文摘
地球观测系统严重依赖于复杂的遥感卫星,一个重要的手段来获得全球高精度地理空间的产品和一个重要的战略地区世界科技大国的发展。尽管中国目前卫星实时或半实时观测时间分辨率高,还有很多差距他们的定位精度和世界先进水平。本文旨在研究一种有效的地面图像处理技术应用到高分辨率卫星遥感图像。卷积神经网络是一种有效的深度学习图像识别和特征提取的方法。在这篇文章中,人们使用卷积神经网络(CNN)来识别地面图像,使用支持向量机(SVM)进行分类和总结图像,然后使用卡尔曼滤波降噪,以便获得复杂的遥感图像。在实验中,100年卫星遥感图像GeoImageDB数据库中被选为模拟测试,图像被分成5个类型,及其识别准确性,分类精度、图像信噪比和分辨率进行了分析。结果表明,CNN的识别不同类型的图像精度约为94%,最低是85%左右。支持向量机的图像分类的精度在80%以上,最高约为95%。降噪后图像的信噪比是6.5以上,有些甚至达到8.0以上。图像的分辨率是800 ppi以上,最高甚至达到1400 ppi的超高分辨率。 Overall, the processed images are of high quality. This shows that this essay uses CNN for image recognition and then uses an SVM for classification, and finally, the method of denoising the image has certain feasibility and has achieved good results through experiments.
1。介绍
随着航天发射技术、卫星平台、传感器等技术的进步,“四高”特点(即高空间、高光谱、高时间分辨率、高定位精度)的地球观测卫星变得突出。高分辨率遥感卫星已经被广泛用于全球测绘、国防监测、情报收集,准确的映射,和其他领域和重要的战略,前瞻性,为国家基础设施。高分辨率卫星遥感系统的建设有很多特点,例如,技术含量高,投资大,建设周期长,明显的行业,等系统和相应的数据资源已成为国家的重要支柱产业金融、军事、和社会进步。然而,当前卫星遥感系统获得的图像不够清晰的与其他国家相比,和图像质量仍需提高。因此,它具有十分重要的价值和意义研究地面图像处理技术在本文改进的高分辨率卫星遥感图像质量系统。
地面图像处理技术的关键是提高卫星遥感图像的质量。目前,许多学者进行了相关研究。其中,为了区分植被和背景下,王一个创建几个颜色指数和分类发展的策略和提供了一个总结杂草识别利用地面机器视觉和图像处理技术,如基于索引颜色,基于阈值和上优于分类方法(1]。宣设计一个ISAL接收通道布局,结合正交短基线的内部场的正交长基线外部字段。意义是提高二维图像的焦点和获得高精度三维成像结果2]。王f .提出了一种改进的区域增长图像处理方法和修改区域增长背景减法的方法获得的种子和种植标准。这种方法可以获得的积分区域云,可用于提取几何参数(3]。黛米开发与描述ground-specific轮胎压力的一种计算方法,利用图像处理理论(4]。然而,大多数这些方法强调理论基础,但对实际应用和效果分析,所以还需要进一步的实践和探索。
为了进一步研究卫星遥感图像,一些学者进行了更深入的探索。龚c。提出了一个相当大的数据集的名字命名NWPU-RESISC45学习几个数据集和方法从遥感照片场景分类。数据集包含31500个图像覆盖45场景类,每个类700张图片5]。小王提出了一个新的内核部分复杂的遥感图像聚类算法。验证了该算法的有效性和可靠性,通过比较实验结果与均值漂移算法和分水岭算法6]。分段的中国企业提出了一个技术复杂的遥感图像结合了RHMRF-FCM算法和静态最小生成树(MST)细分,考虑到形状信息(7]。江建议一个密封的方法,其中长度信号形式是诱导同时使用多光谱数据8]。尽管这些方法已经取得了一些研究成果,提高遥感图像质量的影响并不明显,所以这些方法需要进一步改进和创新。
