摘要： 目標(biāo)尺度差異性和類間相似性是遙感圖像目標(biāo)檢測面臨的兩個重要挑戰(zhàn).多尺度特征融合作為一種解決目標(biāo)尺度差異性大和類間相似度高的方法,受到了廣泛關(guān)注.然而目前大多數(shù)融合方法使用固定權(quán)重融合不同尺度特征,使所有的輸入圖像共享融合方式,忽略輸入圖像中目標(biāo)尺度對特征融合的影響.針對上述問題,本文提出了一種動態(tài)特征融合網(wǎng)絡(luò).該網(wǎng)絡(luò)由特征門控模塊和動態(tài)融合模塊構(gòu)成,能夠?qū)崿F(xiàn)多尺度特征的動態(tài)融合.其中,特征門控模塊旨在對融合前的特征進(jìn)行選擇性抑制或增強,降低背景信息對后續(xù)融合的干擾.動態(tài)融合模塊旨在建立輸入目標(biāo)尺度和特征融合之間的聯(lián)系,根據(jù)輸入目標(biāo)尺度動態(tài)學(xué)習(xí)融合權(quán)重.最后,在采用特征金字塔的Faster R-CNN上構(gòu)建動態(tài)特征融合網(wǎng)絡(luò),并在大規(guī)模的遙感圖像目標(biāo)檢測數(shù)據(jù)集DIOR和DOTA上驗證了動態(tài)特征融合網(wǎng)絡(luò)的有效性.

摘要： 為減少森林火災(zāi)造成的生態(tài)與經(jīng)濟(jì)損失,搭建無人機檢測平臺采集森林遙感圖像,基于支持向量機(SVM)開發(fā)森林火災(zāi)檢測系統(tǒng).通過分析森林遙感圖像的像素點,預(yù)提取火災(zāi)的感興趣區(qū)域(ROI),提高火災(zāi)識別準(zhǔn)確率.利用方向梯度提取森林火焰的邊緣特征與紋理特征,采用機器學(xué)習(xí)方法進(jìn)行森林火災(zāi)識別.實驗結(jié)果表明,該檢測方法對火災(zāi)與非火災(zāi)識別的準(zhǔn)確率較高,分別為93%與96%,整體識別準(zhǔn)確率為94.5%.

摘要： 由于域偏移的存在,多源圖像艦船目標(biāo)檢測任務(wù)面臨著不同源傳感器帶來的圖像風(fēng)格差異難題.另外,為特定數(shù)據(jù)源訓(xùn)練特定的檢測模型會消耗大量的計算資源,嚴(yán)重限制了其在軍民用領(lǐng)域的工程應(yīng)用.因此,設(shè)計一個通用網(wǎng)絡(luò)以有效檢測來自不同源遙感數(shù)據(jù)的艦船目標(biāo)成了當(dāng)下的研究熱點.針對該需求,本文提出了一種基于不變特征的通用艦船目標(biāo)檢測方法,通過充分利用多源數(shù)據(jù)之間的共享知識實現(xiàn)通用遙感目標(biāo)的網(wǎng)絡(luò)檢測.本方法由2部分組成:圖像級的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)和特征級的域自適應(yīng)網(wǎng)絡(luò).具體地,前者采用風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)生成接近真實分布的偽多源圖像,拉近多源數(shù)據(jù)之間的分布,在圖像層面上學(xué)習(xí)多源數(shù)據(jù)的不變特征;為學(xué)習(xí)特征層面上多源數(shù)據(jù)的不變特征,后者通過適應(yīng)網(wǎng)絡(luò)對多源特征進(jìn)行信息解耦,通過域注意力網(wǎng)絡(luò)的自適應(yīng)權(quán)重分配實現(xiàn)特征重組.本文在NWPU VHR-10,SSDD,HRSC和SAR-Ship-Dataset數(shù)據(jù)集上進(jìn)行實驗驗證,結(jié)果表明:所提方法通過不變特征之間的信息互補,緩解了域偏移問題,可有效檢測多源遙感數(shù)據(jù).本文方法在上述多源數(shù)據(jù)集上的平均mAP為90.8%,相比現(xiàn)有主流艦船目標(biāo)檢測方法可以提高1.4%~10.6%.

