在遥感领域研究兴趣广泛,涉猎"高分辨率影像处理"、"高精度辐射传输仿真"、"高光谱遥感"、"定量遥感"、以及"遥感经济"等多学科交叉领域。
多视高光谱三维信息获取、工业器件缺陷检测、果蔬农药检测、文物信息恢复
深度学习应用、大气辐射传输模型解算、高精度气体光谱库、高分辨率碳源碳汇
“海丝卫星”0.5米影像应用系统开发(深度学习、细粒度分类、变化监测、生态评估)
遥感技术用于社会经济指标反演、企业/重点工程运行评估和投资/保险/信贷服务
团队现有一套主要由美国进口的高光谱观测系列设备,包括光谱仪、积分球、太阳光度计、成像光谱仪等(详见设备页),开展果蔬农药检测、文物信息恢复、手机面板污渍检测和由多视高光谱影像三维信息获取等研究。
针对旋转线阵扫描高光谱相机成像模型复杂,难以解算的问题,提出一种旋转线阵相机位姿初值估计方法,实现了无需外部辅助定姿定位设备条件下,自动化估算图像间的相对位姿关系高可靠初值,并利用近景摄影测量定标场实现高光谱相机定标和自检校平差。
自适应挑选最佳波段的高光谱特征点描述子HyperDesc实现了在网络前向过程中可微的波段选择方法,有效的解决了高光谱特征点描述子中同样存在的“维数灾难”问题。图为匹配结果。
针对高光谱图像间特征点提取和匹配问题, 构建了基准数据集HyReg。 该数据集提供了7大类28个场景的多视高光谱图像,展示图像间的真实几何关系,并提供了丰富的图像间变换情况,能够对现有方法进行统一评价,并为基于深度学习的网络训练提供了坚实的数据基础。
快速有效地区别作为质量缺陷的瑕疵和可擦除的污渍,是解决手机制造行业在产品制造过程中的手机面板缺陷检测问题的重要一环;针对污渍及瑕疵具有不同光谱曲线形状特征,利用该特征实现瑕污区分。
使用提出的旋转扫描线阵相机等效框幅图像初值求解和严密成像模型优化解算方法、高光谱特征点对堆叠计算方法、最优波段选择,实现图像恢复三维信息的完整流程,生成了具有高度空间-光谱一致性的高光谱三维点云。图为重建结果。
研究使用Hyperspec VNIR-SWIR高光谱成像仪获取冉牟题记的高光谱影像,对高光谱影像进行预处理和增强处理,使用增强后的高光谱影像结合相关文献对冉牟题记中的文字进行尝试性判读,恢复肉眼不可见的文字信息。图为墨书题记文物高光谱成像。
研究包括深度学习方法用于高分子大气光谱库模拟和高精度大气辐射传输模型模拟,高分辨率影像大气校正,卫星观测效能评估,主要服务于高分辨率碳监测专项的卫星指标论证和反演误差仿真分析。
高分辨大气分子光谱数据库中包含47种大气气体分子在紫外、可见光及近红外波段的吸收谱线信息,通过构建深度神经网络模型,实现对大气分子光谱数据库的模拟仿真,获取大气分子吸收谱线参数。图为模拟结果。
利用深度神经网络模型,建立自主可控、安全、高精度的大气辐射传输模型。图为模型网络结构以及模拟的可视化结果。
制定了高分辨率光学卫星遥感影像大气校正标准,主要包括大气校正的表观辐亮度计算、表观反射率计算、大气辐射传输模型选择、模型参数确定、地表反射率计算和校正结果合理性检查等内容,图为大气校正后的影像对比。
自主设计的多星多任务观测任务分析设计与仿真软件界面。
研究包括深度学习方法用于0.5米光学影像云检测、薄云去除、多尺度分割、面向对象影像分析和变化检测的技术和方法,主要面向与福建招标集团合作建设的“海丝卫星”系列中亚米级光学和雷达卫星数据的综合应用,开发违章建筑违法用地监测、生态环境评估和高精度森林碳汇评估方面的算法和软件。
研究利用星载激光雷达ICESAT-2获取的离散点状树高数据、Landsat数据提取的指数因子,地形数据和气象数据,在优选特征变量的基础上,建立中国区域30 m分辨率的分区/森林类型森林冠层树高非参数反演模型,并结合机载Lidar数据、GEDI全球森林冠层高度数据对估算结果进行精度验证。
提出了一种顾及云的双向透射的薄云去除模型CRTTPM。通过分析太阳辐射和薄云之间的交互作用,引入薄云的向下投射和吸收左右,构建新的云畸变物理模型,更加准确地描述太阳辐射传输和薄云的交互作用。图为城市薄云去除结果对比。
以影像中的像素集合(对象)为分析单元,充分考虑对象和周围环境之间的联系等因素,对影像信息进行提取。图为面对对象影像分析结果。
利用粒度理论对遥感影像的土地/植被/建筑/水域等地物大类往下进行3~4级的细分类,可分类别数近百类,图为总数76类的分类结果。
遥感影像中地物类型多样、尺度不一,呈现 出层次化、结构化的特点,这使得尺度问题成为基于对象影像分析的关键问题之一,多 尺度分析是解决这一问题的有效途径。图为遥感影像对尺度分析的分割结果。
对施工场地信息进行快速提取识别,为用地安全执法、建筑施工进度控制提供依据,对工程建设规划发展有着重要的影响,可进一步衍生为对违法施工用地的检测。
遥感技术和经济学交叉融合方向,主要研究利用光学和夜间灯光影像数据进行人口、GDP、贫困程度、碳排放等社会经济数据的网格化和社会经济指标评估,服务于统计、银行、保险等部门。
研究利用1986-2020年的Landsat数据,通过最大NDVI合成/中值合成算法得到无云时间序列数据集,在此基础上计算得到多种Landsat时谱指数信息和纹理信息,采用基于LandTrendr时间序列曲线分割算法,对研究区内森林干扰及恢复情况进行监测并得到其空间分布图。
通过对GDP、人口、碳排放等社会经济指标参量的空间化,利用随机森林等机器学习方法发掘参量与夜光数据的关系,构建模型刻画城市/国家/全球多尺度发展格局,绘制区域经济现象,评估社会经济发展。
针对已有全球尺度夜光数据分辨率比较低的缺点,结合多源遥感和空间地理数据,利用融合多源信息的条件超分辨率(C-SRGAN)深度学习算法,实现夜光数据的降尺度,获得较高分辨率的夜光数据,满足夜光遥感更为精细化的应用场景。