基于Silverlight的多层架构遥感影像查询系统

随着需求日益多样化、复杂化,传统的Web版遥感影像查询系统,存在用户交互能力弱,服务器响应速度慢,离线操作能力差等弱点,而且传统的查询系统没有与农作物监测很好结合.针对以上不足,该文结合Silverlight技术、LINQ技术、WCF技术,运用多层架构思想,针对轨道固定和变化的2种卫星,设计了2种遥感影像数据的快速查询...     

基于Level Set方法的木材细胞显微图像分割

为解决木材细胞纤维图像分割中的某些图像分割不连续的现象,引入了基于形变模型(DeformableModels)的水平集(LevelSet)方法对木材细胞图像进行分割,并用Matlab实现了基于该形变模型的窄带(NarrowBand)快速算法。对针叶材和阔叶材的显微图片进行仿真试验表明,该方法适合于对具有分支、突触以及拓扑结构变化的木材细胞图像进行快速精确分割,不但具有全局优化的能力,而且可以检测出模糊或离散状边界,对噪声也有一定的鲁棒性。     

基于序列信息的土壤CT图像超分辨率重建

受部分容积效应影响,土壤计算机断层扫描（Computed Tomography,CT）图像存在孔隙边界模糊现象,影响土壤孔隙结构研究的准确性。针对该问题,该研究提出基于序列信息的生成式对抗网络（Sequence information Generative Adversarial Network,SeqGAN）,实现土壤CT图像的超分辨率重建。针对土壤CT序列图像具有较高相似性的特点,SeqGAN法引入序列卷积块挖掘前后图像的序列信息,并将多重特征增强融合于目标图像中;利用多层残差块提取图像特征,构建残差块输入和输出的直接连接,以减少模型退化;利用对抗网络实现损失间接反馈,提高模型的特征学习能力。在序列相似性较高的土壤图像数据集验证了该方法性能。结果表明,SeqGAN法均方误差比次优方法GAN降低25%,峰值信噪比提升1.4 dB,结构相似性提升0.2%。重建的土壤图像具有较高准确率和清晰度,可为后续土壤物理学研究提供准确的数据基础。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

LANDSAT IMAGES REVEAL TRENDS IN THE AEOLIAN DESERTIFICATION IN A SOURCE AREA FOR SAND AND DUST STORMS IN CHINA'S ALASHAN PLATEAU (1975–2007)

The development and reversal of aeolian desertification have been widely recognised as the dominant causes of changes in the source areas of dust storms. The Alashan Plateau, which is near China's Hexi Corridor, is one of the major dust storm source regions in northern China. To investigate the relationship between climatic and anthropogenic factors and the development of aeolian desertification, we reconstructed the temporal and spatial evolution of aeolian desertification and the underlying processes from 1975 to 2007 using Landsat images and analysed the driving forces. The results show that aeolian desertified land in the study area covered 32 847·79 km² in 2007, amounting to 11·3 per cent of the total area, with an initial period of desertification expansion from 1975 to 2000 and a reversal of desertification from 2000 to 2007. On the basis of the analysis of effects of climate changes and human activities in the region, aeolian desertification was principally driven by human activities in this area; climatic variations had little effect on the area of severe desertification. Copyright © 2011 John Wiley & Sons, Ltd.     

近20年厦门市土地利用动态变化及预测

基于RS与GIS技术,提取1994,2000,2006和2013年4期遥感影像土地利用信息,利用土地利用转移矩阵、动态度模型、概率转移矩阵及马尔可夫模型,研究了近20 a厦门市土地利用动态变化特征,并预测其未来10 a的土地利用变化趋势。结果表明,近20 a厦门市土地利用变化速度前期较快,后期趋缓,变化面积高达46.75%;土地利用变化的总体特征与建设海峡西岸经济区龙头及加强海洋经济的城市发展战略相符;建设用地变化仍为该区域未来10 a土地利用变化的主导类型,需加强对耕地和林地的保护以促进土地利用可持续性发展。     

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于改进湍流模型和偏振成像技术的水下退化图像复原方法

为了满足工厂化水产养殖中过程控制的信息化要求,该文提出一种基于改进湍流模型结合偏振成像技术,具有较强鲁棒性的水下退化图像复原方法。考虑内外尺度对波结构函数影响,结合折射率谱,改进水下湍流退化模型以提高复原算法先验知识的完备性;基于改进的退化模型和水下前向散射光的偏振特性,利用偏振成像技术提取退化图像中的噪声特征;基于退化图像噪声特征,采用约束最小二乘滤波法进行退化图像复原;最后,对复原效果进行相应比较,结果表明在强湍流条件下本算法具有更为理想的复原效果。该研究可为复杂水流条件下水下退化图像复原方法研究提供参考。     

面向对象的湖北省土地覆被变化遥感快速监测

为了快速监测湖北省土地覆被变化,以HJ-CCD、TM以及ETM影像为数据源,探索出了集成面向对象技术与"3S"技术的中尺度土地覆被变化遥感流程和方法。该方法首先基于HJ-CCD影像和面向对象技术进行2010年湖北省土地覆被信息的提取,并用野外采样点对结果进行验证。在保证高精度的情况下利用向量相似性函数对湖北省2000－2005年以及2005－2010年进行变化检测,从而获得2个变化时期影像的变化区域,然后利用面向对象技术中的最邻近分类器对变化区进行自动化分类。最后分别将2期的变化结果与未变化结果融合后获得湖北省2000年、2005年和2010年的土地覆被图,在GIS中处理后建成县、市、省3级行政级别的湖北省土地覆被变化本底数据库。试验表明分类结果的总体精度为93.24%,Kappa系数为0.914;2000－2005年与2005－2010年变化检测的总体精度分别为90.88%和90.75%。同时研究发现景观破碎的地区应用面向对象技术有一定的局限性。     

Comparison of illuminations to identify wheat classes using monochrome images

Wheat class identification using machine vision is an objective method which can be used for online testing to automate handling, binning and shipping operations in grain industry. The efficiencies of a monochrome camera-based vision system with three different illuminations (incandescent light (IL), fluorescent ring light (FRL), fluorescent tube light (FTL)) were determined to identify eight western Canadian wheat classes at four moisture levels (11%, 14%, 17% and 20%). The monochrome images of the bulk wheat samples were acquired at each moisture level (3 illuminations × 8 classes × 4 moisture contents × 100 replications = 9600 images). A linear discriminant function was used for the classification of wheat samples using 32 gray level textural features extracted from the monochrome images. The mean gray values of the wheat classes were in the ranges of 75–103, 73–115, and 107–143 for IL, FRL and FTL, respectively. The mean gray values of wheat classes were significantly different within each illumination and between different illuminations (α = 0.05). Mean gray value was the highest for FTL and the lowest for IL illumination. The moisture content of the wheat samples had significant effect on the mean gray values. The overall classification accuracies were 90%, 81% and 96% for IL, FRL and FTL, respectively, when all the wheat classes were at the same moisture levels. It was 66%, 53% and 85% for IL, FRL and FTL, respectively, when the wheat classes were at different moisture levels. The classification accuracies of a 2-stage classification system for the classes with different moisture levels were 68%, 56% and 90% for IL, FRL and FTL, respectively.