摘要： 針對我國中小城鎮(zhèn)普遍存在用地布局分散粗放、土地開發(fā)利用強度過大且利用方式不合理等問題,文章以安慶市望江縣為研究區(qū),利用遙感與地理信息系統(tǒng)(geographic information system,GIS)技術(shù),結(jié)合多目標(biāo)遺傳算法,對土地利用數(shù)據(jù)進(jìn)行優(yōu)化處理,實現(xiàn)土地利用的緊湊性和適宜性。對原始土地數(shù)據(jù)進(jìn)行鄰域同化處理,對遺傳算法種群的初始化進(jìn)行改進(jìn),并將改進(jìn)優(yōu)化結(jié)果與傳統(tǒng)優(yōu)化結(jié)果進(jìn)行對比分析,從經(jīng)濟(jì)生態(tài)指標(biāo)和生態(tài)景觀指數(shù)2個角度,對區(qū)域功能特征的優(yōu)化結(jié)果進(jìn)行評估。結(jié)果表明:優(yōu)化后望江縣經(jīng)濟(jì)效益、生態(tài)效益分別提高了21.59、0.16億元;從景觀格局角度分析可知,研究區(qū)域內(nèi)斑塊數(shù)量減少,平均斑塊密度降低,空間聚集性增加。經(jīng)優(yōu)化后望江縣的用地布局趨向于集中,對改善區(qū)域內(nèi)小城鎮(zhèn)用地粗放或不合理等問題具有一定的理論意義,為政府決策提供數(shù)據(jù)支撐。

摘要： 遙感圖像變化檢測一直是遙感領(lǐng)域的熱點。使用單一的差分影像很難保證初始變化圖的準(zhǔn)確度,為了充分利用遙感圖像的空間信息,文章提出了一種用于無監(jiān)督遙感圖像變化檢測的基于超像素的條件隨機場模型。該方法首先通過變化矢量分析、光譜相關(guān)映射器產(chǎn)生了提供互補變化信息的差異圖像。然后對差異圖像進(jìn)行簡單線性迭代聚類得到超像素圖像,最后,引入到條件隨機場模型進(jìn)行優(yōu)化獲得二值變化圖。實驗結(jié)果表明,所提出的方法提高了遙感圖像變化檢測的準(zhǔn)確性。

摘要： 針對遙感圖像背景復(fù)雜及有監(jiān)督場景分類算法無法利用無標(biāo)簽數(shù)據(jù)的問題,提出一種基于生成對抗網(wǎng)絡(luò)的半監(jiān)督遙感圖像場景分類方法。首先,引入譜歸一化殘差塊代替?zhèn)鹘y(tǒng)生成對抗網(wǎng)絡(luò)中的二維卷積,利用殘差塊的跳躍連接解決梯度消失問題;其次,引入特征融合思想,將淺層特征與深層特征進(jìn)行融合,從而減少特征損失;最后,在生成對抗網(wǎng)絡(luò)的判別器中加入結(jié)合門控的注意力模塊,以增強特征判別能力。在EuroSAT和UC Merced數(shù)據(jù)集上的實驗結(jié)果表明,該方法能夠有效提取判別力更強的特征,提高半監(jiān)督分類性能。

摘要： 遙感圖像目標(biāo)檢測一直是遙感圖像領(lǐng)域中的熱點和難點問題,旨在分類和定位感興趣目標(biāo)。近年來卷積神經(jīng)網(wǎng)絡(luò)理論技術(shù)的快速發(fā)展,有效地解決了傳統(tǒng)目標(biāo)檢測方法特征提取不足的問題。在公開的遙感數(shù)據(jù)集RSOD-Dataset上,基于YOLOv3算法模型進(jìn)行目標(biāo)檢測,為了適應(yīng)遙感圖像中目標(biāo)小、背景復(fù)雜等難分類樣本的特點,在檢測模型中引入難易樣本平衡因子來改變不同類別的損失權(quán)重,從而進(jìn)一步提高遙感圖像檢測精度。為了證明這里改進(jìn)方法的有效性,進(jìn)行了一組對比消融實驗。實驗結(jié)果表明,改進(jìn)的算法比YOLOv3算法的平均檢測精度提高了6%,尤其是對于背景復(fù)雜的立交橋類別,平均檢測精度有了明顯的提高。因此通過改進(jìn)YOLOv3進(jìn)一步平衡了簡單樣本和難例樣本的損失權(quán)重,有效地提高了遙感圖像目標(biāo)檢測精度。