在科技不断发展的时代,之前的卫星遥感图像需要更高质量的,因为高质量的图像可以更有利于为社会服务。本文的创新在于它提出了一个利用CNN地面图像识别方法,结合SVM为地面图像分类,因此图像从遥感图像中获得更稳定。然后使用卡尔曼滤波降噪图像,图像质量高,可获得高分辨率的卫星遥感图像。
2。地面卫星遥感图像处理技术
2.1。卫星遥感技术
目前,中国的卫星发展取得了良好的效果,但卫星遥感技术和发达国家之间的差距不是小9),如图1从中国第一人造近地卫星,东方Hong-1, moon-orbiting卫星嫦娥,然后空间站和火星探测器,这无疑是最好的技术改进的证据。虽然取得了一些成就在中国卫星遥感技术和高分辨率卫星制造有很多特征(如稳定运行、高效的检测,覆盖全球,和其他特征),目前,它是具有挑战性的实现大规模地面对象的映射和高精度重建的要求。以复杂的遥感图像为精确制导武器攻击在国防应用程序为例,不仅需要解决问题的“看到清楚,”但也“精确定位”的问题10,11]。
目前,高分辨率卫星通常使用线性映射数组拿扫帚成像模式,如图2。实现其高精度的几何定位的关键是恢复摄影光在成像时间和取向参数,建立严格成像模型根据三点共线的原则图像的点,投影中心和地面点在成像时间。的核心是准确获取卫星轨道和姿态数据的成像。高分辨率卫星遥感图像的高精度几何定位一直关注和支持的航空摄影测量学者(12,13]。目前,国内外卫星摄影测量有很好的解决所有使用线阵列摄像机成像传感器。在摄影中,卫星的飞行方向,拿扫帚成像逐行执行,检测图像的投影图像的中心。扫描图像的每一行,与地面有严格的几何成像的关系,每一行有一个独立的外部定位元素。然而,当卫星在轨道上,由于平台颤振,设备老化,引力摄动,温度变化,以及其他原因,卫星图像的立场和态度往往系统性错误。很难描述方位元素外每个扫描线与标准和统一的模式,这是更难以使用传统的航空摄影测量方法来处理它们。因此,针对复杂的遥感图像成像系统的几何特性如线性阵列拿扫帚和线中心投影、高精度定位模型和方法的研究一直是一个热点和难题在航空摄影测量领域(14]。
梁方法常用的卫星遥感技术,它使用内部和外部的方位元素,点坐标模型,和自检参数作为总体参数的调整,是最严格的方法和理论依据遥感图像的高精度定位。该方法是一种有效的方法来实现一种快速、准确、可靠的解决方案。高分辨率遥感卫星线性阵列拿扫帚成像高轨道运行的特点,高动态摄影,窄束成像,小视野检测、短时间曝光等。外部方位之间有很强的相关性和方向参数。当外部取向特征是基于古典欧拉角和四元数,坏脾气的问题的公式,可怜的迭代效率、解决方案和低精度的调整算法经常出现。此外,自校准参数多项式和大量的连接分介绍了线性梁调整卫星图像。有许多未知数需要解决和巨大的一般公式,因此迫切需要快速、可靠和稳定的解决方案(15]。
此外,对于卫星遥感图像,通常有高光谱图像和高分辨率图像,如图3。所谓的高光谱图像是图像的光谱信息,根据形成可详细区分地面对象根据光谱信息。高分辨率图像是指高清图像分辨率为720 p或更高。在高分辨率图像,人眼可以有一个更直观的感知形象,可以更快地获得目标信息。高分地球观测系统的优点是,它可以获得全球遥感数据,但仍然有世界上不发达地区属于地图上未标明的区域。尤其是在困难或无人地区如海洋,沙漠,和海外,往往很难实现地形图测量由于缺少地面特征和人员的能力进行调查。因此,最有效的方法解决这些困难地区测绘的问题或领域没有地图是实现摄影测量没有地面控制点。当使用遥感卫星图像不同尺度的测量地形图,有具体的平面高程精度和准确度的要求。后实际的卫星工程表明,高精度定轨卫星平台的实现基于单频和双频接收机系统,平面定位精度可以更好的保证。因此,为了实现地形图测量无地面控制点,有必要提高高程定位精度(16,17]。
