一种基于RBF神经网络的遥感图像校正方法

研究基于RBF神经网络的算法针对遥感图像的几何校正,给出一个简单快速的实现方案,通过对实际图像进行了校正实验,获得满意的校正结果,说明谊方法能有效地精确校正图像的几何畸变.     

基于DRG的遥感影像几何校正

几何校正是遥感影像处理的重要环节,地面控制点(GCP)的采集是影响遥感影像几何校正精度和效率的重要因素。结合SPOT5影像处理过程,比较了实际作业中几种GCP采集模式的优缺点,总结探讨了在ERDAS IMAGINE中利用DRG进行地面控制点采集的几何校正方法。     

卫星遥感图像并行几何校正算法研究

几何校正是遥感图像处理过程中的重要环节,具有计算量大、耗时长的特点,导致遥感图像处理的效率低下．该文提出一种分布存储环境下的并行几何校正算法,每个处理器通过计算本地输入子图像在目标图像中的范围,确定其需要进行重采样计算的区域,使计算过程中所需的数据均为本地数据,很好地解决了数据局部性问题．文章利用首尾相连的闭线段近似表示理想的输出图像块边界这一思想,详细讨论了局部输出区域的计算方法,并采用一种新的存储结构用于保存校正后的输出图像块信息．在机群系统上对算法进行实现,结果表明该算法具有良好的并行性能．     

基于多项式的遥感图像快速几何校正

遥感图像几何校正是遥感信息处理中的重要内容之一.提出了一种遥感图像的快速几何校正算法,该算法把畸变图像划分成多个子块,分别由多个处理块对子块进行重采样计算,在重采样计算上又使用最大限度地减少坐标变换的冗余计算方法.经实例证明了该算法能够有效地提高遥感图像的处理速度.     

基于分段线性回归的水质遥感图像校正算法

针对环境一号卫星拍摄到的水质遥感监测图,相对于实际水域的水质分布状况存在一定的差异,严重影响到水质监测报告的精确度,由此提出一种基于分段线性回归的水质遥感图像校正算法,利用监测水域实际测量到的实时数据和反演结果图的最小值、最大值和均值,将这3对数据进行分段线性回归,得到校正公式并完成校正。实验结果表明该算法校正精度高、速度快,极大地提高了水质监测报告的精确度。     

基于多项式变换的遥感图像几何校正并行算法的研究与实现

研究和实现高效的几何枝正并行算法,能够有效地提高遥感图像预处理的工作效率。本文首先研究了基于多项式变换的几何校正算法,然后提出了新的并行几何校正算法。该算法通过局部边界计算达到延迟通信的目的,很好地解决了计算局部性问题;在机群系统上实现后,对多幅大小不同的G比特遥感数据集进行了测试,获得了正确的结果和良好的并行性能。     

遥感图像大气校正方法综述

对目前常用的大气校正方法作了较详细的介绍，包括辐射传输模型法、黑暗像元法、不变目标法、直方图匹配法等8种方法。分析了各种方法的优缺点，以及它们各自的适用范围，并对各种方法在国内外应用的情况作了概括。     

基于动态RBF神经网络的遥感图像中烟辨识

针对森林火灾的突发性和分散性特点,根据森林火灾中的烟影像的特征,结合RBF神经网络分类器通用性的特点,采用PCA方法降低图像的维数和Fisher线性判别方法提取遥感图像中烟的影像特征,用特征值数代替训练样本数,并作为RBF网络输入数,在对样本训练的过程中提出一种改进型的混合算法。仿真实验表明,该算法对烟图像识别的准确率较高。     

基于SA-WPSO的遥感图像校正方法

提出一种基于SA-WPSO的遥感图像校正方法。该方法利用多项式模型对图像进行初步几何校正,得到多项式校正系数后,将模拟退火(SA)思想引入粒子群优化(PSO)算法,通过改进的SA-WPSO算法优化多项式校正系数,在此基础上实现图像的几何校正。实验结果证明,与二次多项式及三次多项式校正方法相比,该方法的校正精度更高、鲁棒性更好。     

卫星遥感图像大地几何校正的一种方法

卫星遥感图像大地几何校正的一种方法王新民,邵贝恩（中国科学院遥感卫星地面站北京１０００８６）关键词：卫星遥感数据,几何校正,大地几何校正１弓唁卫星遥感图象的几何畸变可用卫星遥测数据予以纠正’‘－“．但是由于卫星轨道偏离、姿态漂移等误差的影响,校正后的...     

