基于深度学习的高分六号影像水体自动提取

为了探究高分六号(GF-6)卫星多光谱相机(PMS)影像提取水体的潜力,分别构建全卷积神经网络(FCN-8s)、U-Net及U-Net优化(VGGUnet1、VGGUnet2)4种神经网络进行了水体提取研究.基于水体提取结果对比分析,确定优选模型为VGGUnet1;提出基于组合损失函数FD-water loss(focal-dice-water loss)的VGGUnet1网络模型,并与归一化差分水指数(norma-lized water index,NDWI)阈值法、最大似然分类法、支持向量机分类法等方法比较.结果表明:基于FD-water loss损失函数的VGGUnet1网络模型能有效提取水体目标,增强小面积水体识别能力,减少水体错分、漏分现象,提高水体提取效果.可见全卷积神经网络在GF-6遥感影像水体提取方面具有可行性,为后续该领域的进一步研究应用提供了参考.     

基于LinkNet卷积神经网络的高分辨率遥感影像水体信息提取

针对高空间分辨率(简称高分辨率)遥感影像在水体信息提取时准确度不高的问题,采用LinkNet卷积神经网络模型对高分辨率遥感影像进行水体信息提取,验证该网络模型对于水体信息提取的可行性及有效性.首先选取包含水体的影像数据作为训练数据,然后构建LinkNet卷积神经网络模型,并利用构建好的网络模型训练得到水体信息的先验模型,最后采用该模型对真实高分辨率遥感影像进行水体信息提取,并与经典算法比较.实验结果表明:LinkNet卷积神经网络模型能够实现高分辨率遥感影像水体信息的高精度提取,且优于经典算法.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

城市河网的低空遥感影像全卷积神经网络水质等级分类

提出一种基于深度学习的图像像素级标注算法。通过数据预处理、数据集建立、全卷积神经网络设计和训练流程,实现水体的水质等级分类及像素级标注。使用上海市嘉定区某区域和上海市宝山区杨行镇某区域的无人机低空遥感影像对该算法进行了验证,平均水质等级分类精度分别达到了87.96%和77.57%。     

基于可能性聚类和卷积神经网络的道路交通标识识别算法

为解决图像采集中噪声和复杂背景对图片的影响以及深度神经网络的高耗时问题,基于可能性聚类算法与卷积神经网络,提出一种道路交通标识识别算法.该方法运用了图像分割技术,并结合卷积神经网络模型对道路交通标识进行更准确的识别.首先,通过色彩增强、图像分割、特征提取、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合Squeeze-and-Excitation思想和残差网络结构,充分训练出MRESE(My Residual-Squeeze and Excitation)卷积神经网络模型;最后,将优化的网络模型用于道路交通标志的识别.实验结果表明,该方法使训练时间缩短了5%左右,识别精度可达99.02%.     

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

基于高分影像的城市黑臭水体遥感识别方法研究

城市黑臭水体是一种极端的水污染现象,威胁人类的生产生活和水生态环境健康.利用遥感手段及时、准确地识别黑臭水体的时空分布,对掌握黑臭水体治理进展、推进水污染控制管理起着重要作用.以广州市为研究区域,基于黑臭水体和正常水体在高分影像上的光谱差异,构建了多个黑臭水体识别模型,并采用了一种自动阈值选取算法进行模型阈值的快速选取,进而进行了城市黑臭水体的遥感识别,探讨了影响识别精度的因素.研究结果表明,采用构建的模型识别黑臭水体总体精度最高可达96.8%;从黑臭水体识别的空间分布来看,该模型错分率较小,尤其在细小河涌中有较好的识别效果;地表水质数据和卫星影像的一致性误差、高分影像融合方法和混合像元的存在等可能是导致模型错误识别黑臭水体的原因.基于高分影像的黑臭水体识别模型和自动阈值选择方法可实现对城市黑臭水体的快速和高效识别,为黑臭水体治理和城市水环境精细管理提供有效支撑.     

深度卷积神经网络的遥感植被检测方法

【目的】植被检测是城市生态研究的重要手段,然而由于遥感图像中植被存在阴影区域、遮挡区域以及色彩上的畸变等,导致当前的植被检测精度较低。基于遥感卫星影像,采用深度学习技术快速有效地检测出城市中的植被区域,为植被资源统计等相关研究提供依据。【方法】选用深度卷积神经网络模型,对高分辨率遥感影像中的植被区域进行检测。对不同的优化器,通过设置不同的卷积核大小,对精度进行对比分析。最后对网络层数进行研究,对设置合适网络层数进行分析,用构造的深度卷积神经网络在实验数据上进行植被区域检测。【结果】利用卷积神经网络处理二维图像时,无需手动提取特征,进行简单少量的预处理后,直接把图像输入到CNN模型中进行训练,即可实现图片的识别分类功能。降低了预处理的难度,同时局部感知和权值共享大幅度地减少了参数量,加快了计算速度。次抽样还能保证图像处理后的平移、旋转、缩放和拉伸的不变性。解决了传统方法计算量和样本量大、结构复杂以及费时的缺点。在采集到的高分辨率紫金山区域的遥感图像中,通过设计的多层卷积神经网络模型对区域中的植被资源进行分析,对比和研究不同的优化器、卷积核和网络层数,植被检测精度达到95.4%,明显高于当前众多植被检测算法。【结论】在深度学习中,目标检测的精度依赖于网络的结构设置,通过对优化器、卷积核以及网络层数进行设定,可以明显提高目标检测效率和精度。     

