关键词:
遥感深度学习
模型结构
注意力机制
光谱增强
影像检索
摘要:
目前在轨的高光谱遥感卫星空间分辨率低,机载高分辨率高光谱遥感设备覆盖范围小,数据采集成本高,对高光谱遥感应用普及具有重要影响。如果在数据采集时仅选取一些特征区域内的多光谱和高光谱遥感影像,然后通过模型的方法建立两者之间的关系,在多光谱遥感影像的光谱维进行增强,获取连续的光谱曲线,进而模拟出一定区域内的高光谱遥感数据,这将有可能降低数据采集时的成本,有助于发挥多光谱遥感数据的应用潜力。另一方面,将遥感数据抽象为哈希编码进行检索,有助于人们更加快速发现感兴趣区域在哪里,具体的类型是什么,但是进行全局哈希检索的性能随着遥感数据量的增多而下降,尤其进行高频检索时,更为明显,有必要提出新的数据索引方法,提高检索的精度和效率。多光谱遥感影像模拟出的高光谱遥感影像具有光谱特征信息,可以凸显某种特征地物的颜色纹理信息,如何将光谱特征信息加入到多光谱遥感影像检索中,以增强遥感影像检索的精度,同时也是其重要的研究方面。因此,本文从多光谱遥感影像的光谱增强、哈希检索和这两方面如何进行结合进行了研究,以建立特征区域之间的映射关系,进一步构建遥感影像检索中的特征索引,进而挖掘数据中蕴含着的应用潜力,本文主要工作和创新点可以总结为:(1)针对机载高分辨率遥感影像之间的非线性映射关系问题,构建了一种用于预测航空遥感影像光谱信息的密集注意力卷积神经网络模型(DACNN模型),通过对真实的多模态(同一区域不同设备采集的多光谱和高光谱遥感影像)Aero RIT航空场景遥感影像和同源的(航空多光谱影像是由高光谱遥感影像根据光谱响应函数模拟生成)雄安航空遥感影像上进行多种定量对比试验。实验结果表明,本文提出的神经网络架构可以高精度的生成与原始高光谱遥感影像相似的光谱曲线和空间纹理信息,且生成影像中的噪声显著低于原始高光谱影像,同时模型参数量显著降低,有助于提高模型的训练效率;(2)针对多光谱遥感影像检索高频检索问题,改进了一种用于遥感影像检索的多模型索引方法,结合了有监督哈希编码,无监督整数索引,VEB tree数据库构建三方面。实验结果表明,遥感数据经过哈希编码有助于提高遥感影像检索的精度和效率,整数索引有助于提高遥感数据存储和检索的可扩展性。另外本文结合Google Earth Engine(GEE)平台,构建了一个遥感影像检索管道,这有助于通过检索算法驱动检索大范围遥感影像数据库,从而对相似性的感兴趣地物进行定位和识别。(3)针对现有模型检索方法缺乏光谱特征信息,应用了一种空间和光谱特征信息相结合的模型检索精度改进方法。实验结果表明,本文提从珠海一号(OHS)高光谱遥感影像中提取光谱特征信息加入到多光谱RGB遥感影像检索中有助于提高预训练模型检索的精度,且其方法具有一定的通用性,并且如果进一步的改进光谱特征信息的提取方法,将继续提高模型的检索精度。