Docker容器化下的遥感算法程序集成方法

目的 近年来，随着我国遥感技术的快速发展，遥感数据呈现出大数据的特点，遥感数据的时效性增强，针对新环境下遥感算法编程语言众多，程序运行和部署环境需求多样，程序的集成和部署困难的问题，提出了一种遥感算法程序快速封装与Docker容器化系统集成架构。方法 该系统架构主要包括：1）遥感算法程序的镜像自动化封装制作；2）镜像的分发管理，达到算法程序镜像的共享；3）遥感信息产品生产流程的容器化编排服务，将相关联的算法程序镜像串联，以满足特定遥感信息产品的生产；4）容器的调度运行，调用镜像，实现特定遥感产品的容器化运行。本文在上述容器化系统集成架构下，以Landsat5数据的NDVI、NDWI信息产品的生产作为容器化生产实例，并同物理机、KVM （kernel-based virtual machine）虚拟机在运行时间、内存占用量、部署效率等性能进行了对比。结果 Docker容器虚拟化环境下的产品生产和物理机环境下在运行时间和内存占用量上几无差别，优于KVM虚拟机。Docker容器虚拟化环境和KVM虚拟机环境下在部署上能够节省大量时间，相比于物理机环境能够提高部署效率。结论 容器化的系统集成方式能够有效解决遥感算法程序集成和部署困难的问题，有利于遥感算法程序的复用和流程的共享，提高系统集成效率，具备较强的遥感数据实时快速处理能力。     

低空间分辨率多源遥感数据的空间一致性分析和相对几何校正

多源低空间分辨率遥感数据在空间上的一致性对于其在全球变化研究中的集成使用有非常重要的意义。对此,以公认几何精度较高的MODIS数据为基准,对NOAA/AVHRR、FY-3/VIRR、FY-3/MERSI、FY-2/VISSR这4类国内外常用的低空间分辨率传感器的L1B数据进行了一系列相对几何精度评价和多项式相对几何校正的实验。相对几何精度评价的结果表明:MODIS数据与这4类L1B数据在几何精度上的偏差都比较大。在此基础上,选取少量均匀分布的控制点并采用不同阶数的多项式几何校正模型对多源数据进行空间一致性校正。校正结果表明:低阶的多项式几何校正模型就能对各种待校正数据的几何精度有显著的提升,使其与基准数据在空间上达到一致,满足全球变化研究对低分辨率多源遥感数据在空间一致性上的需求。     

图像场景分类中视觉词包模型方法综述

目的关于图像场景分类中视觉词包模型方法的综述性文章在国内外杂志上还少有报导,为了使国内外同行对图像场景分类中的视觉词包模型方法有一个较为全面的了解,对这些研究工作进行了系统总结。方法在参考国内外大量文献的基础上,对现有图像场景分类(主要指针对单一图像场景的分类)中出现的各种视觉词包模型方法从低层特征的选择与局部图像块特征的生成、视觉词典的构建、视觉词包特征的直方图表示、视觉单词优化等多方面加以总结和比较。结果回顾了视觉词包模型的发展历程,对目前存在的多种视觉词包模型进行了归纳,比较常见方法各自的优缺点,总结了视觉词包模型性能评价方法,并对目前常用的标准场景库进行汇总,同时给出了各自所达到的最高精度。结论图像场景分类中视觉词包模型方法的研究作为计算机视觉领域方兴未艾的热点研究领域,在国内外研究中取得了不少进展,在计算机视觉领域的研究也不再局限于直接应用模型描述图像内容,而是更多地考虑图像与文本的差异。虽然视觉词包模型在图像场景分类的应用中还存在很多亟需解决的问题,但是这丝毫不能掩盖其研究的重要意义。     

遥感影像分割边界的平滑方法

为了解决遥感影像分割对象边界的“栅格现象”问题,获取相对真实的分割地物对象边界,提高后续分类精度,提出了一套完整高效的平滑方法.该方法的主要流程是:对分割后所得到的每个对象的边界进行按节点拆分;对每个边界段进行断点筛选等预处理;再通过DP算法提取代表边界信息的特征点;使用3次B样条拟合所得到的特征点,完成边界平滑.实验结果表明,该方法能够获得满意的平滑效果.     

