2019-12-06 14:42:49 zzj_csdn 阅读数 46
  • Erdas遥感影像处理入门实战教程(GIS思维)

    《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到后的应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验,以及采访学员需求,开展课程设计,实用加实战,会是你学习路上的好帮手。

    4387 人正在学习 去看看 黄晓军

       2006年,加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生在《科学》上发表了一篇文章,开启了深度学习在学术界和工业界的浪潮。

       深度学习摧枯拉朽般地实现了各种任务,使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车,预防性医疗保健,甚至是更好的电影推荐,都近在眼前,或者即将实现。

那么,深度学习算法在遥感图像处理领域是否也能发挥它的“神奇”功效,在哪些方面遥遥领先于传统方法呢?小编整理了《中国图象图形学报》2017—2019年的高关注论文,总结了深度学习在遥感图像处理中的六大应用:

  • 遥感图像检索

  • 遥感图像融合

  • 遥感图像超分辨率重建

  • 高光谱图像分类

  • 高分辨率遥感图像分类

  • SAR图像目标识别

01

遥感图像检索

如何快速且高精度地对海量遥感图像数据进行高效检索?

传统的基于内容的图像检索(CBIR)系统主要通过提取低层次的图像特征(颜色、纹理、形状)进行检索,由于没有获取图像的高层语义特征,故存在着低层视觉特征与用户对图像理解的高层语义不一致,从而导致“语义鸿沟”问题的产生。

而在图像检索过程中,卷积神经网络(CNN)通过多层次的网络学习,针对提取到的丰富特征进行检索,使得检索精度大大提升。

 

02

遥感图像融合

 

全色图像的空间细节信息增强和多光谱图像的光谱信息保持通常是相互矛盾的,如何在这对矛盾中实现最佳融合效果?

传统的多光谱与全色图像的融合方法主要包括亮度色调饱和度(IHS)法,主成分分析(PCA)法以及正交变换(GS)法等分量替代方法。这些方法能够有效提高融合图像的空间分辨率,但存在较为严重的频谱失真问题。

近年来,以小波变换为典型的多分辨率分析方法能够得到更好的多光谱图像融合效果,但存在不能有效地表示2维图像信号的缺陷。

深度学习被广泛应用于图像处理的今天,能否借助其思想,提升多光谱与全色图像的融合效果呢?

 

03

遥感图像超分辨率重建

 

如何经济便捷地获取高分辨影像一直是遥感领域的一大挑战,超分辨率(SR)重建技术恰为此类问题的解决提供了思路。

 当前主要的SR重建方法有3类:插值法、重构法和学习法。插值法是最早的SR重建方法,复杂度最低,实时性好,但结果中边缘效应明显,对细节恢复较差。

重构法是一类以时间宽度换取空间分辨率提升的方法,操作复杂,效率较低,通用性较差,目前针对遥感图像的SR重建大多仍停留在此类方法上。

学习法近年迅速发展,其克服了重构法分辨率提高倍数难确定的限制,且可面向单幅图像,是当前SR重建的主流发展方向。

学习法一般依靠构造高、低分辨率图像库,通过样本学习得到二者间内在对应关系,目前常见的基于学习的SR重建方法有邻域嵌入法、稀疏表示法和卷积神经网络(CNN)法。

 

04

高光谱图像分类

 

针对高光谱图像分类问题,既要考虑分类模型的有效性,也要充分利用丰富的空间和光谱信息。

高光谱遥感图像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的“同物异谱”及“同谱异物”现象,导致高光谱数据结构呈高度非线性。

与传统的人工设计特征相比,基于深度学习的图像分类能够自动提取从底层到高层语义的抽象特征,将图像转换成更容易识别的高级特征,经分类器实现图像像素到标签的映射。

3D-CNN(3D convolutional neural network)能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。

 

05

高分辨率遥感图像分类

 

