三峡坝区水体悬浮泥沙含量遥感估算模型研究

通过对水槽中不同含沙量水体所进行的光谱测试,获得了不同含沙量水体的光谱曲线,得到了不同含沙量水体与光谱反射率之间的相关估算模型.     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

基于小波变换的影像纹理特征提取试验

利用小波变换获取子图像的能量值来提取高分辨率遥感影像的纹理特征,采用了大量训练样本进行特征统计,揭示了小波变换用于遥感影像纹理特征提取的规律。     

多源DEM融合的高差拟合神经网络方法

本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏,进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法,尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先,根据ICESat GLAS的相关参数及与DEM数据的高程差值,结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波,剔除异常数据点。然后,以ICESat GLAS数据为控制点,利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬度坐标作为网络输入,ICESat GLAS和ASTER GDEM v2的高程差值作为目标输出,训练得到预测高差,将其与ASTER GDEM v2高程值相加即可获得校正结果。最后,引入TIN差分曲面的方法,利用校正后的ASTER GDEM v2高程值对SRTM1的数据空洞进行填充,融合生成空间无缝DEM。本文通过随机选取数据进行真实试验,对模型进行了精度验证,并给出了处理结果的定量评价和目视效果。结果表明,不论是空洞还是整体区域,本文方法相比其他DEM数据集和其他方法的处理结果都能够在RMSE上表现出优势,同时,本文提出的方法能够有效克服ASTER GDEM中异常值的影响,得到空间无缝DEM。     

成像光谱遥感数据的光谱重建研究

成像光谱遥感数据处理中的一个重要环节是大气辐射纠正，它是成像光谱遥感定量化的重要部分，本文推导出一种简单的方法，对高光谱分辨率航空遥感图象进行大气纠正，反射率图像转换及光谱重建，并在地质资源遥感调查中应用，取得很好的效果，同时，对重建的地物光谱中出现的误差，进行了分析。     

高分辨率遥感影像的全变分分割模型

由于全变分(Total Variation,TV)模型具有较好的去噪、增强和扩散等功能,在过去的几十年中,TV模型在图像去噪、增强和超分辨率重建等方面得到了深入研究与广泛应用。鉴于TV模型的理论与分割理论具有一致性,因此本文主要研究TV模型用于高分辨率遥感影像的分割,并针对地物多尺度特征,提出了自适应的TV(ATV)模型;且与目前流行的面向对象的影像分析软件eCognition中的FNEA分割方法进行了比较。实验采用2幅高分辨率遥感影像,同时采用了面向对象的分割和分类评价,得出各方法各具优缺点的结论。     

一种基于变分Retinex的遥感影像不均匀性校正方法

本文提出一种基于变分Retinex的遥感影像灰度不均匀性校正方法。该方法在Retinex框架上,利用变分最优化技术和投影归一化最速下降法求解成像瞬间的照度分布,并以此为基础对遥感影像的灰度不均匀性进行校正。为了提高运算效率,引入了多尺度数值求解的策略。利用模拟影像和真实影像进行了实验,并与传统方法进行了对比分析,结果表明,本文方法能够在消除影像灰度不均匀现象的同时,有效保持影像本身的色彩和细节信息,同时还具有较高的运算效率。     

基于非一致性自适应变异的克隆选择算法

提出了一种基于非一致性自适应变异的克隆选择算法。该算法根据抗体的亲和力自适应地确定相应抗体的变异率,同时采用非一致性变异方法来提高算法的效率。实验证明,与传统的克隆选择算法相比,本文提出的方法所需要的收敛时间更少,且能快速地找到最优解,具有一定的实用价值。     

基于自动搜索和光谱匹配技术的训练样本纯化算法

提出了一种基于局部自动搜索和光谱匹配技术的监督分类训练样本的纯化方法。该方法首先利用遥感影像中像元的灰度信息在图像上局部范围内自动搜索和选择最佳样区位置,然后利用光谱匹配的思想对寻找到的最佳样区在光谱空间上进一步纯化。实验结果证明,通过手工选择样区的辅助,该算法能够自动有效地搜寻到最佳样区的位置,并对最佳样区进行纯化处理。原始遥感图像经过本文的样区纯化算法处理后,无论是目视判读效果,还是分类后混淆矩阵的统计及分类精度,均优于纯化处理前的分类结果,具有一定的实用价值。