从单身明星独立观察大平台multi-star /星座网络检测在一个小平台,它已经成为一个新的趋势在高分辨率对地观测系统的发展,以满足新的要求地球观测系统的应用和发展与重新审视时间短,更广泛的检测范围,和更快的响应。使用大型卫星平台走向普遍小卫星平台是另一个高分辨率对地观测系统的发展前沿。举办的国际论坛上小卫星在美国硅谷的很久以前,在航空航天领域知名专家、学者从不同国家指出,由于技术的进一步成熟,小卫星平台将扮演重要的角色从一个专业的应用程序到几形成网络,然后大规模集群的应用程序。在未来,小卫星发射平台将实现集群共享(18]。
2.2。地面图像处理
在轨道卫星的联合观测,几乎数以百计的图像和辅助数据每天都获得。这种大量的数据需要卫星和地面coprocessing,和新的智能处理机制将成为高分辨率对地观测系统迫切需要解决的问题。根据不同的任务需求的用户,比如实时成像,高精度定位,和变化监测、优化satellite-to-ground分配计算资源,实现智能satellite-to-ground数据的处理,并提供半实时、高精度、高可靠的信息服务。这是一个至关重要的战略提高地球观测系统的可用性的过程,因此有必要研究高分辨率卫星图像的高效处理条件下的有限的资源。为了满足未来的需求为地球观测联合处理技术,有必要扩大和补充地面图像处理技术(19,20.]。
地面处理的图像,这个过程如图4。首先,进行数据预处理、数据转移到遥感影像管理,从图像中提取和特性。然后,分类模型用于分类和聚合成云映像,然后云图像生成高分辨率图像过滤和去噪。目前,中国是受到明星传感器等硬件水平,及其态度决定技术相对落后。在轨道摄像机参数校准后,定位精度不足没有地面控制点,并与外国卫星定位精度有差距,这使得它难以满足当前需求的高精度定位和卫星图像的映射。缺乏准确的卫星遥感图像不能提供精确的三维定位和不能使用地面控制点梁法调整理论(21]。
图像处理方法,CNN可以用来从地面图像提取特征,然后各种分类模型可用于分类和总结图像。灰度信息和空间信息的相似图像中区域元素之间也可以用来测量地面的相关对象。在卫星遥感图像,像素之间的灰度变化是温和,与小间距大,像素之间的相似度和整体形象也表现出一定的空间相关性,虽然地面对象的类型有很大的不同,和相关性很小。因此,相关性也可以用来区分云层和地面对象。逆矩特征量是描述图像中相同或相似的当地材料。CNN图像特征提取的基本原理应用于本文可以如图5。提取原始图像的卷积过程获取特征图像,然后汇集功能图像然后最好是完全连接来获取最终的图像中提取。
近年来,国内三维测绘卫星“Tianhui-1”已成功启动和正常运行在轨道上。采用一定的技术方法,在很大程度上改善目前的工作集中的空间位置精度当地卫星和航空数据,并取得了丰富的研究成果。因为没有地面信息供参考,不受控制的定位的高分辨率卫星遥感图像,只有一个特定的系统误差补偿模型和一个适当的调整方法可以用来正确观测值基于严格成像模型的卫星遥感图像。和地面信息是复杂和多样化,包括建筑信息、地形,和交通信息。如图6,实时显示和处理这些信息,用高分辨率,更精确的位置和图像处理技术是必需的。
态度的准确性是影响定位精度的核心指标的线性阵列卫星图像没有地面控制,和有必要引入测高法辅助数据的高程精度误差小于米不受控制的定位。目前,高分辨率卫星遥感图像和高星历表态度测量精度提供了重要的先决条件获得更高的精度目标位置信息。航空摄影测量技术是基于严格的数学理论,通过卫星姿态和轨道数据的建模。根据成像共线条件公式和相应的误差建模理论,相机拍摄区域的空间位置信息可以计算,可以确定和目标位置。由于高精度传感器的实际应用,如高分辨率三系阵列摄像机和arcsecond-level星传感器,高分辨率的地球观测卫星的定位方法正逐渐朝着一个方向发展,不依赖于控制点,control-free定位。此外,不确定的天基平台的振动使星载传感器的态度测量不准确的。在实际的工程过程中,有必要进行插值,建模和其他处理外部取向和态度星传感器收集的信息根据线性阵列图像的特点22]。采用的处理方法将不同程度的系统错误,这将会影响后续的空间定位的准确性。采用的处理方法将不同程度的系统错误,这将会影响后续的空间定位的准确性(23]。