目前CNN模型在高分辨卫星图像分类领域已经有了许多应用,但是依然存在问题。

首先,CNN模型的训练需要大量有标签样本。由于高分辨卫星图像分类领域的训练样本缺乏,上述方法普遍使用交叉验证或者随机选取的方法在有限数据上进行模型的训练和测试,模型得不到充分的训练,并且结果的说服力不足。

其次,由于有标签样本数量的限制,既不能直接训练CNN模型,也无法充分微调深层CNN模型。再次,上述方法普遍使用了CNN模型堆叠或CNN特征和传统分类器的堆叠,增加了模型和计算的复杂度。

因此,使用卷积神经网络进行高分辨率遥感影像分类需首先考虑以上问题。

06

SAR图像目标识别

 

SAR图像自动目标识别在国民经济和国防建设中有着广泛的应用,如海洋监测系统、舰船目标识别、矿藏探测等。

目前主要的SAR图像目标识别算法包括基于模板匹配的方法、基于支持向量机的方法、基于Boosting的方法、基于稀疏表示的方法等。

基于卷积神经网络的深度模型已经开始应用于SAR图像目标识别,通过学习得到的特征进行分类能够取得较高的识别精度,但是基于深度卷积神经网络的SAR目标识别方法需解决以下问题: 

  • 较少的训练样本

  • 深度模型的优化设计

  • 较长的训练时间

来源:中国图象图形学报

https://mp.weixin.qq.com/s/nRMF0-WD2ij3xkq_PG4v9g

 

 

2012-11-14 19:05:25 zhang22huan 阅读数 1552
  • Erdas遥感影像处理入门实战教程(GIS思维)

    《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到后的应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验,以及采访学员需求,开展课程设计,实用加实战,会是你学习路上的好帮手。

    4387 人正在学习 去看看 黄晓军

参考文献:

《基于多分辨率分析的遥感图像融合算法研究》-博士学位论文-王金玲-中科院长春光机所-徐抒岩研究员-2011年05月

《基于小波的像素级图像融合算法研究》-博士学位论文-杨波-控制理论与控制工程-敬忠良教授-上海交通大学-2008年1月


1. 多传感器图像融合的主要步骤:图像预处理、图像配准、特征提取、目标识别和判断决策

2. 多传感器遥感图像融合分为三个层次:像素级图像融合、特征级图像融合和决策级图像融合

1)像素级的遥感图像融合:针对图像增强的应用,目标是寻求是寻求对遥感图像包含信息的一种更有效的表达,提升遥感图像的可理解性。对输入图像时间和空间配准要求较高

2)特征级的遥感图像融合:针对目标识别和量化分析等应用,融合结果为各输入分量特征的合成或者是由各分量特征属性组成的全新特征。对源图像时间和空间配准要求较低,传感器可分布于不同的平台

3)决策级的遥感图像融合:与特征级的融合有类似之处,但它是基于不同的图像数据分别完成目标识别等工作,融合是对识别结果进行综合的过程。不同形式的逻辑和统计推理可用于决策级的融合。对传感器的配准要求最低。

3. 基于像素级图像融合分为空间域的图像融合算法和变换域的图像融合算法

4. 基于空间域的像素级图像融合算法:1)线性加权法;2)主成分分析法;3)伪彩色图像融合算法;4)基于统计的图像融合算法;5)基于神经网络的图像融合算法

5. 基于变换域的像素级图像融合算法:1)基于FFT的图像融合算法;2)基于DCT的图像融合算法;3)基于多尺度分解(多分辨率分析)的图像融合算法

6. 基于多分辨率分析的图像融合算法:1)基于金字塔变换(拉普拉斯金字塔、低通比率金字塔、对比度金字塔、形态学金字塔、梯度金字塔)的图像融合算法;2)基于小波变换的图像融合算法(基于离散小波变换、基于小波框架、基于a trous小波、基于多小波变换);3)基于脊波变换的图像融合算法;4)基于Curvelet变换的图像融合算法(第一代、第二代);5)基于Contourlet变换的图像融合算法(基于非下采样Contourlet(NSCT变换))

