采用抗混叠移不变Contourlet变换的云图融合(英文)

融合多通道的卫星云图可为监测和预报天气状况提供更加全面可靠的信息。本文提出一种采用抗混叠移不变Contourlet变换(Aliasing-suppression and Shift-invariance Contourlet Transform,AS&SICT)的卫星云图融合方法。首先,为了克服原始Contourlet变换的频谱混叠及移变问题,将抗混叠滤波器组与非下采样方向滤波器组相结合,构造出AS&SICT;然后,对两通道卫星云图(红外与可见光)采用AS&SICT分解成低频及若干高频方向子带,对低频子带系数采取加权区域能量融合规则,而对高频子带系数采取加权区域方差融合规则进行融合处理;最后,对融合后系数进行抗混叠移不变Contourlet逆变换,得到融合云图。实验结果表明,本文方法融合的云图,由于增添了可见光云图的纹理细节信息,不仅提高了原始红外云图的分辨率,而且较好地保留了红外云图的亮温信息。

联合块匹配与稀疏表示的卫星云图修复

针对卫星云图在接收及传输过程中受噪声、大气湍流、太阳风暴及卫星轨道漂移等影响造成的云图数据破损,提出了一种联合块匹配与稀疏表示的卫星云图修复方法。首先,根据破损区域的优先权值确定待修复像素,对该像素的邻域进行分块处理。然后,利用待修复块与各匹配块之间的结构相似度,建立相应的冗余字典;通过求解稀疏表示问题修复该破损区域。最后,沿着等照度线不断更新优先权值,实现整幅图像的修复。实验结果表明,提出的方法不仅能避免传统偏微分方程(PDE)修复法所导致的结构丢失,也能很好地改善基于纹理填充修复方法所导致的修复不足及块效应现象。测试结果显示:在云图存在局部区域缺失时,修复后云图的峰值信噪比(PSNR)比匹配追踪法及总变分法的修复结果平均提高了8.50dB和0.28dB,而且在纹理细节及边缘区域具有更好的视觉效果。

抗混叠轮廓波域采用压缩感知的云图融合方法

提出一种采用压缩感知的云图融合方法.该方法针对传统轮廓波存在频谱混叠的缺点,结合抗混叠塔式滤波器组和方向滤波器组,构造出一种抗混叠的轮廓波变换,并将其引入压缩感知中的稀疏表示环节,将云图分解成稠密和稀疏两部分;对稠密成份采用传统方法进行融合,而对稀疏成份,则在压缩感知框架下,通过少数线性测量的融合,并采用二步迭代收缩的图像重构算法,在迭代时利用前面两个估计值更新当前值,得到融合结果.实验表明,该方法的融合结果无论在视觉质量及定量指标上都明显优于传统方法,有利于揭示全面的天气信息.

采用零树结构分类小波系数的红外图像降噪

红外图像易受噪声污染,为了改善红外图像的质量,提出了一种基于零树结构分类小波系数的红外图像降噪算法。该算法利用小波零树结构表达尺度间的相关性,通过空间自适应阈值将小波系数进行分类,并根据不同类系数的统计特性采用不同的先验分布模型,在贝叶斯框架下实现降噪。实验结果表明,本文算法在峰值信噪比(PSNR)指标上优于传统算法;从视觉效果来看,该算法在有效去除图像噪声的同时能较好地保持空间细节,可以满足当前红外图像降噪的需求。

基于TV-L^1分解的红外云图超分辨率算法

提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型,将低分辨率云图分解为结构部分和纹理部分:对结构部分采用软决策自适应插值(SAI)处理;对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性,构造非线性增益函数对其NSCT变换域系数进行处理,然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后,将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明,所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法,在实现两倍超分辨率时,其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9dB和0.007 1~0.020 6;实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征,故所提算法的超分辨率结果不但准确重建了云图中的结构部分,而且有效保持了红外云图纹理和边缘。