除了图像处理技术,确定卫星姿态也是至关重要的。高精度卫星的态度是主要的条件高分辨率卫星遥感图像建立一个严格的模型和实现高精度定位。在高分辨率卫星拿扫帚成像,图像传输远低于采样时间内的态度确定设备,因此需要基于卫星的运行特性。建立一个合适的态度插值和拟合模型获得的轨迹和姿态数据线性图像成像时间、高精度姿态确定高精度定位是一个重要的先决条件。卫星的态度是第一个使用欧拉角描述和处理。根据提出的“旋转定理”数学家欧拉,可以以任何旋转三个独立绕某轴旋转角度,从而确定当前对象的态度。
2.3。支持向量机分类
这篇文章中使用的分类模型是常用的支持向量机,及其分类原理如图7。SVM分类器的品质更高的精度,可靠性和耐久性使用时对地面进行分类数据。模型的正式计划过程包括以下步骤。
假设当输入图像信息集可以线性分类,表面是由和分类决定 ,它满足以下几点:
如果非线性可分的,然后扩展字段λ介绍了满足以下几点:
然后,给出了最优决策表面应该满足的条件如下:
也就是说,使用拉格朗日解决以下:
在任何数据,有一个向量公式满足相应的因素α。
数据集由一个函数来表示f(x)在一个高维空间,给出了如下:
由此,最优决策表面公式可以在以下:
其中,
支持向量机函数给出如下:
其中,胡志明市代表一个符号函数。
2.4。图像滤波和噪声降低
CNN图像识别和分类后,图像过滤和去噪图像的清晰。去噪过程如图8。本文的卡尔曼滤波降噪选择如下。
在图像处理中,实际的系统状态之间的关系k和噪声可以表示如下:
其中,代表系统噪音。
然后,之前在时间的值k−1给出如下:
由传感器状态z,并给出其噪声的关系如下:
其中,表示传感器噪声。
由此,可以通过加权后值给出如下:
然后,根据实际价值之间的差异和价值后,获得了均方误差在以下公式:
协方差给出如下:
卡尔曼增量K可以在以下:
最后,替代K到公式(15)的协方差给出如下:
3所示。模拟测试的图像处理效果
3.1。实验设计
本文选择100年卫星遥感图像从GeoImageDB数据库,包括不同类型的图像,比如农业、军事、交通、和城市建筑,如表所示1。
此外,每种类型的图像的图像大小如表所示2。
的测试环境模拟实验如表所示3。OpenCV图书馆是一个跨平台的计算机视觉和机器学习软件,可以运行在Linux、Windows和其他操作系统。它是轻量级的和有效的,并提供了接口的语言如Python、Ruby、和MATLAB实现了许多常见算法在图像处理和计算机视觉。
在测试过程中,所选择的100图像首先被炒,随机输入的图像处理软件。图像的特征提取是由CNN,然后使用支持向量机进行分类和总结feature-extracted形象,最后得到的高分辨率图像滤波和去噪。
3.2。实验结果
首先,本文利用CNN的识别和提取特征选择100年卫星遥感图像和记录识别的准确性。然后使用SVM分类提取的图像和总结了支持向量机分类的准确性。结果如图所示9。
图显示,这些100年CNN图像的识别精度一般高于85%,最高约为97%。这表明CNN识别的效果相对较好,从这五种类型的图像的准确性,CNN C3型识别精度最高,也就是说,农业类型图像识别,达到94%左右。C1和C5的认知程度较低,但都超过85%。从支持向量机分类的结果图像,它可以观察到,分类精度高于80%,最高约为95%。从这五种类型的图像的比较,它可以观察到,SVM的分类精度是最高的建筑,在95%左右,农业和分类程度是最低的,只有83.6%。也许有许多类型的农业和许多作物之间的相似性很高,导致高的分类错误,虽然建筑通常更加突出,更容易识别。总的来说,美国有线电视新闻网的识别效果和支持向量机的分类效果都不错,都有高准确性。
