测图像与NASA提供的云检测图像进行对比分析,研究结果表明：提出的去云算法能消除或者大大减弱云对MODIS影像的影响。     

遥感影像库采样策略和空间配准快速算法研究

建立面向应用的遥感影像库关键在于建立序列化数据的索引机制,空间上既要建立相应分辨率下的数据目标,同时又要反映不同分辨率之间数据的空间关系和组成结构。但是不同分辨率的遥感数据空间定位的策略不同,需要在空间采样和数据访问机制上进行关联。论文提出利用二进制剖分算法将不同空间分辨率的遥感影像数据进行多级自组织处理MLSO(Multiple-Layer Self-Organization),将中高低分辨率的数据根据相互关联的采样策略进行重采样处理。基于MLSO机制,论文开发了快速算法,在局域范围内进行相邻像元的搜索,快速实现不同分辨率影像数据序列化。经过实践证明,该方法快速、准确。     

京津冀冬季气溶胶光学厚度遥感反演

针对传统的暗像元算法难以满足植被稀疏陆表气溶胶遥感监测需求的问题,提出了冬季植被稀疏的京津冀地区气溶胶光学厚度的遥感反演方法。以2016—2018年连续3年1—2月的AQUA/MODIS L1B数据为数据源,采用暗像元算法与深蓝算法结合的方法对冬季京津冀地区的气溶胶光学厚度进行了遥感监测。使用AERONET数据对结果进行了验证,并与MODIS MYD04_L2暗像元-深蓝气溶胶产品进行了对比。结果表明,该算法在冬季京津冀地区的气溶胶监测效果远好于暗像元算法,并与MODIS气溶胶产品表现出了显著的相关性,且有效监测范围更大、空间分辨率更高。根据连续监测结果,分析了京津冀地区冬季气溶胶光学厚度空间分布特征及其影响因素。     

MODIS图象的云检测及分析

云一直是遥感图象处理、图象分析的一大障碍.为了解决这一问题,试图探讨利用中分辨率成像光谱仪MODIS检测云的方法,该方法充分考虑到MODIS数据具有36个光谱通道,特别是红外波段细分的特点,先是基于云的波谱特性采用多光谱综合法、红外差值法及指数法来对MODIS图象上的云点进行检测,鉴于这些方法有一定的局限性,因而还运用了一种基于空间结构分析和神经网络的云自动检测算法;最后将各种方法的云检测结果进行相互映证和对照分析,结果表明,这些方法检测到的云互相吻合,说明利用MODIS图象可成功地检测云点像元.这不仅为云的去除奠定了良好基础,而且也可以提高图象识别、图象分类及图象反演的精度.     

结合纹理去除的遥感图像分割

针对包含复杂纹理信息的遥感图像难以进行精准图像分割的问题,提出了一种结合纹理去除的遥感图像分割方法。首先,改进了相对全变差纹理去除方法,通过引入新的范数约束使相对全变差纹理去除方法可以在去除纹理信息的同时凸显图像中的主要结构,达到辅助分割的效果;然后,使用均值漂移算法对经过纹理去除的遥感图像进行无监督聚类,达到分割的目的;最后,提出的遥感图像分割算法在不同遥感图像上进行了测试。实验结果表明,在高分辨遥感图像的分割上,所提算法可以分割出遥感图像中的主要目标,和直接分割或者结合其他纹理去除方法相比取得了更好的分割结果。所提出的分割算法可以降低纹理信息对图像分割的影响,提高遥感图像分割的精度。     

被动微波遥感在青藏高原积雪业务监测中的初步应用

积雪范围、积雪深度和雪水当量等参数的遥感监测与反演对气候模式的建立以及积雪灾害的评估具有重要意义。被动微波遥感在这些参数的反演方面具有明显优势,但目前尚未应用到青藏高原地区的积雪遥感业务监测上来。2001年10月至2002年4月,利用SSM/I数据对青藏高原地区的积雪范围和积雪深度进行了实时监测,为西藏、青海遥感应用部门提供逐日的雪深分布图。对这次监测的总效果进行了分析和评价,并对发生在青海省内一次较大的降雪过程进行了遥感分析,结果表明:SSM/I反演的积雪范围变化趋势与MODIS结果总体上较为一致;SSM/I的雪深监测结果为当地遥感部门对大于10 cm的雪深做出正确判断提供了重要信息,是对雪灾定位的重要信息源。     

基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

基于双搜索蜂群算法的四元数彩色遥感图像边缘检测

随着遥感图像大数据的出现,常见的彩色遥感图像边缘检测方法运算量大、速度慢、效果差等缺点越来越明显。以四元数表示彩色像素为基础,改进人工蜂群算法的单一搜索方程,加大雇主蜂搜索范围,加入跟随蜂莱维飞行因子,提出了基于双搜索方程的人工蜂群算法。实验结果表明,该算法具有计算量小、去噪能力强、边缘检测效果好等优点。该算法能有效地应用于从遥感图像中获取识别目标。     

面向云覆盖的遥感影像时空融合深度学习方法及其应用

遥感影像时空融合是一种获取高时空分辨率数据的有效手段,但现有方法在选定基础数据对时要求预测时间低分辨率数据无云覆盖影响,这极大地限制了其应用潜力。为此,提出一种面向云覆盖的遥感影像时空融合方法,即在深度学习框架下,构建重建子网络恢复预测时刻云下缺失信息,将重建后的低分辨率影像与前后相邻时刻高、低分辨率数据对构建时空融合子网络,得到最终的融合影像。以安徽淮南采煤沉陷区Landsat和MODIS反射率数据为例,对预测时刻MODIS数据模拟不同缺失率的云污染;利用所提方法进行时空融合实验,进而比较深度学习与传统方法融合数据对水体信息的提取效果。结果表明：该方法融合结果各波段的RMSE和SSIM均取得较好的定量评价效果,且总体优于传统方法;沉陷区水体提取实验表明本方法水体提取结果更加接近真实观测影像。因此,该方法降低了时空融合对数据的限制要求,且具有更高的融合精度和更有效的应用性。     

基于DWT域数字水印的遥感图像机密信息隐藏

提出了一种离散小波(DWT)域数字水印用于遥感图像的机密信息隐藏的算法.仿真实验表明,该算法不仅实现简单具有很强的透明性和大的信息隐藏量,而且对嵌入水印后的遥感图像的自身统计特性及使用价值基本不受影响.     

一种基于模糊关联分类的遥感图像分类方法

遥感图像分类是遥感领域的研究热点之一.提出了一种基于自适应区间划分的模糊关联遥感图像分类方法(fuzzy associative remote sensing classification,FARSC).算法根据遥感图像分类的特点,利用模糊C均值聚类算法自适应地建立连续型属性模糊区间,使用新的剪枝策略对项集进行筛选从而避免生成无用规则,采用一种新的规则重要性度量方法对多模糊分类规则进行融合,从而有效地提高分类效率和精确度.在UCI数据和遥感图像上所作实验结果表明,算法具有较高的分类精度以及对样本数量变化的不敏感性,对于解决遥感图像分类问题,FARSC算法具有较高的实用性,是一种有效的遥感图像分类方法.