摘要： 高分辨率遙感圖像變化檢測是了解地表變化的關(guān)鍵,是遙感圖像處理領(lǐng)域的一個重要分支?，F(xiàn)有很多基于深度學(xué)習(xí)的變化檢測方法,取得了良好的效果,但是不易獲得高分辨率遙感圖像中的結(jié)構(gòu)細(xì)節(jié)且檢測精度有待提高。因此,該文提出融合了邊緣變化信息和通道注意力模塊的網(wǎng)絡(luò)框架(EANet),分為邊緣結(jié)構(gòu)變化信息檢測、深度特征提取和變化區(qū)域判別3個模塊。首先,為了得到雙時相圖像的邊緣變化信息,對其進(jìn)行邊緣檢測得到邊緣圖,并將邊緣圖相減得到邊緣差異圖;其次,考慮到高分辨率遙感圖像精細(xì)的圖像細(xì)節(jié)和復(fù)雜的紋理特征,為了充分提取單個圖像的深度特征,構(gòu)建基于VGG-16網(wǎng)絡(luò)的3支路模型,分別提取雙時相圖像和邊緣差異圖的深度特征;最后,為了提高檢測精度,提出將通道注意力機制嵌入到模型中,以關(guān)注信息量大的通道特征來更好地進(jìn)行變化區(qū)域的判別。實驗結(jié)果表明,無論從視覺解釋或精度衡量上看,提出算法與目前已有的一些方法相比,具有一定的優(yōu)越性。

摘要： 文章根據(jù)不同時相的建筑物遙感圖像之間存在著平移、地物、旋轉(zhuǎn)角度等差異,多視角圖像間存在非剛性畸變問題,從而提出了使用穩(wěn)健的迭代配準(zhǔn),逐步消除圖像間的差異(或非剛性畸變),利用混合特征提高多時相和多視角圖像配準(zhǔn)精度。提出一種適應(yīng)性強且適用于多時相和多視角的建筑物遙感圖像變化檢測方法,通過對該算法進(jìn)行研究,擬在有效檢測出建筑物遙感圖像中的變化位置。

摘要： 在遙感圖像超分辨率重建領(lǐng)域,大部分?jǐn)?shù)據(jù)集缺少成對的圖像用于訓(xùn)練,當(dāng)前的方法主要是通過雙三次插值的方式來獲取低分辨率圖像,因退化模型過于理想化導(dǎo)致在處理真實低分辨率遙感圖像時效果較差,基于此,文中提出了一種自然場景下真實遙感圖像的超分辨率重建算法。針對缺少成對圖像的數(shù)據(jù)集的問題,構(gòu)建了一種更合理的退化模型,將成像過程中的退化先驗知識(如模糊、噪聲、降采樣等)隨機混洗,以模擬自然場景下低分辨遙感圖像的生成過程,生成逼真的低分辨率圖像用于訓(xùn)練;同時,改進(jìn)了一種基于生成對抗網(wǎng)絡(luò)的超分辨率重建算法,在生成網(wǎng)絡(luò)中引入注意力機制,以增強遙感圖像紋理細(xì)節(jié)。在UC Merced數(shù)據(jù)集上,所提方法的PSNR/SSIM較ESRGAN和RCAN分別提升了1.407 1 dB/0.067 2,0.821 1 dB/0.023 5;在真實遙感數(shù)據(jù)集Alsat2B上,所提方法在3種地形上的平均PSNR/SSIM較基線模型提升了1.758 4 dB/0.048 5,重建圖像視覺效果也優(yōu)于基線模型,從而驗證了退化模型和重建模型的有效性。