架构于抗混叠轮廓波的红外图像插值放大算法

为了在放大红外图像时保持边缘或轮廓的正则性,提出一种基于抗混叠轮廓波变换的图像插值放大算法。该算法首先结合抗混叠塔式滤波器组和方向滤波器组,构造出抗混叠的轮廓波变换;然后将原始图像的小波域线性插值结果看成是放大图像的初始估计,输入到一个迭代过程;在每次迭代中,将放大图像看成是理想高分辨率图像的含噪逼近,并对其实施抗混叠轮廓波变换,根据变换系数的稀疏性约束实现降噪处理;最后,经过若干次迭代得到理想的红外放大图像。实验表明,对于测试图像,经过迭代处理后峰值信噪比平均提高了0.837dB;且该算法在视觉质量上明显优于双线性插值算法及基于小波的算法。

采用残差估算的卫星云图压缩传感重建

卫星云图数据量庞大,获取、传输、存储的代价很高.为了有效减小云图采样率及数据量,提出一种基于残差估算的压缩传感云图重建方法.该方法首先构造一种抗混叠方向多尺度变换,用于压缩传感的稀疏表示.借助随机投影技术将带平滑处理的投影Landweber算法引入分块压缩传感的重建过程,通过估计当前云图与前一相邻时次云图的残差获得理想的重构云图.实验结果表明,抗混叠方向多尺度变换适用于压缩传感的稀疏表示,所采用的残差估算重建方法可明显提高重建云图的视觉效果及客观评价指标.当测量率为0.5时,重建云图的峰值信噪比较直接重建法平均提高0.5dB以上.

基于粒子群优化的多小波图像降噪

提出一种基于粒子群优化的多小波图像降噪方法。该方法首先根据图像降噪的特点,采用粒子群算法优化CL多小波的前置滤波器,实现了图像多小波变换的自适应预滤波;接着对一幅含噪声图像进行多小波分解,根据多小波分解后的能量分布特性,对小波系数进行阈值处理;后经多小波反变换,得到重构图像。实验表明,本文方法的客观性能(PSNR)和主观效果均优于传统小波去噪方法,同中值滤波和维纳滤波相比也有绝对优势。

架构于双树轮廓波及GGD模型的纹理图像检索

提出一种基于双树轮廓波变换的纹理图像检索方法。双树轮廓波由塔型双树方向滤波器组构建,它保持了轮廓波灵活的方向选择性,同时克服了传统轮廓波不具有移不变性的缺点。根据双树轮廓波系数的统计特性,本文利用广义高斯分布对各子带进行建模,采用矩估计法提取模型参数,并用KL距离度量图像之间的相似度,实现纹理图像检索。为评价检索性能,从Brodatz图库创建了包含800幅纹理图像的数据库。实验结果表明,本文算法的平均检索率比基于小波和轮廓波的方法分别提高了10.46%和6.94%,而且保持了较高的计算效率。

Tetrolet域卫星云图分块压缩感知(英文)

针对卫星云图数据量大,但传输通道和存储空间相对狭小的问题,本文提出了一种基于Tetrolet变换的卫星云图分块压缩感知方法。该方法将Tetrolet变换引入压缩感知的稀疏表示环节,以刻画卫星云图细节丰富,纹理复杂的特性,而且将分块压缩感知与平滑投影Landweber迭代方法结合用于云图重构,以提高计算效率。同时,为了进一步提高重构云图的质量,本文对云图的稀疏表示提出了另一种改进方案,首先对原始云图进行拉普拉斯金字塔分解,将得到的低频分量和高频分量分别进行分块及采样,并对低频及高频分量分别进行离散小波变换(DWT)及Tetrolet变换以实现稀疏表示,此不仅可以发挥不同稀疏变换各自的优点,而且充分利用了Tetrolet变换在表示云图方向纹理和边缘等重要信息方面的优势。实验结果表明,在相同采样率下,本文方法的重构结果明显优于直接用Tetrolet,DWT,Contourlet和DCT变换对卫星云图进行稀疏表示的重构结果。