图像是更准确的分类后,分类图像过滤和去噪。获得的图像信噪比和图像分辨率的卡尔曼滤波器去噪这篇文章图所示10。
从图可以观察到,降噪后图像的信噪比是6.5以上,有些甚至达到8.0以上。高质量,图像的分辨率是800 ppi以上,这是一种高分辨率,最高甚至达到1400 ppi的ultra-high-resolution。对不同类型的图像,它可以观察到,C2类型,也就是说,建筑类型、信噪比和分辨率较低,只有800 ppi。C4和C5的信噪比和分辨率更高,约7.6和1400 ppi,这可能是由于这样的事实,有更多的光反射建筑,不如玻璃反射,墙反射,等等,导致图像失真。因此,较低的信噪比和分辨率。但总的来说,处理图像的质量非常高,和图像的分辨率是720 ppi以上,高分辨率或即便使用超高精细画质也能。实验测试表明,本文使用的卡尔曼滤波降噪能达到良好的结果。
尽管本文使用CNN特征提取,支持向量机分类,和滤波降噪方法,在实验中取得了一些成果。然而,没有多少研究遥感卫星的成像技术,它是必要的实现相互转换严格成像模型和有理函数模型。严格成像模型是用于控制定位复杂的遥感卫星图像,它是用于专业处理。卫星成像时间的严格的几何关系是通过轨道构造建模、系统误差消除和其他方法来实现高精度定位处理。然而,对于专业用户,获得严格成像几何数据具有十分重要的现实意义研究卫星成像的特点,多传感器融合处理和长条区域网络不受控制的条件下调整。
4所示。结论
的形成具有重要意义,研究高分辨率卫星遥感图像和地面的处理图像。其中,线性阵列卫星单一的形象定位,two-strip形象定位,multiple-strip图像定位和区域网络调整方法在控制条件下高分辨率卫星遥感图像分类的基础。这些主题的研究具有重要的参考价值实现复杂的遥感卫星图像定位处理。本文首先研究卫星遥感图像,发现当前卫星遥感图像不能满足大规模的需求映射和高精度重建的对象。通过卫星遥感技术的研究,发现大多数遥感卫星目前使用线性阵列拿扫帚成像,和这种方法获得的遥感图像的质量需要改善。然后本文分析当前的地面图像处理技术和发现,这是一个很好的方法来使用CNN对图像特征提取和支持向量机对图像识别。因此,本文选择多个卫星遥感图像数据库,并将他们划分为不同类型的图像处理和测试。结果表明,CNN这100图像的识别精度一般高于85%。其中,农业类型的图像识别精度最高,支持向量机分类精度高于80%,建筑物的分类精度是最高的。降噪后图像的质量非常高,和图像的分辨率是720 ppi以上。 This shows that the image processing method in this essay has achieved good results. However, there are still some deficiencies in this essay. Among them, the specific principles of satellite remote sensing image imaging are not described clearly enough, the research in the experimental part is not complete enough, and the overall needs to be improved.
数据可用性
本文的数据可以通过电子邮件给作者。
的利益冲突
作者宣称没有利益冲突有关的出版工作。