近期，中国测绘科学研究院《影像与数据融合国际期刊》出版了第14卷第三期。摘要如下：

Statistical modelling of digital elevation models for GNSS-based navigation

Hiba Al-Assaad, Christophe Boucher, Ali Daher, Ahmad Shahin & Jean-Charles Noyer

Pages: 205-224

To cite this article:

Hiba Al-Assaad, Christophe Boucher, Ali Daher, Ahmad Shahin & Jean-Charles Noyer (2023) Statistical modelling of digital elevation models for GNSS-based navigation, International Journal of Image and Data Fusion, 14:3, 205-224, DOI: 10.1080/19479832.2023.2218376.

基于GNSS导航的数字高程模型的统计建模

近年来，智能出行已成为公共交通、自动驾驶和共享交通等交通系统的重要活动。这些系统需要可靠的导航应用，以实现精确定位和优化路线。GPS系统可能会面临conical效应导致信号衰减、影响信号可靠性和准确性、或在能见度差的环境下信号丢失等问题。通过使用其他传感器，车辆定位系统可以克服这些GPS问题。这项工作的重点是进行倾斜度的估算，这将用于优化电动汽车或混合动力汽车的路线规划，特别是对能耗控制起到一定作用。本文提出一种基于GNSS、INS、OSM和DEM数据的多传感器融合方法，利用非线性粒子滤波对路段坡度进行估计和改善，同时提出了一种新的高程数据空间采样DEM误差统计模型。该方法基于几何窗口的定义，称为相邻滑动窗口（ASW），该窗口动态选择道路附近的高程数据。在郊区交通网络中对所提方法进行了评估。实验结果表明车辆姿态和道路坡度估计精度具有一定优势。

Synergistic retrievals of leaf area index and soil moisture from Sentinel-1 and Sentinel-2

T. Quaife, E. M. Pinnington, P. Marzahn, T. Kaminski, M. Vossbeck, J. Timmermans, C. Isola, B. Rommen & A. Loew

Pages: 225-242

To cite this article:

T. Quaife, E. M. Pinnington, P. Marzahn, T. Kaminski, M. Vossbeck, J. Timmermans, C. Isola, B. Rommen& A. Loew (2023) Synergistic retrievals of leaf area index and soil moisture from Sentinel-1 and Sentinel-2, International Journal of Image and Data Fusion, 14:3, 225-242, DOI: 10.1080/19479832.2022.2149629.

Sentinel-1和Sentinel-2叶面积指数与土壤水分协同反演

由于两个波长域中的信息互补，从合成孔径雷达（SAR）和光学数据中联合反演植被状态具有很大的研究前景。SAR穿透树冠，包括有关土壤和植被水分状况的信息，而光学数据包含有关叶子数量和健康状况的信息。然而，由于融合这些数据源固有的复杂性，在联合检索植被冠层信息方面进展相对较少。本文研究利用Sentinel-1和Sentinel-2的数据反演耦合辐射传递模型，提供叶面积指数和土壤水分的协同反演。叶面积的结果具有较好的试验结果，并且通过使用两个数据源得到了增强（RSME始终小于0.5，当两者一起使用时，相关性优于0.95），而土壤湿度的结果与联合检索结果混合在一起，通常显示最低的RMSE，但低估了田间数据的变异性。使用基于物理的辐射传输模型从光学和SAR数据中协同检索植物特性的例子在文献中并不常见，但这些结果显示了这种方法的潜力。

Assessment of micro-vibrations effect on the quality of remote sensing satellites images

Mohamed A. Ali, Fawzy Eltohamy, Adel Abd-Elrazek & Mohamed E. Hanafy

Pages: 243-260

To cite this article:

Mohamed A. Ali, FawzyEltohamy, Adel Abd-Elrazek& Mohamed E. Hanafy (2023) Assessment of micro-vibrations effect on the quality of remote sensing satellites images, International Journal of Image and Data Fusion, 14:3, 243-260, DOI: 10.1080/19479832.2023.2167874.