遥感图像信息提取研究的核心——特征

图像信息提取是图像处理和分析领域中核心的研究课题,是目标识别的重要组成部分.对信息提取的研究离不开对特征选择、特征提取和特征表达(描述)的研究.     

GSSAC:一种用于遥感影像配准的误匹配点检测方法*

遥感影像配准中,由于光照、成像角度、几何变形等因素的影响,无论采用何种配准方法,总会产生误匹配点,因此误匹配点检测也是一个非常重要的步骤。针对常用RANSAC (Random Sample Consensus)方法不稳定、无法准确检测分布不均匀匹配点的缺点,提出了分组排序采样一致性(Group Sorted Sample Consensus, GSSAC)方法来提高误匹配点检测的稳定性和精度。分组排序采样方法首先将匹配点分为若干组,在每组内计算匹配点的误差并排序,然后在每组中分别采样若干个匹配点组成估算模型参数需要的匹配点。实验结果表明,GSSAC方法可以稳定的获得高精度的检测结果。     

一种基于小波变换的图象融合算法

基于多分辨率小波变换的融合算法近年来得到了广泛的应用。为了充分利用各种遥感图象的信息中,针对“资源一号”卫星图象和SPOT全色波图象,提出了一种新的基于区域能量特征的小波变换复原-增强融合算法。通过同IHS、PCA和HPF几种传统融合方法的比较和结果评价,证明该方法在提高“资源一号”卫星图象空间分辨率的同时,还较好地保留了多光谱图象的光谱信息,并且有效地克服了“资源一号”卫星图象模糊的特点。     

基于流形学习的混合光谱解混分析

光谱解混分析的重要研究内容是计算分析各地物类别成分在混合像素内所占的比例技术。文中以实测高光谱数据为研究对象,针对高光谱数据具有高维度数、严重的光谱混合等特点,基于流形学习中局部线性嵌入（LLE）算法的思想,提出了一种约束最小乘方局部线性加权回归（CLS-LLWR）建模方法。通过4种典型地物的光谱吸收特征差异分析,从它们不同比例组合下的实测混合光谱中选取了不同波段范围,分别对该模型预测覆盖度信息能力进行了验证分析。最后,将CLS-LLWR模型与主成分回归（PCR）和偏最小二乘回归（PLSR）模型,通过计算预测标准误差（SE）进行了对比分析。结果表明,CLS-LLWR模型有较好的预测能力。这为流形学习在高光谱遥感图像信息提取方面进行了有意的探索。     

常见胎儿脑畸形的空间直方图金字塔检索方法

在传统空间金字塔匹配方法的基础上进行改进,考虑到医学超声图像本身的特点,针对胎儿常见脑畸形(脑积水和脑室扩张)图像,提出来一种空间直方图金字塔检索方法。此方法简单、效率高,具有平移、尺度和旋转不变性,综合考虑了颅脑内部结构的空间位置信息,提高了检索精度,可快速有效地对胎儿超声脑积水和脑室扩张图像进行检索,给医生提供脑畸形辅助诊断依据。     

获取均匀控制点的遥感影像自动空间匹配方法

提出了两种可以获取均匀分布的控制点的遥感高分辨率影像空间域匹配方法。常规的灰度模板匹配方法为先进行手工选点粗匹配,然后用特征提取算子在原始图像中提取控制点,最后根据控制点提取灰度模板进行精匹配。基于上述方法,提出了两种控制点均匀化方法,分别为在控制点提取时和模板匹配后对控制点进行均匀化,并用实验证明匹配精度因均匀化的控制点分布得到有效提高。