基于WDFB及形态膨胀的图像压缩算法

将小波和方向滤波器组结合,实现了一种非冗余的图像变换WDFB,它满足各向异性尺度关系,能更稀疏地表示诸如边缘和纹理等几何特征。利用WDFB的优势,提出一种基于形态学操作的有效的图像压缩算法。该算法利用重要树来表达子带间的相关性,同时采用形态膨胀算子来聚类子带内的重要系数。实验结果表明,新算法在PSNR指标上明显优于基于小波的压缩算法,尤其对于含有丰富纹理的图像。例如对于512×512的Barbara图,在0.25bpp压缩率下,新算法比SPIHT和MRWD算法的PSNR分别提高1.08dB和0.87dB。

基于抗混叠轮廓波的乳腺图像降噪与增强方法

乳腺X射线成像是乳腺疾病早期检测的有效手段。然而典型的乳腺X射线图像往往对比度低,噪声污染严重,本文提出一种新颖的基于抗混叠轮廓波变换的乳腺图像降噪及增强方案。首先分析了原始轮廓波变换的频谱混叠问题,设计出一种能稀疏表示图像边界及纹理信息,同时能抑制混叠影响的抗混叠轮廓波变换;在此基础上,分别采用高斯分布与广义拉普拉斯分布来刻划噪声相关及信号相关的变换系数,实现阈值萎缩降噪;接着对处理后的系数进行非线性增强,达到增强乳腺图像中细节信息的效果。实验结果表明,本文方法能有效提高乳腺图像的质量,在计算机辅助乳腺诊断方面有较高应用价值。

非对称卷积核YOLO V2网络的CT影像肺结节检测

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义。传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高。提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进。为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25%,假阳性率为8.50%。实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路。

基于三维密集网络的肺结节检测方法

针对传统基于三维特征的肺结节检测方法存在小结节检出率不高且计算量大的问题,提出一种更为高效的基于三维密集网络的肺结节检测方法。首先将密集连接单元引入3D U-Net,构建适用于肺结节检测的3D Dense U-Net网络;由于3D Dense U-Net用密集连接块代替原始3D U-Net的普通卷积层,可最大化地保证层与层之间的信息流通,不仅能解决传统堆叠式网络所存在的特征冗余问题,而且能加快网络训练速度。同时,该网络保留U-Net的基本连接方式,以实现底层特征的复用,从而可以有效地获取候选结节。在此基础上,针对候选结节中包含假阳例的问题,为了更加有效地获取结节特征,提高网络对结节的鉴别能力,构造三维密集分类网络(3D Dense Net)进行假阳例的剔除。在天池医疗AI大赛数据集的测试中,检测肺结节总体敏感度94.3%,10 mm以下结节敏感度91.5%,假阳例率5.9%。所提出的基于三维密集网络的肺结节检测方法对于小结节的检测更加灵敏,不仅能提高结节检出率,而且计算效率也有所提高。

采用UTPLBP的纹理图像分割

局部二元模式(LBP)是一种有效的图像局部纹理描述算子,由于其具有良好的旋转不变性而被广泛应用于图像处理、计算机视觉等领域。本文着重分析LBP纹理特征的相关特性,并在其基础上进行适当改进,提出均匀三模块局部二元模式(UTPLBP)及其二次统计量纹理特征,探索其在图像分割应用中的可行性。实验结果表明,针对Brodatz纹理合成图像,利用UTPLBP算子提取待分割图像的纹理特征,在SVM分类器下进行图像分割,UTPLBP纹理算子能够很好的描述图像的纹理信息,其二次统计量纹理特征鲁棒性强并能对不同纹理图像进行正确区分。相比传统法,本文方法正确率均在93%以上。

