排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。 相似文献
2.
为了充分利用多光谱图像的光谱信息和全色图像的空间信息,本文提出一种基于深度递归残差网络的遥感图像空谱融合方法。方法将残差网络和递归网络相结合,利用残差网络学习低空间分辨率多光谱图像与高空间分辨率多光谱图像之间的残差,同时结合全局残差和局部残差,加快网络的收敛速度,解决深层次网络容易出现的梯度消失和梯度爆炸问题;利用递归神经网络在不增加权重参数、减轻过拟合的情况下通过提高网络层数来提高精度,得到更好的图像融合效果。为了验证本文方法的有效性,应用遥感图像进行模拟实验、真实实验和泛化实验,实验结果与传统方法和现有深度学习方法进行对比分析。主观视觉和客观定量评价表明,本文方法很好地改善了传统方法存在的光谱失真现象,并且较现有深度学习方法学习到更深层次丰富的图像特征,更好地保留了图像的空谱信息,同时泛化实验也说明本文的网络具有较好的泛化能力。 相似文献
3.
针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络。该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。该网络应用残差学习拟合深层特征与浅层特征之间的残差,加快网络的收敛速度。实验中利用GaoFen-1（GF-1）和WorldView-2/3（WV-2/3）的多光谱图像MS （Multispectral Image）和全色图像PAN（Panchromatic Image）（MS与PAN的空间分辨率之比为4）评估本文提出方法的有效性。从视觉效果和定量评估结果两个方面来看,本文方法得到的融合结果要优于所对比的传统方法和深度学习方法,并且该网络具有鲁棒性,能够泛化到不需要预训练的其他卫星图像。本文方法通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,有利于遥感图像的应用研究。 相似文献
4.
以滑坡蠕变阶段坡体的蠕变会引起环境条件的改变，进而影响植被生长状况的野外考察客观现实为依据，提出一种间接监测滑坡变化的新方法。利用高分辨率光学遥感技术，对滑坡蠕变阶段遥感影像上坡体上覆植被的异常特征进行判识，建立遥感影像上植被异常与滑坡蠕变的关系，反映滑坡的演化过程，弥补GPS技术、InSAR技术及部分地面监测手段在地势高、地形陡峭、植被茂盛等条件下监测工作的不足，为后续的滑坡预测研究提供帮助。以植被覆盖度较高的新磨村山体高位滑坡为例，首先，对研究区域进行分区；其次，计算各分区的植被覆盖度；最后，利用植被覆盖度分析遥感影像上的植被异常与滑坡蠕变的关系，并根据滑后遥感影像和实地考察情况进行验证。结果显示，2014年—2016年，滑坡的主要物源区、变形体上方细长局部崩滑区和泉眼及冲沟周边的植被覆盖度出现明显的下降，即随着滑坡发生时间的临近，植被受滑坡蠕变的影响变大，植被生长状况变差；而且随着距裸地等滑坡风险较大区域的距离增大，植被受滑坡蠕变的影响变小，植被生长状况变好。这表明，植被异常与滑坡蠕变存在明显的时空相关性，体现了滑坡蠕变阶段遥感影像上植被异常与滑坡蠕变的内在联系，反映了滑坡逐步失稳的演化过程，为进一步预测滑坡的发生提供依据。 相似文献
1