摘要： 遙感圖像的目標(biāo)檢測是遙感數(shù)據(jù)處理中的一類基礎(chǔ)性分析問題,目前的研究通常假設(shè)訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)屬于同分布,但是在現(xiàn)實問題中卻常出現(xiàn)訓(xùn)練模型與目標(biāo)任務(wù)不匹配的情況.為了提高目標(biāo)檢測模型的魯棒性,本文結(jié)合遷移學(xué)習(xí)中的領(lǐng)域自適應(yīng)方法提出了無監(jiān)督的域適應(yīng)Faster R-CNN目標(biāo)檢測算法.改進(jìn)算法在Faster R-CNN算法的基礎(chǔ)上設(shè)計了域適應(yīng)結(jié)構(gòu),選擇作為領(lǐng)域間的差異性度量準(zhǔn)則,并基于對抗訓(xùn)練的方式來縮小域間差異.基于亮度差異的域適應(yīng)實驗證明了域適應(yīng)Faster R-CNN目標(biāo)檢測算法是有效的,相比于原Faster R-CNN算法,檢測精度提高了31.84%.

摘要： 隨著衛(wèi)星遙感圖像分辨率的提升,感興趣目標(biāo)在圖像中所占尺寸越來越小,從地面復(fù)雜背景中快速提取出感興趣的目標(biāo)依然具有挑戰(zhàn)性.本文提出了一種基于局部學(xué)習(xí)方法的直推支持向量機的遙感圖像目標(biāo)提取方法.該方法將半監(jiān)督學(xué)習(xí)方法和局部學(xué)習(xí)方法相結(jié)合,能夠有效利用已知目標(biāo)樣本的直推支持向量機,實現(xiàn)對小樣本遙感目標(biāo)識別的分類器構(gòu)建.實驗結(jié)果表明,該方法在高分辨率衛(wèi)星遙感圖像上的海上目標(biāo)提取上比其他方法有更好的性能.

摘要： 針對基于傳統(tǒng)方法的遙感圖像在軌處理技術(shù),處理準(zhǔn)確率低、虛警率高的問題,提出了基于深度學(xué)習(xí)的遙感圖像在軌目標(biāo)檢測技術(shù)的方案,并針對衛(wèi)星遙感圖像特點,提出了優(yōu)化的遙感目標(biāo)檢測方法和對深度網(wǎng)絡(luò)進(jìn)行壓縮方法,通過在智能處理硬件平臺對提出方法進(jìn)行測試,該方法目標(biāo)檢測準(zhǔn)確性高達(dá)92％,虛警率低于2％,單元處理速度達(dá)到300幀/s以上,可高速高可靠的在軌實現(xiàn)艦船、飛機等目標(biāo)處理,支持在軌目標(biāo)檢測技術(shù)向?qū)嵱没l(fā)展.

摘要： 近年來,隨著海量高分辨率遙感圖像快速積累,亟需高效的遙感圖像檢索系統(tǒng).為提升遙感圖像檢索的性能,本文對基于深度特征的高分辨率遙感圖像檢索展開研究,提出了一種基于深度融合特征的遙感圖像檢索方法.首先,基于當(dāng)前復(fù)雜遙感場景下單一特征表示能力不足的問題,提出了一種基于深度網(wǎng)絡(luò)的遙感圖像特征均值-最大池化加權(quán)融合的方法.其次,基于該融合方法,構(gòu)建了一套完整的遙感圖像檢索的系統(tǒng)框架.該系統(tǒng)框架結(jié)合了數(shù)據(jù)集特征增強、查詢擴展等檢索方法,進(jìn)一步提升了遙感圖像檢索性能.最后,為了訓(xùn)練有效的深度網(wǎng)絡(luò),基于當(dāng)今遙感圖像檢索數(shù)據(jù)集數(shù)量比較稀缺、常見數(shù)據(jù)集體量較小且場景較單一的現(xiàn)狀,本文構(gòu)建了一個場景豐富、體量較大的高分辨率遙感圖像數(shù)據(jù)集.實驗表明,該方法能夠有效地提升深度特征在遙感圖像中的檢索效果.

