高空间分辨率和高光谱分辨率遥感图像的融合

1引言 在遥感成像系统的设计中,空间分辨率和光谱分辨率常常不可兼得,因为高光谱成像系统的光谱带宽很窄,必须用较大的瞬时视场(IFOR)才能收集足够多的光量子以维持可接受的信噪比,同样高空间分辨率系统(IFOR很小)则必须加宽光谱通道,因此在目前的遥感成像系统中,要获得高空间分辨率和高光谱分辨率中的一个必须牺牲另外一个.

基于自适应深度先验的高光谱图像超分辨率

为了解决现有的高光谱超分辨率方法依赖于手工先验和数据驱动先验会导致参数选择困难或可解释性差的问题,采用一种基于自适应深度先验正则的高光谱图像超分辨率方法,进行了理论分析和实验验证。首先设计基于卷积神经网络的多阶段特征提取网络,提取退化图像的空间和光谱信息;其次将提取到的空-谱先验输入基于transformer模型的特征融合模块;然后自适应交互空域和谱域的互补信息,以捕获图像的全局先验特征;最后在退化模型中插入深度先验正则项,将超分辨率问题表述为一个优化问题,其解可以通过交替方向乘子法获得并降低求解复杂度。结果表明,所提出算法在信噪比均为35 dB时,重建信噪比分别达到了34.16 dB和29.35 dB,比次优算法高出2.78 dB和2.17 dB,重建的高分辨率高光谱图像与其固有结构具有较高的一致性。该研究为综合利用手工先验和数据驱动先验增强高光谱图像空间分辨率提供了参考。

考虑点扩散函数效应的光谱遥感图像超分辨率制图

由于硬件设备的限制和土地覆盖类别的多样性,采集得到的光谱遥感图像的空间分辨率有时较为粗糙,导致大量混合像元产生,严重影响了土地覆盖类型空间分布的制图精度。超分辨率制图技术可以有效地处理光谱遥感图像中的混合像元,获得准确的地物类别分布信息。在遥感大数据背景下,来自同一卫星采集同一区域的多位移图像可以作为辅助数据改进超分辨率制图结果。然而,目前多位移图像插值超分辨率制图方法很少有效地考虑点扩散函数效应影响,导致制图结果精度降低。为了解决这一问题,本文提出了一种考虑点扩散函数效应的多位移光谱遥感图像超分辨率制图方法,改善土地覆盖类别制图结果。在所提出的方法中,首先,对多位移图像进行光谱解混,以生成粗糙丰度图像。然后,在考虑点扩散函数效应的情况下,对粗糙丰度图像先采用面到点克里格法,然后进行理想方波滤波,得到改善的粗糙丰度图像。接下来,通过插值对改善的粗糙丰度图像进行上采样以获得上采样丰度图像,并对上采样的所有丰度图像进行整合以获得精细丰度图像。最后,根据精细丰度图像提供的类别比例信息,使用类别分配方法将类别标签分配给亚像元,以获得理想的制图结果。实验结果表明,通过减少点扩散函数效应影响,所提出的方法展示出最佳性能表现,例如在美国华盛顿特区数据集实验结果的总体精度分别达到77.63%和Kappa系数达到0.7263。

高频信息强化的双分支高光谱图像超分辨率网络

高光谱图像(hyperspectral image,HSI)的窄光谱波段为许多视觉任务提供了丰富信息,但也给特征提取带来了挑战.尽管许多研究者提出了各种深度学习方法,但尚未充分结合这些架构的优势.因此,本文提出了一种基于高频信息强化的双分支高光谱图像超分辨率网络(HFEDB-Net),将卷积神经网络(convolutional neural network,CNN)的图像空间特征提取优势与Transformer的自适应能力和长距离依赖提取优势相结合,有效地提取了HSI的空间和光谱信息.HFEDB-Net由高频信息强化分支和主干分支组成.在高频信息强化分支中,通过拉普拉斯金字塔提取低分辨率和高分辨率HSI的高频信息,并将结果作为高频分支的输入和标签,采用光谱强化Transformer来作为该分支的方法.在主干分支中,使用结合通道注意力的CNN充分提取空间特征和光谱信息.最后将两个分支的结果通过CNN进行结合以得到最终的重建图像.此外,采用多头注意力和多尺度策略分别改进了Transformer的注意力机制和编码器层,以更好地提取HSI的空间和光谱信息.实验结果表明,HFEDB-Net在两个公开数据集上的定量评价指标和视觉效果上优于当前主流方法.

