利用光学遥感技术可以快速高效地获取大范围的地表水体信息,但是在洪灾监测等应用中,常常伴随多云、降雨等恶劣天气,难以及时获得高质量的光学遥感图像。合成孔径雷达(Synthetic Aperture Radar,SAR)技术具有全天时、全天候的特点,不受阴雨天气的影响,相比光学遥感具有明显的优势。本文首先总结和分析了目前基于星载SAR数据提取水体的方法和存在的问题,以Sentinel-1数据为例,为了弥补单极化阈值法和哨兵一号双极化水体指数(Sentinel-1 Dual-Polarized Water Index,SDWI)方法的不足,提出了双极化第一主成分水体指数(Dual-Polarized First-Principal-Component Water Index,DFWI)。其次,为了解决雷达阴影容易与水体相互混淆的问题,提出了3种升降轨极化SAR水体提取方法:升降轨VH极化方法(AscendingDescending VH-Polarization Water Index,AD-VH)、升降轨VV极化方法(Ascending-Descending VV-Polarization,AD-VV)和升降轨双极化第一主成分水体指数(Ascending-Descending Dual-Polarized First-Principal-Component Water Index,AD-DFWI)。最后,选择云南省洱海和土耳其Hatay 2个研究区进行水体提取实验,分别对应水体的常态化监测和应急监测等不同的应用场景。根据用户精度、生产者精度、虚警率和F1-score共4种指标对上述不同方法得到的水体提取结果进行精度评价和分析。实验结果表明:(1)本文所提方法相比单极化阈值法和SDWI法的分类精度明显提高,在2个研究区中,精度相对最高的方法均为AD-DFWI法,F1-score指标分别达到了97.83%和88.33%;(2)升降轨极化SAR水体提取方法不仅较好地解决了雷达阴影和水体相互混淆的问题,而且图像直方图中双峰分布特点更加显著,水体和非水体的可分离性更高,综合性能更好。本文提出的方法未来可以为水体提取和洪灾监测等应用提供参考。
针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。...
详细信息
针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。首先,提出一种具有3个分支的注意力-残差双特征流卷积神经网络(attention-residual bi-feature stream convolutional neural networks,ARBS-CNN)模型,其中基于残差模块(residual module,RM)和特征蒸馏(feature distill,FD)模块的2个分支用于提取全局图像特征,基于动态模块(dynamic module,DM)和卷积-卷积块注意力模块(convolutional-convolutional block attention module,Conv-CBAM)的分支用于提取局部图像特征;然后,将提取到的特征进行整合并输出,得到对深度图CU划分结构的预测;最后,将ARBS-CNN嵌入到3D-HEVC测试平台中,利用预测结果加速深度图帧内编码。与原始算法相比,提出的算法能在维持率失真性能几乎不受影响的条件下,平均减少74.2%的编码时间。实验结果表明,该算法能够在保持率失真性能的条件下,有效降低3D-HEVC的编码复杂度。
暂无评论