宁波大学信息科学与工程学院，浙江 宁波 315211
遥感卫星具有覆盖范围广、连续观测等特点，被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层，获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization, CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求，抽象出海雾监测的推理决策树，并据此建立深度神经决策树模型，实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试，监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection, POD)为87.32%，平均误判率(false alarm ratio, FAR)为13.19%，平均临界成功指数(critical success index, CSI)为77.36%，为海上大雾的防灾减灾提供了一种新方法。
宁波大学 信息科学与工程学院， 浙江宁波315211
准确的云分类模型对气象监测有重要的意义，传统机器学习云分类模型依赖手工特征提取，容易受噪声数据影响，模型泛化能力较差。深度网络分类模型能自动学习图像深度特征，但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机（Fuzzy Support Vector Machine，FSVM）模型；同时利用不同通道云图训练深度网络，学习云图深度特征；最后，根据不同模型特性，训练元分类器对各模型输出进行融合，设计了一种基于深度网络与FSVM集成学习的云分类方法，该方法综合不同模型优势，利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型，本文集成学习方法在众多评价指标中有更好的表现，平均命中率、平均误报率和平均临界成功指数分别达到0.924 5、0.079 6、0.858 1；与其它云分类模型相比，本文方法也有更好的分类效果；在具体案例测试中也发现，该方法对于不同云类混合区有更高的识别精度，而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。
Himawari-8 云分类 深度网络 FSVM 集成学习 Himawari-8 cloud classification deep neural network FSVM ensemble learning
宁波大学信息科学与工程学院, 浙江 宁波 315211
针对现有基于深度学习的SAR辅助下光学图像去云方法对光学图像纹理、光谱信息考虑不足,导致去云后影像往往存在模糊、光谱损失等现象,根据杭州市余杭区哨兵一号(Sentinel-1)和哨兵二号(Sentinel-2)卫星影像,构建了SAR辅助下光学图像去云数据库,并充分考虑光学遥感图像的细节、纹理以及色彩信息,建立了基于条件生成对抗网络(conditional generative adversarial network, cGAN)的SAR辅助下的光学遥感图像去云模型,实现了SAR辅助下光学图像薄云、雾、厚云等覆盖下地物信息的有效复原与重建。实验结果表明,所提方法可有效实现SAR辅助下的光学图像去云,相比于其他方法具有更优性能。
遥感 云去除 条件生成对抗网络(cGAN) 合成孔径雷达(SAR)图像 光学图像 影像融合 光学学报
2021, 41(12): 1228002
宁波大学信息科学与工程学院, 浙江 宁波 315211
针对传统红外与可见光图像融合方法存在融合图像场景对比度低、热红外目标不明显、细节与纹理不够清晰的问题,提出了一种基于多尺度低秩分解的红外图像与可见光图像融合方法。该方法通过多尺度低秩分解,将红外图像、可见光图像分别分解为多层次局部低秩图(显著图)和全局低秩图;充分考虑分解图像特点,有针对性地设计最优融合规则,有效融合红外和可见光图像的互补信息;基于融合规则重构融合图像。基于公开数据集进行实验验证。结果表明,本文所提方法能够生成目标清晰、细节丰富的融合图像,相比于其他方法,具有更好的视觉效果和融合精度。
图像处理 图像融合 红外图像 可见光图像 多尺度低秩分解 光学学报
2020, 40(11): 1110001
宁波大学信息科学与工程学院, 浙江宁波 315211
在图像超分辨率重建问题中, 许多基于深度学习的方法大多采用传统的均方误差 (MSE)作为损失函数, 重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题, 本文对传统的均方误差损失函数进行改进, 提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于 DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入, 计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明, 本文提出的方法在主观视觉效果和 PSRN、SSIM上均有所提升。
图像超分辨率重建 稠密卷积神经网络 多尺度特征损失函数 深度学习 image super-resolution reconstruction densely connected convolutional neural networks multi-scale feature loss function deep learning
宁波大学 信息科学与工程学院，浙江 宁波 315211