基于分组双阶段双向卷积长短期方法的高光谱图像超分辨率网络

文章提出基于分组的双阶段Bi-ConvLSTM网络(GDBN),可以充分利用图像的空间和光谱信息,通过使用以波段为单位的分组策略,有效缓解了计算负担,并对光谱信息进行保护。在编码器的不同阶段,对浅层信息提取模块和深度特征提取模块进行不同层次信息的提取,浅层信息提取模块能够对不同尺度的浅层特征信息进行充分捕捉,深度特征提取模块能够捕捉图像的高频特征信息。文章还引入通道注意力机制,增强网络对特征的组织能力,并在自然数据集cave上进行大量实验,效果普遍优于目前主流的深度学习方法。

高分辨率卫星遥感数据在城乡历史文化保护传承方面的应用

高分辨率卫星遥感数据具有高时间分辨率、高空间分辨率、高光谱分辨率等数据特性,为城乡历史文化保护传承工作提供了新机遇、新技术。本文对高分辨率遥感数据在城乡历史文化预防性保护、城乡历史文化保护规划、城乡历史文化智能化管理、城乡历史文化监测评估4个方面的应用进行了梳理,如图1所示。

结合光谱相似性与相位—致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法.分水岭分割算法的性能依赖于图像边缘梯度图.利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果.首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割.基于此方法和其它方法进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对比分析了计算耗时.结果表明此方法可有效抑制遥感图像过分割现象,并取得较好的分割结果.

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96%,达到3DCNN的同等水平(99.36%),较改进前(97.28%)提高2.68个百分点;处理速度(5 s/epoch)和1DCNN位于同一量级,快于3DCNN(96 s/epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.

基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取

水上桥梁是一种典型的人造目标。利用高分辨率遥感图像进行水上桥梁提取,对于民用、军用和商业都具有重要意义。论文在分析地物光谱特征的基础上,提出了一种利用高分辨率近红外波段遥感图像进行水上桥梁提取的方法。首先,根据水体在近红外波段的光谱特征,采用迭代法选取阈值提取水体信息,以限制桥梁提取的空间范围;然后,对水体信息进行数学形态学运算,以连接因桥梁而断开的水体;其次,对数学形态学操作前后的水体信息进行叠加分析,以提取候选桥梁目标;最后,在桥梁先验特征知识的辅助下,去除伪桥梁目标。论文设计了仿真实验,以验证方法的有效性和适用性。实验结果表明,基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取方法是行之有效的。

高分辨率遥感图像融合的光谱保真问题

分析高分辨率遥感图像融合光谱失真的原因,利用基于滤波原理的Wavelet、SFIM融合算法和基于统计原理的Gram-schmidt、PCI pansharp模块提供的融合算法对高分辨率遥感图像的代表QuickBird图像进行融合试验。结果表明:这四种融合算法虽都具有很好的光谱保真性,但从光谱保真度和高频信息融入度这两个方面的定量分析来看,基于统计原理的融合方法总体上优于基于滤波原理的融合方法,更适合于QuickBird高分辨率遥感图像的融合。

低分辨率激光光谱遥感图像弱小目标识别方法设计

为了突破图像分辨率对弱小目标识别工作的限制,优化设计低分辨率激光光谱遥感图像弱小目标识别方法。根据激光光谱吸收原理,生成遥感图像,通过大气校正、平滑去噪等步骤,完成初始图像的预处理。通过图像增强,提升遥感图像的分辨率,分割激光光谱遥感图像区域,通过特征提取与匹配得出弱小目标的识别结果。实验结果表明,优化设计方法的平均目标数量正确识别率为94.4%和目标尺寸识别误差的平均值为0.12 m^(2)。