7. Piella基于多分辨率分析的图像融合框架:基于像素的多分辨率图像框架;基于区域的多分辨率图像融合框架

8.特征级的图像融合:1)对不同图像各自的特征进行融合;2)对由相同图像提取的不同特征进行融合

2017-12-04 23:45:47 broken_hook 阅读数 3992
  • Erdas遥感影像处理入门实战教程(GIS思维)

    《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到后的应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验,以及采访学员需求,开展课程设计,实用加实战,会是你学习路上的好帮手。

    4387 人正在学习 去看看 黄晓军

1、使用ENVI自带HSV算法进行图像融合


先加载数据
这里写图片描述


对窗口进行HSV融合
这里写图片描述

参数如图设置
这里写图片描述
高分辨率影像选择Pan
这里写图片描述
参数窗口,重采样方式选择最邻近法,如图
这里写图片描述
计算得到结果如图,通过geographic link与原图进行对比,分辨率得到显著提升
这里写图片描述


2、Gram-Schmidt图像融合方法


这里写图片描述

选择需要融合的低分辨率数据

这里写图片描述

选择进行融合的高分辨数据

这里写图片描述

在这个窗口中,仅更改重采样方式,如图:

这里写图片描述

输出数据,加载与原图进行对比,分辨率得到提升,如图
这里写图片描述


3、手工进行数据融合


对原始数据进行resize,参数如图
这里写图片描述

加载resize处理过的数据,在Image窗口实现自动拉伸为0-255的RGB数值模式,resize处理过后的数据会超出2-255
这里写图片描述

进行RGB颜色模式转换为HSV颜色模式
这里写图片描述

选择之前加载到窗口的数据
这里写图片描述

对Pan数据进行拉伸处理,如图
这里写图片描述

这里写图片描述

这里OutPutDataRange设置改变pan的Data值压缩为0~1,提取高频信息
这里写图片描述

对两个结果转换为RGB颜色模式,其中V通道为上一步骤中拉伸过的Pan,H与V通道分别为RGB转换为HSV颜色模式结果中的H与V通道
这里写图片描述

这里写图片描述

输出结果对比原图,分辨率得到提升这里写图片描述

2018-04-18 16:58:34 zhouky146 阅读数 2356
  • Erdas遥感影像处理入门实战教程(GIS思维)

    《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到后的应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验,以及采访学员需求,开展课程设计,实用加实战,会是你学习路上的好帮手。

    4387 人正在学习 去看看 黄晓军

多源图像像素级融合大致分为两类:基于空间域的图像融合和基于变换域的图像融合。

基于空间域的图像融合一般是直接在图像的像素灰度空间上进行融合;如加权融合、主成分分析、HSI变换、基于调制的图像融合、基于统计的图像融合、基于神经网络的图像融合。

基于变换域的图像融合是先对待融合的多源图像进行图像变换(金字塔变换、小波变换),融合处理是对变换后的系数进行组合。

一、基于拉普拉斯金字塔的图像融合

      1.对图像进行高斯金字塔分解

      高斯金字塔是一个在尺寸上准层减半的一组图像序列,序列中的每一级图像均为其前一级图像低通滤波后作隔行隔列降采样。

     

       

        2.由高斯金字塔建立图像的Laplace金字塔

       

    3.由拉普拉斯金字塔重建图像

      

      4.基于拉普拉斯金字塔分解的图像融合

      步骤1:对每幅源图像分别进行拉普拉斯金字塔分解,建立各自的拉普拉斯金字塔

      步骤2:对图像金字塔的各分解层分别进行融合处理,不同分解层采用不同的融合算子进行融合处理,最终得到

      融合后图像的拉普拉斯金字塔

      步骤3:将融合后的拉普拉斯金字塔进行图像重构,得到最终的融合图像

  