针对红外云图分辨率低、视觉效果较差的问题，提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性，将结构组作为稀疏表示的基本单位，建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息，再对样本块进行聚类，利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典，使用改进了的加权l1 范数优化方法求解稀疏系数。实验结果表明，与ScSR、Zeyde、NARM 等算法相比，所提算法在视觉效果以及图像质量评价指标上均有所提高，红外云图重构质量有较为明显的改善。
超分辨率 红外云图 结构组稀疏表示 自相似性 super-resolution infrared nephogram structural group sparse representation self-similarity
宁波大学 信息科学与工程学院，浙江 宁波 315211
为了综合利用红外和可见光云图的天气信息，本文提出一种基于非下采样shearlet(NSST)与自适应脉冲耦合神经网络(PCNN)相结合的红外和可见光卫星云图融合方法。首先利用NSST 对红外和可见光卫星云图进行多尺度、多方向分解，然后对分解得到的低频子带系数采用基于局部区域方差和局部区域能量的自适应加权方法进行融合，高频子带系数采用改进的自适应PCNN 进行融合，其中脉冲耦合神经网络的连接强度依据高频系数区域特征的不同重要性，通过一个S 型模糊隶属度函数自适应确定。最后对融合完成的低频和高频分量进行NSST 逆变换得到最终的融合云图。实验结果表明，基于本文提出方法的融合图像无论是从主观视觉效果，还是客观评价指标都要优于文中对比的典型融合方法，能为后续的天气分析和处理提供具有更加丰富的气象资料。
卫星云图 图像融合 非下采样shearlet 变换 自适应PCNN 模糊隶属度函数 cloud images image fusion nonsubsampled shearlet transform adaptive PCNN fuzzy membership function
宁波大学信息科学与工程学院，浙江宁波 315211
针对现有人脸识别方法在光照变化、表情变化及噪声干扰等情况下识别率下降的问题，本文将主成分分析 (PCA)，图像的小波包分解 (WPD)和稀疏表示分类 (SRC)等算法结合起来进行研究分析，提出了一种融合小波包细节子图及稀疏表示 (FW-SRC)的人脸识别方法。该方法首先将图像小波包分解以后的子图像进行加权融合，对融合后的图像进行特征提取并构造特征空间，然后用样本在特征空间上的投影集构造稀疏字典，最后通过对人脸图像的稀疏表示实现分类识别。采用 Yale B、AR和 CMU PIE人脸库分别进行了光照、表情及噪声鲁棒性的测试，实验结果表明本文方法不仅提高了人脸识别率，而且在光照强度变化、表情变化以及噪声干扰的情况下具有良好的识别性能。
人脸识别 小波包分解 稀疏表示 鲁棒性 face recognition wavelet packet decomposition sparse representation FW-SRC FW-SRC robustness -14
宁波大学 信息科学与工程学院, 浙江 宁波 315211
提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型, 将低分辨率云图分解为结构部分和纹理部分: 对结构部分采用软决策自适应插值(SAI)处理; 对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性, 构造非线性增益函数对其NSCT变换域系数进行处理, 然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后, 将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明, 所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法, 在实现两倍超分辨率时, 其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9 dB和0.007 1~0.020 6; 实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58 dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征, 故所提算法的超分辨率结果不但准确重建了云图中的结构部分, 而且有效保持了红外云图纹理和边缘。
TV-L1分解模型 红外云图 非下采样Contourlet变换(NSCT) 图像增强 超分辨率 TV-L1 decomposition model infrared nephogram Nonsubsampled Contourlet Transform (NSCT) image enhancement super-resolution
宁波大学 信息科学与工程学院，浙江 宁波 315211
快速准确地掌握降水的时空分布，对于区域气候、水文和生态环境等至关重要。以长江三角洲为研究区域，获取FY 卫星影像光谱特征，对其进行特征分析并结合地面实况降水观测数据，获得卫星降水模拟参数的特征集，利用SVM(Support Vector Machine)优越的非线性回归性能，提出一种自适应、自学习的降水估计方法。实验结果表明：卫星云图适用于阐释云的降水机理，将其与SVM 结合，可以很好地表达长江三角洲区域降水与云图特征间的非线性关系。此方法得到的降水估计量与地面实测降水数据的相关系数为0.85，表明本文方法可对该地区的降水估计发挥作用。
长江三角洲 降水估算 FY 卫星 卫星遥感 Yangtze river delta precipitation estimation FY satellite satellite remote sensing SVM SVM
