卷积云神经网络_2018.10

HHT在激光云高仪后向散射信号处理中的应用(New method of lidar ceilometer backscatter signal processing based on Hilbert-Huang transform)

1.1引用方式

何俊峰, 刘文清, 张玉钧,等. HHT在激光云高仪后向散射信号处理中的应用[J]. 红外与激光工程, 2012, 41(2):397-403.

1.2主要思想

根据半导体激光云高仪后向散射信号的特点，基于希尔伯特-黄变换(HHT)提出了一种突出后向散射信号细节特征的处理方法。该方法有效地发挥了HHT对非线性、非平稳信号处理的能力，从原始后向散射信号中分别重构出初步去噪项和信号趋势项并实现二者的结合，从而生成全新的经特征突出的后向散射信号。大量实验数据分析证明，该特征突出方法利用了 EMD 分解和重构滤波的优势，摒弃了其去噪同时削弱有用信号、忽略细节特征的缺陷，适用于云高仪后向散射信号处理；配合相应的后向散射参数反演方法，可以有效提高云高识别能力和垂直能见度反演的精度，降低了云高误报和漏报率。

注：引自《用于激光云高仪的微分增强云检测方法》，“激光云高仪实质是一种发射功率比较低的激光雷达，由于云体内部有较多的水分子(三种相态均有可能)，当激光到达云体后，激光云高仪接收到的回波功率将会突然的增强。采取一定的算法提取回波功率突然增强的高度即为云底高度，因此云高提取算法的效果直接影响云高探测的准确度。”

1.3主要内容郑发泰等提出了基于EMD的激光雷达大气后向散射信号降噪信号处理方法，该方法利用EMD对后向散射信号进行了分解和重构，并观察了散射回波的希尔伯特谱，经验证，有一定去噪效果。

陈东方等提出了类似的基于EMD消除瞬态散射回波中的高斯白噪声的方法，经过人工合成瞬态回波验证，也能有效去噪。

刘增东等同样利用EMD对米散射激光雷达信号进行了多尺度分解和重构，通过直接去除低阶IMF的方法来达到去噪的目的。这些方法无一例外都是直接使用HHT中的部分或全部步骤对信号进行分解和重构，往往致力于提高参数反演前的后向散射信号信噪比。

HHT由两部分组成：EMD和Hilbert谱分析(HSA)，这种方法对于非线性 和非平稳数据分析是潜在可行的，尤其是时频能量描述，已得到全面测试和验证。

1.4结论及改进方法

基于HHT的后向散射信号细节特征突出的新方法，有效发挥了HHT对非线性非平稳信号处理的能力，从原始后向散射信号中分别重构出初步去噪项和信号趋势项，并实现二者的结合

，生成全新的经特征突出的后向散射信号。大量实验数据分析证明，该特征突出方法利用了EMD分解和重构滤波的优势，摒弃了其在去噪同时削弱有用信号、忽略细节特征的缺陷，适用于云高仪后向散射信号处理；配合相应的后向散射参数反演方法，可以有效提高云高识

别能力和垂直能见度反演的精度，可以降低云高误报/漏报率。

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

2.1引用方式

李竺强,朱瑞飞,高放,孟祥玉,安源,钟兴.三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类[J].光学学报,2018,38(08):404-413.

2.2主要思想

高光谱遥感影像分类通常基于地物光谱特征，但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构，卷积神经网络(CNN)已成功地应用在图像分类领域，对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息，提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN)，并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(IndianPines数据集、PaviaUniversity数据集、PaviaCenter数据集)进行测试，结果表明分类优化后精度得到很大提升，总体精度可达98%，Kappa系数达到97.2%。

2.3主要内容高光谱遥感是指在可见光、近红外、中红外和热红外波段范围内，获得很多窄的连续的光谱影像数据的技术。

传统的高光谱影像分类方法通常基于光谱信息，利用基于距离度量的分类器，如K邻近算法或最大似然法等。对于波段数量巨大的高光谱数据来说，这些方法需要依赖大量样本去训练，时间成本很大。

近年来出现了三种新的解决方案：一是适用于小样本、高维特征的分类器，如支持向量机(SVM)分类器；二是半监督分类，即将半监督学习引入到遥感影像分类中，在已知类别标记的训练样本不足的情况下，将未知类别的样本引入训练过程；三是字典学习，即受矢量量化思想启发，利用稀疏表示模型，将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合，再将其应用于高光谱图像的分类。

Zhao等利用深度学习多尺度二维CNN(2D-CNN)对高光谱遥感影像进行深度表达并融合多波段光谱信息进行分类，但需要设计不同的特征提取尺度，对于不同形状类型目标地物可能会使特征区混淆。

2016年，刘大伟等利用深度学习的常用模型——深度信念网络对高分辨率影像进行分类，相比传统的SVM方法 更能够提高分类的准确度。

Mou等提出了一种利用递归神经网络(RNN)对高光谱影像分类的方法，展示了深度递归网络在未来遥感影像分类中的巨大潜力。

与RNN相比，2D-CNN最显著的优点是提供了一种直接从原始输入图像提取特征的方法。然而，直接将2D-CNN应用于高光谱图像，需要对网络中每个二维输入进行卷积，每一个光谱波段都有一组需学习的卷积核。

2.4结论及改进方法

为解决高光谱遥感影像分类后地物分类混淆、总体分类精度低等问题，提出了3D-CNN-CRF算法，通过重新设计3D-CNN模型架构并充分利用高光谱影像中像素的空间邻域信息与光谱信息，联合多标签条件随机场算法，对分类进行全局优化。方法的稳健性较强，无需刻意调整参数即可达到较高的分类精度。

对公共高光谱数据集的测试结果表明，3D-CNN-CRF算法提供了一个简单高效的方法来实现高光谱影像的光谱－空间特征提取，并且3D-CNN模型是一个轻量级、泛化能力强、收敛速度快的CNN模型。算法的最终总体精度可达98%，优于其他高光谱影像分类算法。

目前，高光谱遥感影像分类的关键在于充分利用地物辐射光谱信息，并提取区别性大、更有代表性的空间－光谱特征。在未来的研究工作中，一方面计划在3D-CNN中融合多个尺度卷积核，对特征进行自适应学习以进一步提升分类性能；另一方面考虑采用GPU并行技术来实现并行卷积网络训练，减少运算时间，提高算法效率。

在卷云的横向边界上的光学性质和延波辐射(The optical properties and longwave radiative forcing in the lateral boundary of cirrus cloud)

3.1引用方式

Li R, Cai H, Fu Y, et al. The optical properties and longwave radiative forcing in the lateral boundary of cirrus cloud[J]. Geophysical Research Letters, 2014, 41(10):3666–3675.

3.2主要思想

通过对云雾激光雷达和红外探路者卫星观测的云雾激光雷达的观测，发现了卷云中窄、可见侧边界层的共同特征。在这一层在云的边缘附近，激光雷达反向散射、去极化率、冰水含量、冰粒子的有效半径以及云的光学深度都急剧下降。由于其极微小的光学深度(小于0.3)，传统的卫星被动光学传感器可能会错过这样的卷云横向边界层。

3.3主要内容高光谱遥感是指在可见光、近红外、中红外和热红外波段范围内，获得很多窄的连续的光谱影像数据的技术。

3.4结论及改进方法

利用星载激光雷达(CALIPSO/CALIOP，光斑直径70m)的夜间观测资料，研究了中国卷云的横向边界的光学性质和延波辐射力。

一个狭窄(6.4.1公里左右)的卷云，在陆地上的亚可见卷云的横向边界可以很