一种基于神经网络的畸变图像校正方法

由于摄像机获取的图像存在几何畸变，因此在对图像进行定量分析前，必须校正畸变。针对传统的畸变图像校正方法，其所建立的畸变数学模型，不仅求解畸变参数复杂、计算量大，且存在很大的数值计算误差的问题．提出了一种基于神经网络的畸变图像校正方法。该方法首先运用图像处理技术从一标准模板的畸变图像中提取样本，然后以样本像素坐标作为网络输入来对神经网络进行训练。由于该训练好的神经网络能够实现畸变图像与非畸变图像之间的映射关系，因此能达到校正图像畸变的目的。最后对该校正方法进行了实验，给出并分析了校正实验结果，校正效果令人满意，并已成功地用于焊接机器人视觉系统。     

小波分形插值应用于遥感图像处理

鉴于自然物体图像具有分形特征,提出了小波分形插值应用于遥感图像处理的新方法.这种小波分形插值方法利用小波变换系数中低分辨率频带中的高频分量相似高分辨率频带中的高频分量的特点.将遥感图像在小波变换的基础上用分形做相似变换,进而通过反变换得到比原图像分辨率高的插值图像.实验证明,小波分形插值方法比现有的双线性插值、三次方B样条插值方法具有更好的性能.     

Neural-Fuzzy Models for Multispectral Image Analysis

In this paper, we consider neural-fuzzy models for multispectral image analysis. We consider both supervised and unsupervised classification. The model for supervised classification consists of six layers. The first three layers map the input variables to fuzzy set membership functions. The last three layers implement the decision rules. The model learns decision rules using a supervised gradient descent procedure. The model for unsupervised classification consists of two layers. The algorithm is similar to competitive learning. However, here, for each input sample, membership functions of output categories are used to update weights. Input vectors are normalized, and Euclidean distance is used as the similarity measure. In this model if the input vector does not satisfy the similarity criterion, a new cluster is created; otherwise, the weights corresponding to the winner unit are updated using the fuzzy membership values of the output categories. We have developed software for these models. As an illustration, the models are used to analyze multispectral images.     

基于并行深度卷积神经网络的图像美感分类

随着计算机和社交网络的飞速发展, 图像美感的自动评价产生了越来越大的需求并受到了广泛关注. 由于图像美感评价的主观性和复杂性, 传统的手工特征和局部特征方法难以全面表征图像的美感特点, 并准确量化或建模. 本文提出一种并行深度卷积神经网络的图像美感分类方法, 从同一图像的不同角度出发, 利用深度学习网络自动完成特征学习, 得到更为全面的图像美感特征描述; 然后利用支持向量机训练特征并建立分类器, 实现图像美感分类. 通过在两个主流的图像美感数据库上的实验显示, 本文方法与目前已有的其他算法对比, 获得了更好的分类准确率.     

一种基于物理机理的高光谱遥感图像真彩色校正模型

针对高光谱遥感影像由于各波段光谱范围窄,难以获得符合人们视觉效果的真彩色合成影像问题,提出一种基于物理机理的高光谱遥感图像真彩色校正模型。该模型充分利用高光谱影像在红、绿、蓝反射区的所有谱段信息,通过插补波段并进行波段加权积分重建真彩色合成图像,进而结合实测地物反射率光谱,利用辐射传输模拟的方式,构建具备普适性的真彩色校正模型。利用航空高光谱遥感影像进行色彩校正实验的结果表明,所构建的真彩色校正模型能够很好地应用于高光谱遥感影像真彩色校正。     

基于RBF神经网络的传感器静态误差综合校正方法

以一受环境温度和电源波动影响的压力传感器为例,说明了具体实现方法和校正效果.并与采用BP神经网络进行误差校正的方法进行了比较.实验结果表明,采用RBF神经网络可以明显提高网络收敛速度,大大减小传感器静态误差,校正效果优于BP神经网络.     

基于深度学习的遥感图像茶园区域识别应用研究

得益于遥感技术的发展和深度学习在图像处理方面的进展,采用深度学习识别遥感图像的方法被广泛应用。与传统的统计农作物种植面积方法相比较,通过深度学习的方法来识别茶园种植区域,可以减少人工依赖,节约人力资源,实时获取数据,具有更高的时效性。数据来源于Bigmap,以贵州省卫星遥感图像为数据基础,提出了使用深度学习来识别茶园区域的应用方法。实验目标为从整张遥感图像中提取出茶园种植区域。首先对遥感图像进行数据预处理,然后采用人工目视解译的方法标注出茶园区域并制成数据集,将数据集导入神经网络进行训练获得网络模型,最后将验证图像放入到训练好的神经网络当中,获得验证结果;检测精确率为95.83%,检测召回率为85.00%。