摘要：一种基于3D-Zernike矩相位分析的数字表面模型方位差异估计方法，涉及遥感地表地物分析领域。解决多时相的数字表面模型坐标系定义的不统一会引起地物三维数据存在的方位差异，而高程精度、分辨率的差异使得这种方位差异难以估计，进而无法有效应用的问题，本发明步骤如下：地物多时相DSM网格数据初始化，规范化输入数据格式；地物三维点集归一化，将数据归一化至3D-Zernike计算时所需求的单位球体内；计算N阶3D-Zernike矩；3D-Zernike矩相位分量选择；方位差异估计。该方法能准确判定地物多时相DSM间的方位差异，有利于地物的姿态估计、三维变化检测、地震灾害评估等多方面的重要遥感应用。

摘要：本发明的单幅倾斜遥感图像中建筑物的三维重建方法涉及遥感图像三维建模技术领域，目的是为了克服现有三维重建方法的输入条件复杂以及不满足重建尺度精度要求的问题，方法具体如下：步骤一、从遥感图像中截取至少一个正方形的待重建目标子图；一个待重建目标子图包括一个需三维重建的建筑物的图像，且建筑物的图像的形状中心与待重建目标子图的中心重合；步骤二、将待重建目标子图输入经过训练的单幅图像重建网络，获得三维模型的边界点与边界面；步骤三、根据三维模型的边界点与边界面，利用移动立方体算法生成网格结构的建筑物三维重建模型。

摘要：基于深度残差和神经隐式表面学习的多视图三维重建方法，属于三维重建技术领域，为解决现有通过图像的神经渲染进行表面重建过程中，在大规模复杂场景下无法实现高保真表面重建的问题。包括：获取多个视角的图像；采用SFM生成稀疏点云，生成相机位姿信息；相机发出的光线入射至场景表面，获取场景表面采样点集三维坐标信息；采用SDF函数生成SDF函数表示的点云信息；采用ResNet‑50提取外观信息计算颜色损失函数、权重约束函数、光度一致性损失函数和点的SDF损失函数；反向优化SDF网络，计算每个采样体素的SDF值；利用Matching Cubes将SDF值提取零等值面，输出3D表面。用于大规模复杂场景的表面重建。

摘要：基于相移时间编码与成像空间一致性的四维时空场重构方法，本发明涉及四维时空场重构方法。本发明的目的是为了解决现有超广义立体像对的图像获取时间不确定，存在拟合困难的隐患；以及图像间成像几何模型参数表示形式和精度的差异性，致使光线样本的映射方向不准确，导致光线联合构造的几何约束存在偏差的问题。过程为：步骤一、构建时空场函数；步骤二、将遥感图像成像几何模型映射至时空场坐标系；对时空场坐标系下的遥感图像成像几何模型参数进行优化，获得时空场坐标系下的最优参数的遥感图像成像几何模型；步骤三、基于构建的时空场函数和时空场坐标系下的最优参数的遥感图像成像几何模型，完成四维时空场的重构。本发明用于时空场重构领域。

摘要：一种基于框监督的海洋亚中尺度过程实例分割方法，涉及海洋遥感信息处理领域。本发明是为了解决现有框监督实例分割方法存在分割精度低的问题。本发明包括：利用叶绿素浓度遥感图像和海洋亚中尺度过程的框标签组成第一训练集；利用第一训练集训练教师模型，训练好的教师模型输出初始预测掩码集合；对初始预测掩码集合进行掩码修正，获得伪掩码；利用叶绿素浓度遥感图像、伪掩码和海洋亚中尺度过程的框标签组成第二训练集，利用第二训练集训练并优化学生模型，获得训练好的学生模型；将待测试的叶绿素浓度遥感图像输入至训练好的学生模型中，获得海洋亚中尺度过程实例分割结果。本发明用于获取海洋亚中尺度过程区域。

摘要：本发明提供的是一种基于空谱联合背景共同稀疏表示的高光谱异常检测方法。(1)在光谱域中，采用背景共同稀疏表示检测器进行异常目标检测；(2)采用线性局部切空间排列即LLTSA的降维方法获得原高光谱图像低维流行数据；(3)对低维流行数据采用空间背景共同稀疏表示检测器进行异常检测；(4)采用如下的空谱联合背景共同稀疏表示检测器获得最终的异常检测结果d＝αd_spec+(1‑α)d_spat,0≤α≤1。本发明不需要对高光谱数据进行模型假设，充分考虑了高光谱数据特有的非线性特

摘要：本发明提供的是一种基于三边滤波器和堆栈稀疏自动编码器的图像分类方法。首先，使用三边滤波器获取平滑的图像，提取所述图像的像素的光谱‑空间特征的同时滤除退化图像的高斯、斑点和脉冲噪声；其次，使用改进的堆栈稀疏自动编码器进行高阶特征提取；最后，利用随机森林分类器进行有监督微调网络和分类。本发明将改进的堆栈稀疏自动编码器和随机森林分类器引入到高光谱数据分类中，作为一种深度学习架构，改进的堆栈稀疏自动编码器可以逐层地提取光谱数据的抽象的和有用的深层次特征，从而提高光谱数据的分类性能。本发明不仅适用于对高光谱图像进行分类，同时也可以对其他图像进行分类。具有很强的可移植性，更易满足图像分类的需求。

摘要：本发明提供的是一种基于生成对抗网络的高光谱异常检测方法。1、构建符合高光谱图像数据特点的网络模型，2、使用高光谱数据集作为训练样本，训练出一个符合高光谱数据统计特性的概率模型，3、利用训练完成的判别器来计算待测像元属于真实高光谱数据集的概率，4、计算高光谱数据集中的每个像元的异常检测结果。本发明利用生成对抗网络的思想，训练出符合高光谱图像数据特征的概率模型，该模型能够生成符合真实高光谱数据集整体统计特性的生成数据集，并且能够判断一个像元属于高光谱数据集的概率。本发明不需要对高光谱数据集的特征进行模型假设，能够直接估计出符合待测高光谱数据统计特性的概率模型，使检测结果更加可靠。

摘要：本发明涉及一种基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法，包括以下步骤：步骤1：收集N幅实际海冰遥感图像，利用分形方法生成N个K×K的海冰场景高程矩阵；步骤2：依据每个高程矩阵和海冰色带，逐一索引生成初始仿真海冰RGB图像集；步骤3：将初始仿真海冰RGB图像矢量化，形成N个初始化矢量数据；步骤4：利用步骤3形成的矢量数据作为生成网络初始输入，同时初始化生成网络和判别网络权重参数；步骤5：利用N幅实际海冰遥感图像训练分形深度卷积生成对抗网络；步骤6：通过步骤1～步骤3重新生成矢量数据，将数据输入步骤5所训练完成的分形深度卷积生成对抗网络。本发明能够降低网络计算量，同时提升海冰仿真效果。

摘要：本发明涉及一种基于伪样本增强训练的船舶目标检测方法，包括以下步骤：搜集船舶3D模型数据，生成初步船舶模型；对初步船舶模型进行纹理映射，生成仿真船舶模型；以真实图像为基底，采用正投影方法将仿真船舶模型投射至图像中，生成仿真图像，以仿真图像数据构成伪样本集；将伪样本集与真实图像数据集结合，构成训练集，采用Faster‑RCNN目标检测方法进行训练，得到船舶检测网络；使用检测网络对待检测的图像进行船舶检测。本发明降低了Faster‑RCNN目标检测方法训练过程中对训练数据量的要求，提升了检测精度，减少了船舶目标漏检。