摘要： 隨著遙感圖像分辨率的提高,飛機目標(biāo)的檢測越來越具有挑戰(zhàn)性.高分辨率的遙感圖像背景更趨于復(fù)雜多樣,對飛機目標(biāo)的檢測造成極大干擾,基于傳統(tǒng)特征的飛機目標(biāo)檢測算法難以提取魯棒性、區(qū)分性特征,以至于造成較高的誤檢率.基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛機目標(biāo)檢測受到極大關(guān)注,但是遙感圖像中飛機目標(biāo)尺度變化多樣,較小的飛機通過訓(xùn)練網(wǎng)絡(luò)后可識別的特征顯著下降,本文將特征金字塔網(wǎng)絡(luò)應(yīng)用到飛機目標(biāo)檢測中,利用深度卷積網(wǎng)絡(luò)的多尺度,金字塔分級來構(gòu)造特征金字塔,并通過橫向連接的自頂向下結(jié)構(gòu)在所有尺度上構(gòu)建高級特征映射.實驗結(jié)果表明,在經(jīng)典的FasterR-CNN系統(tǒng)中使用特征金字塔網(wǎng)絡(luò)作為特征提取器,飛機目標(biāo)檢測性能取得了顯著的改善,在多類型的飛機目標(biāo)檢測中,相比較于經(jīng)典的Faster R-CNN網(wǎng)絡(luò),本文提出的方法AP有近8％的提高.

摘要： 為了更好地提高SAR圖像中艦船目標(biāo)的檢測能力,提出了一種基于SAR圖像混合濾波增強的Haar-like特征改進(jìn)型CFAR檢測算法.利用Refined Lee濾波、對數(shù)變換、離散小波變換和導(dǎo)向濾波對SAR圖像進(jìn)行預(yù)處理,去除SAR圖像中存在的相干斑噪聲.利用海陸分割屏蔽陸地區(qū)域的干擾,并通過基于Haar-like特征的CA-CFAR算法實現(xiàn)對艦船目標(biāo)的檢測.通過高分3衛(wèi)星圖像仿真,證明了提出的方法具備優(yōu)秀的目標(biāo)檢測性能和較低的計算復(fù)雜度,可以在復(fù)雜場景中實現(xiàn)對海面上行駛的船舶、岸邊?？康拇暗臋z測.

摘要： 地物目標(biāo)特性是重要的遙感圖像基礎(chǔ)性研究內(nèi)容,最終目的是為圖像的解譯與專題應(yīng)用提供支持.如何使地物目標(biāo)特性智能化、精準(zhǔn)、高效地為圖像應(yīng)用分析服務(wù),是特性應(yīng)用的難題之一.本文以地物目標(biāo)高光譜特性為例,提出了一種基于概念知識分類模型的特性信息描述方法.采用概念知識樹作為描述特性的知識表達(dá)體系,將原來抽象化的特性知識具體化、實用化,可以與目標(biāo)圖像解譯及應(yīng)用需求、算法、應(yīng)用流程、應(yīng)用模型構(gòu)建緊耦合,顯著提高任務(wù)驅(qū)動的圖像解譯與應(yīng)用的智能化水平.最后,論文舉例說明了本文提出的從知識的角度來分類組織語義邏輯上的特性應(yīng)用模式,能較好解決特性支持目標(biāo)分類檢測與識別的解譯應(yīng)用存在的效率與精度困難,提升特性應(yīng)用的智能化程度.

摘要： 針對遙感圖像飛機目標(biāo)檢測過程中受云霧或建筑物遮擋而檢測精度降低的問題,本文提出了一種基于注意力機制的遙感圖像遮擋飛機目標(biāo)檢測算法.首先通過卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征生成特征圖譜,引入注意力機制CBAM模塊從通道和空間兩個維度計算相應(yīng)的注意力圖譜,然后將注意力圖譜與輸入的特征圖譜相乘來進(jìn)行特征的自適應(yīng)學(xué)習(xí),從而使模型突出有用特征并有效抑制無用特征.經(jīng)實驗驗證,在高分辨率遙感圖像遮擋數(shù)據(jù)集(HR-RS)上對比傳統(tǒng)遙感圖像飛機目標(biāo)檢測網(wǎng)絡(luò)與本文引入注意力機制的改進(jìn)算法的檢測性能,本文算法在遮擋飛機目標(biāo)檢測精度上相比Faster RCNN提升了4.5％左右,實驗結(jié)果充分驗證了本文算法的有效性,該算法可為機場監(jiān)管、軍事偵察等應(yīng)用提供重要的技術(shù)支持.