     基于拉普拉斯金字塔将图像分解到不同的空间频带上,利用其分解后的塔形结构,对具有不同空间频率的不同分解层,分别采用不同的融合算子进行融合处理,可以有效地将来自不同图像的细节和特征融合在一起。

二、基于对比度金字塔分解的图像融合

      

       



2018-04-09 17:58:23 zhouky146 阅读数 1810
  • Erdas遥感影像处理入门实战教程(GIS思维)

    《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到后的应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验,以及采访学员需求,开展课程设计,实用加实战,会是你学习路上的好帮手。

    4387 人正在学习 去看看 黄晓军

一、遥感影像

      遥感,意思是“遥远的感知”,现代遥感的定义是:不直接接触有关目标物或现象而能收集信息,并能对其进行分析,解译和分类等的一种技术。

      1.定义:凡是只记录各种地物电磁波大小的胶片,称为遥感影像

      2.用计算机处理的遥感影像必须是数字图像,拍摄出的模拟图像需必须使用图像扫描仪进行模数(A/D)转换。

      3. 图像分为空间域频率域空间域和频率域又分别有光学图像数字图像。(此处只介绍数字图像)

     3.1 空间域表示形式:

     数字图像是一个二维的、离散的光密度函数,相对于光学图像,它在空间坐标(x,y)和密度上都已经离散化,空间坐标x,y仅取离散值,即:

      x=x0+m△x

      y=y0+m△y 

      m=1,2,3…m-1;△x和△y为离散化的坐标间隔。

      同时f(x,y)也为离散值,一般取值为 0<=f(x,y)<=127或0<=f(x,y)<=255

      数字图像可以用矩阵表示,矩阵中的每个元素称为像元。

      3.2频率域表示形式:

       

    


      其中N是x方向上的数目,M是y方向上的数目,F(u,v)包含原始图像f(x,y)的空间频率的信息,成为频谱,它是一个复函数,可以表示为:

       F(u,v)=R(u,v)+iI(u,v)

       等价于F(u,v)=|F(u,v)|e^iφ(u,v)

       其中|F(u,v)|是傅里叶变换的振幅,为根号下R和I函数平方和

     4.特征

      (1)地面分辨率:对于地面而言,可以识别的最小地面距离或最小目标物的大小

              空间分辨率:对于遥感器或图像而言,图像上能够详细区分的最小单元的尺寸或大小,距离越小,分辨率越高

      (2)光谱分辨率:遥感器接受目标辐射时能分辨的最小波长间隔。间隔越小,分辨率越高。所选用的波段的数量的多少、各波段波长的位置,以及波长间隔的大小共同决定光谱分辨率。光谱分辨率和空间分辨率对于传感器而言是相互制约的,即光谱分辨率高,空间分辨率一定高不起来。

      (3)时间分辨率:重复观测的最小的时间间隔

      (4)辐射分辨率探测器的灵敏度——遥感器感测元件在接收光谱信号时能分辨的最小辐射度差

二、多光谱图像(Multi Spectral,MS)和全色(Panchromatic,PAN)图像

      

       1.全色图像:传感器获得整个全色波段(0.5μm~0.75μm的单波段)的黑白影像,因为是单波段,所以是灰度图片,无法获取地物色彩,但是分辨率高。

       2.多光谱图像:传感器对地物辐射的多个波段进行获取得到多个波段的光谱信息的影像,对不同的波段分别赋予RGB颜色,得到彩色图片。

       全色影像接收的波长范围在绿色波长以后(500-750nm左右),长于多光谱影像的波长范围,所以光谱分辨率也小于多光谱影像,则空间分辨率更高。

      全色影像的分辨率高于多光谱影像的原因:

一是光谱分辨率和空间分辨率彼此制约,全色影像的光谱分辨率低,所以空间分辨率高;

二为对于多光谱影像来说,光束经过分光 ,带给传感器的能量减少了,所以空间分辨率低。

参考文章:https://blog.csdn.net/u013177494/article/details/73380204

遥感图像分类

阅读数 4699

没有更多推荐了,返回首页