基于机器学习方法的高光谱遥感图像目标检测研究

针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework,LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis,SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis,2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis,PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs,RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy,CA)、总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数优于这些方法。

用Kohonen神经网络对高光谱分辨率图像进行无监督分类的研究

讨论了将Ｋｏｈｏｎｅｎ自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果．用于研究的是０．４６～０．７６μｍ１５个波段的高光谱分辨率的原始航空遥感图像．该图像复盖了澳大利亚达尔文市周围约２００ｋｍ２的试验区，包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型．神经网络分类的结果提供了试验区内地物分布符合实际的预测和估计，它与传统的分类方法的结果相比较，用神经网络所得到的结果更准确可信．

一种新的高光谱遥感图像超像素分割方法

为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。

基于高光谱遥感图像识别的输电线路巡检机器人路径自动化控制系统

输电线路巡检机器人路径自动控制的合理性,是保障巡检机器人能够自主完成巡检任务,提高巡检效率的关键。该文设计基于高光谱遥感图像识别的输电线路巡检机器人路径自动化控制系统。聚类输电线路高光谱遥感图像的像元,识别高光谱遥感图像中的输电线路。依据输电线路识别结果,利用双蚁群算法确定最佳巡检路径。通过模糊PID控制器控制巡检机器人的伺服电机,沿着最优巡检路径移动,实现巡检机器人的路径自动化控制。系统测试结果表明,所设计系统能够依据高光谱遥感图像的输电线路识别结果,规划巡检机器人的巡检路径,巡检路径拐点较少。

基于空谱多特征融合的高光谱遥感图像分类

高光谱遥感图像分类已被公认为是高光谱数据处理的基础性和挑战性任务之一,其最终目标是给影像中的每个像元赋予唯一的类别标识。针对传统高光谱遥感图像分类方法只依靠单一特征进行分类的问题,提出一种基于空谱多特征融合的分类策略。首先在光谱域上利用主成分分析法PCA降维,得到前3个主成分数据,然后通过多视图策略对PCA降维后的数据分别提取局部二值模式LBP、方向梯度直方图HOG与Gabor特征,将其输入到多视图支持向量机进行分类。所提方法在Indian Pines数据集上进行验证,实验结果表明,所采用的分类策略相较于传统只利用单一特征进行分类的方法分类精度更高。

基于光谱相似性的高光谱图像超分辨率算法

光谱相似性是指高光谱图像中的大量像元具有相似光谱的性质.提出了一种基于光谱相似性的高光谱遥感图像超分辨率算法,利用遥感图像中广泛存在的结构自相似性提升图像的空间分辨率,利用高光谱图像的低维子空间性通过主成分分析降低光谱维数提高运算效率,利用具有相似光谱的像元构建光谱约束项保证重建图像光谱的准确性.该算法在将单波段图像超分辨率方法推广到处理具有数百、乃至上千波段的高光谱图像过程中,既保证了重建图像光谱的准确性,又具有较高的运算效率.实验表明,与双三次插值和基于稀疏表示与光谱正则化约束的高光谱图像超分辨率算法相比,该算法具有更高的空间分辨率提升能力和更好的光谱保真能力.

高分辨率遥感图像分类方法在LUCC中的研究进展

高空间分辨率遥感图像在土地利用/覆盖(LUCC)变化研究中的应用,促进了遥感分类技术的进一步发展,表现在遥感分类对象、分类特征和分类器3个方面。本文对其研究进展情况进行了综述,介绍了具有代表性的分类方法,并对各种方法的特点进行了分析。最后,对遥感分类的相关研究进行了总结和展望。

不同光谱与空间分辨率遥感图像融合方法的理论研究

多源遥感图像的融合处理是提高已获取同一目标影像的光谱和空间分辨率的重要手段,它可以增强多重数据分析处理能力,为大规模遥感应用研究提供一个良好的基础。对目前国内外现有的理论研究方法作了总结,将其分为像素级、特征级和决策级融合3大类型,分别进行了详细的阐述,同时引用具体研究成果对一些方法作了对比。最后,提出了该领域未来的主要研究与发展方向以供讨论。