摘要： 光學(xué)圖像和SAR圖像之間的互補特性及巨大的特征差異使得基于它們的異源遙感圖像變化檢測在實際應(yīng)用中變得相當(dāng)有意義而且富有挑戰(zhàn)性.在本文中,提出了一種新穎的基于卷積耦合自編碼器的無監(jiān)督異源圖像變化檢測方法.卷積耦合自編碼器中的卷積層首先將兩副輸入圖像中每個像素點及其鄰域編碼為特征向量,該過程可以代替降噪算法并在兩個圖像之間建立更一致的特征表示.接著,一個經(jīng)典的自編碼器結(jié)構(gòu)將兩個特征空間連接,以探索每對特征向量間的潛在關(guān)系,并學(xué)習(xí)特征對之間的映射函數(shù).最后,通過特征相似性分析建立變化圖,并采用閾值方法生成最終的變化檢測結(jié)果.對兩個真實數(shù)據(jù)集的實驗結(jié)果表明,與現(xiàn)有的幾種方法相比,該方法具有更好的性能.

摘要： 量子點光譜技術(shù)的“光譜重建”過程中需要使用基函數(shù)構(gòu)建回歸模型.傳統(tǒng)的重建方法對光譜高頻信息的捕捉不足,反演精度低.針對傳統(tǒng)方法的不足,提出一種特殊的基函數(shù)結(jié)構(gòu),使得基函數(shù)方便擬合待測光譜的低頻宏觀輪廓信息和高頻微觀細(xì)節(jié)信息.同時,還將研究這種基函數(shù)參數(shù)的調(diào)節(jié)規(guī)律,使基函數(shù)的參數(shù)可以做到自適應(yīng)調(diào)節(jié),為每個光譜“量身定制”個性化的基函數(shù),最大限度的包含待測函數(shù)的頻率信息.經(jīng)測試,對于窄帶和寬帶光譜,該方法反演誤差分別是傳統(tǒng)方法誤差的約50％～70％和約90％,且具有一定的抗噪聲能力,為量子點光譜技術(shù)真正走向?qū)嵱没蛳禄A(chǔ).

摘要： 本發(fā)明的全色/多光譜遙感圖像與高光譜遙感圖像的融合方法涉及遙感圖像處理領(lǐng)域，目的是為了克服目前現(xiàn)有的全色/多光譜?高光譜圖像融合的結(jié)果不能合理權(quán)衡空間和光譜分辨率的問題，本發(fā)明方法具體步驟如下：步驟一、提取高光譜遙感圖像的端元矩陣；步驟二、利用全色/多光譜遙感圖像、高光譜遙感圖像和端元矩陣建立變分模型；步驟三、對變分模型利用交替方向乘子法迭代計算，得到全色/多光譜遙感圖像和高光譜遙感圖像的融合圖像。

摘要： 本申請?zhí)峁┮环N遙感圖像的處理方法以及遙感圖像處理模型。方法包括：獲取包含待提取對象的原圖像；對所述原圖像依次進(jìn)行M次下采樣處理而獲得特征數(shù)據(jù)，M為正整數(shù)；其中，x取1到M中的任意值，第x次下采樣處理包括：對輸入數(shù)據(jù)進(jìn)行尺度不同的卷積，獲得尺度不同的各卷積特征，將所述各卷積特征融合再進(jìn)行下采樣，獲得輸出數(shù)據(jù)。在對原圖像進(jìn)行上采樣時，由于對輸入數(shù)據(jù)進(jìn)行了尺度不同的卷積，獲得尺度不同的各卷積特征，故可以增加網(wǎng)絡(luò)的寬度，使得將各卷積特征融合再進(jìn)行下采樣處理時，能夠提取出更多的信息，以實現(xiàn)圖像中的背景和待提取對象復(fù)雜且交錯時，也能夠準(zhǔn)確的提取出待提取對象。

