天绘二号双星InSAR成像与DSM生成技术

天绘二号是编队飞行的双卫星合成孔径雷达系统,相比于传统InSAR系统,它能够消除时间和大气等去相干源,产生高相干性的SAR图像对。本文首先阐述了基于双曲等效的双星干涉扩展线性调频变标(extended chirp scaling, ECS)成像处理算法,并引入预滤波处理混合基线带来的相干性降低和干涉相位误差等问题。然后介绍了双星模式下干涉处理方法和三维重建的技术流程。最后用天绘二号某试验场山地区域的原始回波数据进行了干涉成像试验,并用生成的SAR图像对进行三维重建,分析了图像的相干性,相位解缠结果与DSM重建结果。试验结果验证了本文的干涉成像算法具有良好聚焦性和保相性,同时验证了数据的干涉测量和三维重建能力。

基于稠密金字塔网络的遥感影像建筑物提取

建筑物自动提取是遥感影像解译的重要研究方向,由于遥感影像中建筑物尺度变化大,纹理轮廓特征复杂以及树木遮挡等因素,针对遥感影像的建筑物提取具有一定难度。为了解决多尺度因素对建筑物提取的影响,采用稠密空间金字塔网络,模型基于带孔卷积和稠密连接机制分别改进残差卷积网络和空间金字塔结构,利用跳线连接融合低层纹理特征和高层语义特征,是一种端到端的遥感影像建筑物提取模型。在INRIA遥感影像数据集上展开充分实验,实验结果表明,模型在交并比和准确率两个指标上分别达到了75.93%和92.26%,均优于SegNet、FCN、Skip和MLP方法,证明了模型的有效性和准确性。

基于矩特征和鲁棒性估计的摄像机标定方法

针对当前平面标定方法中特征点提取方法主要为手动或者半自动方式,提出一种基于普通圆形靶标的摄像机快速标定方法。文中利用基于矩特征的椭圆中心检测方法获取包含外点的靶标特征点集;基于特征点邻域的拓扑结构构建矢量集,构建有序的图像匹配点对;利用鲁棒的参数估计方法精确求取单应矩阵。实验表明,该方法可以自动准确提取液晶显示屏上的圆形靶标的投影点,并实现图像靶标点与真实坐标的自动准确对应。利用该方法,可快速准确自动标定出摄像机内外参数和畸变参数,适用于摄像机的现场快速标定。

遥感图像中油罐目标精确定位与参数提取

目的浮动顶油罐是遥感图像中具有圆形特征的典型人造目标,其高精度定位与参数提取问题是一类代表性的应用问题,针对该问题,传统的基于圆形特征的变换域提取方法鲁棒性差,参数选择需要不断手动调整;基于深度学习的方法利用对已有标注图像的训练求解网络参数,提高了自动化程度,但对于圆形目标而言,覆盖圆周需要较大的感受野,这对应较大的网络结构,随之带来细节信息缺失或参数量、运算量增大的问题。本文针对油罐的定位与参数提取问题,将传统特征提取与深度学习结合,提出了一种计算量小、精度高的方法。方法基于快速径向对称变换(fast radial symmetry transform,FRST)后的变换域数据及原始数据构建了卷积神经网络(convolutional neural networks,CNN),给出了训练过程及参数选择,有效地将圆形特征的先验引入深度学习过程,计算复杂度低,用较少层的网络实现了高精度的定位。结果基于Sky Sat数据的实验表明,该方法比单纯基于深度学习的方法在相同网络量级上精度得到了有效提高,预测误差平均降低了17.42%,且随着网络深度的增加,精度仍有明显提高,在较浅层次网络中,预测误差平均降低了19.19%,在较深层次网络中,预测误差平均降低了15.66%。结论本文针对油罐遥感图像定位与参数提取问题,提出了一种基于变换域特征结合深度学习的方法,有效降低了计算量,提升了精度和稳定性。本文方法适用于油罐等圆形或类圆形目标的精确定位和参数提取。

一种顾及多特征的建筑物变化检测方法

建筑物变化检测干扰因素太多,导致算法鲁棒性差,自动化程度较低。针对高分辨率卫星数据特点,提出了一种顾及多特征的建筑物变化检测方法,综合利用建筑物指数特征、光谱变化特征、阴影特征等解决高分辨率遥感影像的建筑物变化自动检测问题。该方法将变分建筑物指数的差异作为建筑物变化决策因子,多元变换(multivariate alteration detection,MAD)变量作为光谱变化因子,在D-S (Dempster-Shafer)证据理论框架下建立概率模型,采用像素级、特征级和对象级相结合的策略进行建筑物变化检测;同时将阴影作为辅助因子进行场景理解的变化信息后处理,进而去除一些非建筑物变化的高亮度区域。并利用两套ZY-3数据进行了相关实验,得到了较好的结果。