基于层级Transformer的高光谱图像分类方法

高光谱图像分类将每个像素分类至预设的地物类别,对环境测绘等各类地球科学任务有着至关重要的意义。近年来,学者们尝试利用深度学习框架进行高光谱图像分类,取得了令人满意的效果。然而这些方法在光谱特征的提取上仍存在一定缺陷。本文提出一个基于自注意力机制的层级融合高光谱图像分类框架(hierarchical self-attention network,HSAN)。首先,构建跳层自注意力模块进行特征学习,利用Transformer结构中的自注意力机制捕获上下文信息,增强有效信息贡献。然后,设计层级融合方式,进一步缓解特征学习过程中的有效信息损失,增强各层级特征联动。在Pavia University及Houston2013数据集上的试验表明,本文提出的框架相较于其他高光谱图像分类框架具有更好的分类性能。

新型制冷Dyson光谱仪设计

为了解决传统Dyson制冷型光谱成像技术由于紧凑结构带来的空间部件重叠、谱线弯曲、色畸变等问题,本文创新性地提出基于传统Dyson光谱仪物面-像面分离设计的思想。根据新型Dyson像差原理,推导了新型Dyson离轴像差理论,依据理论对传统Dyson光谱仪进行改进和优化,设计了一款相对孔径为1/2,口径为50 mm,波段为8~12μm的新型Dyson光谱仪。利用二次成像原理图,完成系统二次成像组结构参数的相关计算,通过像差优化,使系统实现100%冷光阑匹配。设计结果表明:系统的谱线弯曲小于20μm,色畸变小于35μm,光谱分辨率优于80 nm,系统奈奎斯特频率在17 lp/mm处接近衍射极限。

SF型推动棒篦冷机加长升级成十字棒篦冷机的实践

介绍了早期SF型推动棒篦冷机升级改造成十字棒篦冷机的技术方案及改造效果,该方案具有成本低、工期短的优势,改造后可降低篦床运行阻力,提高篦冷机冷却能力,达到提产节能降耗的目的。

高光谱遥感影像异常目标检测研究进展

随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。

珠海一号高光谱场景分类数据集

高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。

自外而内的单幅图像超分辨率复原算法

单幅图像超分辨率(SR)复原是一个病态逆问题,需要利用图像的先验知识进行正则化约束。提出了一种同时考虑外在样例和内在自相似性的单幅图像SR复原算法,其中外在先验知识是通过卷积神经网络从外在低分辨率-高分辨率图像对学习得到的,而内在先验约束由聚类和低秩近似实现。实验结果表明,本方法在复原效果和稳健性方面优于已有方法。