摘要： 本發(fā)明公開了一種基于標(biāo)準(zhǔn)遙感圖像的遙感圖像缺失數(shù)據(jù)修復(fù)方法，其特點是，該方法是首先將不存在缺失數(shù)據(jù)的參照遙感圖像的光譜值校正到待修復(fù)遙感圖像的光照條件下的光譜值，構(gòu)建標(biāo)準(zhǔn)遙感圖像；以待修復(fù)遙感圖像中缺失數(shù)據(jù)像元和標(biāo)準(zhǔn)遙感圖像中相同坐標(biāo)像元為中心，分別構(gòu)建局部窗口；在標(biāo)準(zhǔn)遙感圖像窗口內(nèi)，進(jìn)行光譜分類，確定并記錄下窗口內(nèi)與中心像元光譜最相似的像元的位置(x,y)和該像元同中心像元在各波段上的光譜值的比值Ki；在待修復(fù)遙感圖像窗口內(nèi)，用相同位置(x,y)上的像元光譜值除以Ki，來填充窗口中心像元缺失的光譜值；本發(fā)明減少了運算量，克服了太陽光照不同所導(dǎo)致的圖像光譜畸變對像元分類精度的影響，具有修復(fù)精度高、計算量小的優(yōu)點。

摘要： 本發(fā)明涉及一種遙感圖像分割方法，屬于遙感圖像處理技術(shù)領(lǐng)域。本發(fā)明根據(jù)顏色特征、紋理特征及像素點的位置信息生成的特征向量，作為初始輸入向量，利用均值漂移濾波進(jìn)行遙感圖像的分割，并進(jìn)一步利用構(gòu)造的聚類有效性指數(shù)自適應(yīng)地確定顏色特征和紋理特征的權(quán)重，有效提高了遙感圖像分割的精度。本發(fā)明還公開了一種采用本發(fā)明的遙感圖像分割方法的遙感圖像檢索方法，并進(jìn)一步采用了一種新的區(qū)域表示與匹配方法來完成遙感圖像的檢索。相比現(xiàn)有技術(shù)，本發(fā)明具有更好的檢索精度，尤其對于小目標(biāo)區(qū)域的檢索具有更好的效果。

摘要： 本發(fā)明的全色/多光譜遙感圖像與高光譜遙感圖像的融合方法涉及遙感圖像處理領(lǐng)域，目的是為了克服目前現(xiàn)有的全色/多光譜?高光譜圖像融合的結(jié)果不能合理權(quán)衡空間和光譜分辨率的問題，本發(fā)明方法具體步驟如下：步驟一、提取高光譜遙感圖像的端元矩陣；步驟二、利用全色/多光譜遙感圖像、高光譜遙感圖像和端元矩陣建立變分模型；步驟三、對變分模型利用交替方向乘子法迭代計算，得到全色/多光譜遙感圖像和高光譜遙感圖像的融合圖像。

摘要： 本發(fā)明公開了一種SAR遙感圖像到光學(xué)遙感圖像的翻譯方法，在訓(xùn)練階段，構(gòu)建包括生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)的對抗神經(jīng)網(wǎng)絡(luò)；對SAR遙感圖像進(jìn)行預(yù)處理，將預(yù)處理圖像及對應(yīng)的光學(xué)遙感圖像構(gòu)成訓(xùn)練集；根據(jù)多幅SAR遙感圖像所屬的地物不同將訓(xùn)練集分成若干個子集；針對任一子集，將子集中的預(yù)處理圖像輸入到對抗神經(jīng)網(wǎng)絡(luò)中，對生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)交替訓(xùn)練，得到子集對應(yīng)的對抗神經(jīng)網(wǎng)絡(luò)預(yù)測模型；在測試階段，對待翻譯的SAR遙感圖像進(jìn)行預(yù)處理，并根據(jù)其所屬的地物，選擇相應(yīng)的對抗神經(jīng)網(wǎng)絡(luò)預(yù)測模型；將預(yù)處理圖像輸入到相應(yīng)的對抗神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，生成器輸出翻譯結(jié)果；優(yōu)點是翻譯結(jié)果的精度高、視覺效果好，且能適用于分辨率較高的SAR遙感圖像的翻譯。