微振动对遥感卫星影像质量影响的评估研究

近年来，由于卫星技术的快速发展以及从卫星影像中精确提取大量信息的迫切需求，学者开始对卫星微振动产生退化效应进行研究。不同种类的微振动对卫星影像质量有显著影响。本文的主要目的是演示和分析所有类型的微振动对高分辨率卫星获取的影像质量的影响。本文提出一种微振动模拟算法，该算法选取了Pleiades-neo卫星的高分辨率卫星影像作为示例，用于解决微振动的退化效应。在本文中，调制传递函数（MTF）被用作模拟已进行的退化的主要函数。此外，还使用几个质量指标来定量评估退化。研究结果表明，微振动对遥感卫星影像质量的显著影响，是来自于主要的影响参数。这些参数为模糊直径、振动位移、相机的时间延迟和积分（TDI）级数，以及积分时间与振动周期的比率等参数。

Research on adaptive enhancement of robot vision image based on multi-scale filter

Qin Dong

Pages: 261-277

To cite this article:

Qin Dong (2023) Research on adaptive enhancement of robot vision image based on multi-scale filter, International Journal of Image and Data Fusion, 14:3, 261-277, DOI: 10.1080/19479832.2022.2149630.

基于多尺度滤波的机器人视觉图像自适应增强研究

对比度增强和直方图均衡是两种图像增强方法，它们可能导致生成图像的边缘位置发生变化、模糊甚至丢失细节。因此，本文引入一种多尺度滤波器，对机器人视觉图像进行自适应增强，提高机器人视觉图像的亮度，丰富图像细节，减少图像增强时间。根据Retinex理论，获取机器人视觉图像的特征信息，得到Retinex算法的对数域运算形式，确定高频部分的机器人视觉反射图像，通过多尺度滤波估计机器人照明视觉图像，得到高斯滤波的尺度常数；根据Retinex加权引导滤波算法，设计了机器人视觉图像增强过程。实验结果表明，该方法增强的机器人视觉图像平均值为88.63，标准差为62.78，信息熵为8.18，机器人视觉图像增强时间仅为5.9s，机器人视觉图像的PSNR高达39.92，证明了该方法对机器人视觉图像增强效果良好。

Whale- crow search optimisation enabled deep convolutional neural network for flood detection

Madhuri Balasaheb Mulik, Jayashree V. & Pandurangarao N. Kulkarni

Pages: 278-298

To cite this article:

Madhuri BalasahebMulik, Jayashree V. &Pandurangarao N. Kulkarni (2023) Whale- crow search optimisation enabled deep convolutional neural network for flood detection, International Journal of Image and Data Fusion, 14:3, 278-298, DOI: 10.1080/19479832.2023.2186957.

Whale- crow搜索优化实现深度卷积神经网络的洪水检测方法

卫星影像在洪水探测领域更具吸引力。对于紧急情况下的决策支持，洪水检测起着至关重要的作用，但如何更有效地利用卫星影像进行洪水地区检测成为当前技术障碍之一。本文在深度卷积神经网络（W-CSA DCNN）方法的基础上，创新了一种名为Whale- crow搜索算法的模型用于洪水检测。该模型主要包含预处理、分类、分割和特征提取四个步骤。为了从输入影像中获取相关信息，首先将卫星影像进行预处理，然后根据植被指数获取特征，将预处理后的影像进行特征提取过程。通过Kernel Fuzzy Auto regressive（KFAR）模型，将获取特征用于分割过程中，然后将分割图像用于分类，该分类通过 DCNN 进行，并通过 W-CSA 进行验证，W-CSA 是Crow Search Algorithm （CSA）和Whale optimisationalgorithm （WOA）的组合。特异性、准确性和灵敏度分别为0.982、0.972和0.975，该方法比现有方法具有更高的性能。

期刊主页：http://www.tandfonline.com/tidf

投稿网址：http://mc.manuscriptcentral.com/tidf

（文/ 谢文寒、孙晓霞）