结合稀疏表示和子空间投影的云图检索

卫星云图能从多角度展示各类云系特征及其演变过程,实现基于内容的云图检索在天气实况监测、气候研究等方面具有重要意义。为了优化云图的组合特征,增强其组合特征的泛化能力,本文提出一种结合稀疏表示和子空间投影的特征优化方法。首先分别提取云图的颜色、纹理以及形状三种特征,并对其组合特征进行转换分块;然后对每一块的特征进行稀疏表示,根据不同原子的方差来分组特征,得到显著特征和非显著特征;最后由分组特征的能量来计算得到子空间投影矩阵,将初始的组合特征在投影矩阵上进行投影,得到优化后的云图特征。实验结果表明,本文优化云图特征的方法在查准率、查全率上均优于常用的降维方法和云图检索技术,对组合特征具有较强的优化能力,在实时检索过程中时间复杂度低,是一种全新的检索方法。

基于深度度量学习的卫星云图检索

针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题,提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络,以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题,采用三元组训练网络,依据云图之间的相似性将云图映射到度量空间中,以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时,通过对无损三元组损失函数增加正样本对间距离的约束,改善了传统三元组损失的收敛性能,提高了云图检索的精度。在此基础上,通过哈希学习,将度量空间中的云图特征变换成哈希码,在保证检索精度的条件下提高了检索效率。实验结果表明,在东南沿海云图数据集和北半球区域云图数据集上,本文算法的平均精度均值(mean average precision,mAP)分别达到75.14%和80.14%,优于其他对比方法。

结合遥感卫星及深度神经决策树的夜间海雾识别

遥感卫星具有覆盖范围广、连续观测等特点,被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层,获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization,CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求,抽象出海雾监测的推理决策树,并据此建立深度神经决策树模型,实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试,监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection,POD)为87.32%,平均误判率(false alarm ratio,FAR)为13.19%,平均临界成功指数(critical success index,CSI)为77.36%,为海上大雾的防灾减灾提供了一种新方法。

注意力机制下多尺度特征融合生成对抗网络的白天海雾监测

海雾是海上一种常见的天气现象,它使能见度降低,给海上交通和作业带来极大威胁。传统的卫星遥感海雾监测算法在准确率、可移植性及自动化程度等方面都有待改善。本文在注意力机制下,利用卫星遥感云图,提出一种多尺度特征融合生成对抗网络的白天海雾监测方法。该方法引入通道注意力机制,通过学习不同输入通道的权重,提升了网络对于重要通道云图的关注度;在此基础上,采用多尺度特征融合以获取海雾的多尺度信息,使提取的特征能兼顾海雾的整体及细节特性;为了进一步提高算法对于对海雾边缘的界定能力,本文引入对抗网络对海雾监测的生成网络进行监督,从而得到更精细的海雾区域。在测试云图的海雾监测实验中,命中率(POD)、临界成功指数(CSI)及误报率(FAR)分别为90.5%、81.28%和10.86%,均优于传统海雾监测方法以及其他基于深度学习的方法,这表明本文方法可以有效提升海雾监测的精度,研究成果对于海上船只航行、渔业生产、国防军事等具有重要意义。

面向卫星云图云分类的自适应模糊支持向量机

云类识别是实现卫星云图自动分析的基础,针对卫星云图易受噪声干扰且不同云系往往相互交叠的特点,构造一种面向云类识别的自适应模糊支持向量机。该方法不仅改进了隶属度函数的表现形式,而且通过定义控制临界隶属度和隶属度衰减趋势的参数,使隶属度能根据不同云系样本的具体分布特性自适应调整,解决了传统模糊支持向量机的隶属度函数难以反映样本分布的问题。在MTSAT卫星云图上的实验结果表明,通过提取云图可见光通道的反照率、红外通道的亮温及三种亮温差作为云图的光谱特征,并结合统计纹理特征,所构造的自适应模糊支持向量机分类器能有效区分晴空区、低云、中云、高云及直展云;云类识别准确率优于标准支持向量机和传统模糊支持向量机,且具有更强的稳定性和自适应性。