冲刷作用下砂岩宏观力学特性及微观结构

水流环境下库岸边坡岩石劣化会严重危害坡体稳定性,如何精细化揭示动水冲刷作用下岩石宏观力学特性及微观结构对库区灾害防治具有重要意义。为模拟库岸边坡所处的水流环境,设计了一套岩石抗冲刷试验装置。以砂岩为研究对象,考虑自然、静水浸泡和动水冲刷3种工况。结合室内试验、数字图像相关方法、扫描电镜和分形理论,从宏观力学参数、应变场分布特征、微观结构等角度系统探讨了不同水环境对岩石力学特性的影响。研究结果表明:(1)动水冲刷后的岩石抗压强度和弹性模量软化系数比饱水试件分别降低了0.07和0.06;(2)应变场分异速率-轴向应变曲线在峰值应力前出现拐点P,与断裂过程区的集聚相关,可作为岩石破裂的前兆信号;相较于饱水作用,冲刷作用使得破裂前兆点出现变早,这是因为冲刷作用加剧了岩石内部缺陷的发育,更易形成裂纹;(3)相较于饱水试件,动水冲刷后砂岩内部矿物颗粒和胶结物流失程度加大,微观结构劣化更为显著,这种变化在扫描电镜图像的分形维数计算结果中得到了印证,冲刷试件的分形维数最大。

基于线性解混的高光谱图像目标检测研究

高光谱图像的空间分辨率普遍较低,导致混合像元大量存在,为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测,提出了一种去端元的目标检测方法。在光谱解混技术的基础上,建立了复杂背景下的光谱混合模型并加以改进,采用多次去端元的方法,取得了简化背景之后的高光谱图像。结果表明,与传统的RX目标检测算法相比,所提出的算法能够显著提升目标检测效果。在实际的军事运用中,为大尺幅图像的目标识别和揭露伪装提供了思路。

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取,提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息,然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练,提取空谱联合特征,最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理,可以实现端到端的训练,并且能够充分提取空间与光谱数据中的语义信息。结果表明,与其它基于深度学习的分类方法相比,本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度,有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。

基于波段提取的伪装目标目视解译方法

目视解译目标在速度和准确性上表现优秀,可靠性强。将不同物质以光谱特征信息进行区分问题转化为利用不同光谱波段进行彩色合成得到适于人眼判别的假彩色图像。提出结合波段子空间划分和Relief-F算法建立模型选择波段,进行附色处理辅助人眼识别伪装目标。利用几类色调与植被环境色调相近的地物,采集实验数据;引入模型筛选特征波段子集,与另外2种常用算法结果进行对比。结果表明,使用该模型所选波段能够区分伪装目标,且效果好于另2种算法,成功地满足了选择彩色合成最佳波段的需要。

阈值选择方法在高光谱图像目标检测中的应用

根据约束能量最小化、自适应一致估计、光谱角匹配等理论,提出了利用传统图像分割中的阈值选取方法对高光谱图像进行目标检测的方法。通过不同的目标检测方法将高光谱图像转化为灰度值图像,利用直方图极点法、迭代阈值选取法、最大类间方差阈值法分别提取了各个方法结果灰度值图像的阈值,并根据阈值进行灰度值图像的分割,识别出高光谱图像中的目标。结果表明:3种阈值选取的方法都能较为准确地提取到目标的位置与形状大小信息,与传统方法比较,利用阈值提取的精度更高,误分率更低,其中自适应一致估计算法与最大类间方差阈值法配合结果的正确率最高。

航空航天高光谱成像仪研究现状及发展趋势

由于具有光谱分辨率高、图谱合一的巨大优势,高光谱成像技术近四十年来发展显著。当前机载和星载高光谱搭载平台可覆盖大范围的地球表面,是遥感技术发展以来最重大的科技突破之一。它们在伪装揭露、武器生产调查、武器使用探测、近海监测和反潜等军事领域得到了成功应用,并获得了显著的军事效果。回顾了国内外高光谱成像仪的发展历程,同时总结分析了航空航天高光谱成像仪的主要特点。

基于注意力机制的多目标优化高光谱波段选择

神经网络的注意力机制可以从数据中提取关键信息,将这一特性运用在高光谱波段选择上有助于充分学习波段之间的相互依赖和非线性关系,提取更重要的波段。提出了一种基于注意力机制的多目标优化高光谱波段选择算法。首先,利用注意力模块和自编码器构建网络;然后,将一维光谱数据作为网络输入,采用两种损失函数并结合多目标优化方法对输入数据进行训练,使嵌入在网络中的注意力模块充分学习各波段之间的非线性关系,对信息量大和易于分类的波段赋予更大的权重,以实现波段选择;最后,利用支持向量机分类器和平均光谱散度验证波段子集的性能。实验结果表明:相比于其他算法,所提算法在Botswana与IndianPines数据集上提取的波段子集的分类精度更高,信息量更大,由此证明了所提算法对高光谱波段选择的有效性。

基于改进阶梯网络的高光谱半监督分类算法

针对现有基于阶梯网络(LN)的高光谱图像分类算法无法充分提取图像的空谱特征而导致分类精度降低的问题,提出一种基于改进阶梯网络的高光谱半监督分类算法。首先将三维卷积神经网络(3D-CNN)与长短时记忆(LSTM)网络结合,提出一种新的空谱特征提取(3D-CNN-LSTM)网络,使用该网络分步提取局部空间特征与光谱特征。然后使用3D-CNN-LSTM网络对阶梯网络的编码器与解码器进行改进,提出一种3D-CNN-LSTM-LN半监督分类算法,增强阶梯网络的特征提取能力。最后在Pavia University和Indian Pines两个数据集上对不同算法进行实验。实验结果表明,在小样本条件下,所提算法取得了最佳的分类效果,验证了所提算法具有优越性。