摘要： 本申請?zhí)峁┮环N遙感圖像的處理方法以及遙感圖像處理模型。方法包括：獲取包含待提取對象的原圖像；對所述原圖像依次進(jìn)行M次下采樣處理而獲得特征數(shù)據(jù)，M為正整數(shù)；其中，x取1到M中的任意值，第x次下采樣處理包括：對輸入數(shù)據(jù)進(jìn)行尺度不同的卷積，獲得尺度不同的各卷積特征，將所述各卷積特征融合再進(jìn)行下采樣，獲得輸出數(shù)據(jù)。在對原圖像進(jìn)行上采樣時，由于對輸入數(shù)據(jù)進(jìn)行了尺度不同的卷積，獲得尺度不同的各卷積特征，故可以增加網(wǎng)絡(luò)的寬度，使得將各卷積特征融合再進(jìn)行下采樣處理時，能夠提取出更多的信息，以實現(xiàn)圖像中的背景和待提取對象復(fù)雜且交錯時，也能夠準(zhǔn)確的提取出待提取對象。

摘要： 本發(fā)明公開了一種基于標(biāo)準(zhǔn)遙感圖像的遙感圖像缺失數(shù)據(jù)修復(fù)方法，其特點是，該方法是首先將不存在缺失數(shù)據(jù)的參照遙感圖像的光譜值校正到待修復(fù)遙感圖像的光照條件下的光譜值，構(gòu)建標(biāo)準(zhǔn)遙感圖像；以待修復(fù)遙感圖像中缺失數(shù)據(jù)像元和標(biāo)準(zhǔn)遙感圖像中相同坐標(biāo)像元為中心，分別構(gòu)建局部窗口；在標(biāo)準(zhǔn)遙感圖像窗口內(nèi)，進(jìn)行光譜分類，確定并記錄下窗口內(nèi)與中心像元光譜最相似的像元的位置(x,y)和該像元同中心像元在各波段上的光譜值的比值K

摘要： 本發(fā)明涉及一種遙感圖像分割方法，屬于遙感圖像處理技術(shù)領(lǐng)域。本發(fā)明根據(jù)顏色特征、紋理特征及像素點的位置信息生成的特征向量，作為初始輸入向量，利用均值漂移濾波進(jìn)行遙感圖像的分割，并進(jìn)一步利用構(gòu)造的聚類有效性指數(shù)自適應(yīng)地確定顏色特征和紋理特征的權(quán)重，有效提高了遙感圖像分割的精度。本發(fā)明還公開了一種采用本發(fā)明的遙感圖像分割方法的遙感圖像檢索方法，并進(jìn)一步采用了一種新的區(qū)域表示與匹配方法來完成遙感圖像的檢索。相比現(xiàn)有技術(shù)，本發(fā)明具有更好的檢索精度，尤其對于小目標(biāo)區(qū)域的檢索具有更好的效果。

摘要： 本發(fā)明提供一種遙感圖像的處理方法、裝置及遙感成像設(shè)備。該方法包括：獲取目標(biāo)區(qū)域的多個遙感圖像；在多個遙感圖像中，確定相似度最高的第一遙感圖像和第二遙感圖像，以及確定清晰度最高的第三遙感圖像；根據(jù)第一遙感圖像和第二遙感圖像，確定差值圖像；差值圖像用于表征第一遙感圖像和第二遙感圖像受到的固定噪聲的差異情況，固定噪聲為多個遙感圖像中每個遙感圖像的一個或多個固定位置存在的噪聲；根據(jù)差值圖像，對第三遙感圖像進(jìn)行修正，得到目標(biāo)區(qū)域的最終圖像。本發(fā)明能夠減小由于遙感成像設(shè)備的硬件退化導(dǎo)致的遙感圖像存在的噪聲，提高遙感圖像的清晰度。