基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。     

基于CNN的零样本城市遥感影像场景分割算法

针对观测数据的零样本遥感影像场景分割时,因不存在相应的参照物,造成分割耗时长,精确率较低等问题,提出了基于卷积神经网络的零样本城市遥感影像场景分割算法。采用主成分分析方法与K-奇异值分解方法对遥感影像去噪处理,抑制斑块效应;将去噪后影像输入Retinex增强算法中,进一步提升零样本城市遥感影像增强效果;采用均值漂移算法分割遥感影像场景获取其像素点之间关系,通过卷积神经网络完成零样本城市遥感影像场景精准分割。实验结果表明,该算法精确率高,召回率高,F-score率高,消耗时间短。     

基于改进Faster-RCNN的露天煤矿开采区遥感识别方法

利用卫星遥感技术融合深度学习算法,可以快速、动态、高效识别露天煤矿开采区,以我国和其他煤炭资源大国的典型露天煤矿开采区为研究对象,基于高分二号多光谱遥感影像,制作数据集及标签,构建基于卷积神经网络(convolutional neural networks, CNN)的深度学习目标检测算法.通过加入特征金字塔网络,充分挖掘开采区及背景区的低分辨率语义信息和高分辨率纹理信息,实现快速卷积神经网络的深度学习目标检测算法模型的改进及参数优化.结果表明改进后的模型平均检测精度提高到98.48%,总体识别精度达到96.7%,有效提高了复杂背景下的多尺度、多类型露天开采目标的识别精度,为全球煤炭资源大国能源合作、生态环境保护及我国矿产资源的合理利用和修复提供了科学、精准手段.     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

融合卷积神经网络与Adaboost算法的病害松树识别

针对无人机平台获取的高分辨率可见光松树图像,提出一种结合深度卷积神经网络和Adaboost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题.首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土及黑影等复杂信息剔除掉,提取病害松树、健康松树及黑影区域的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用Adaboost分类器进行目标识别.实验结果表明,该方法相较传统的K-means聚类、支持向量机、Adaboost算法、BP神经网络、VGG(visual geometry group)算法等在识别精确度方面有显著提高.     

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。     

基于数据融合的无人机影像碎屑岩岩性识别

不同类型岩性影像纹理相似性高,基于单一的二维影像进行岩性识别精度较低。本文针对这一问题,开展了顾及影像深度信息的岩性智能识别方法研究。利用无人机影像具有多模态的特性,采用通道叠加、IHS变换、小波变换以及多模态融合四种影像融合方式,将深度信息融入到影像数据中,运用深度卷积神经网络DeepLabv3+进行碎屑岩岩性识别。经人工解译结果对比分析,结果表明,实验区内基于多模态融合影像的岩性识别精度最高,Kappa系数可达76.17%,总体识别精度可提升到91.05%;分析认为,顾及影像深度信息的岩性智能识别方法针对岩层表面不平整,高差落差大的砾岩识别效果有明显提升,但表面平整、高差表现不明显的泥岩和砂岩地层识别效果有待提升,总体为野外碎屑岩露头岩性快速识别提供了新思路。     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

基于图像分割的驾驶员分心行为识别研究

针对驾驶员分心行为对交通安全产生隐患的问题,提出一种结合图像分割与卷积神经网络的驾驶员分心行为检测方法。该方法通过使用图像分割处理后的驾驶员不同分心行为的图像对卷积网络结构模型进行训练,来减轻背景噪声的影响,以提高模型的识别性能。试验中使用未经分割的图像与经过前景分割后图像分别训练卷积神经网络模型,用分割后图像训练的模型识别的准确率达到了93.84%,高于使用原图像训练的模型。试验结果表明,结合图像分割和深度学习的驾驶员分心行为检测方法对驾驶员的分心行为有较好的检测效果。     

特征概率图约束全卷积网络的目标分割

针对全卷积神经网络在图像分割上易出现一些孤立的错分像素点或像素块现象,提出一种新的全卷积神经网络结构模型,并定义特征概率图约束损失函数作为本研究模型的优化目标. 该损失函数衡量了图像中的像素点属于前景和背景概率的差距. 同时,该模型使用新定义的损失函数与常用的交叉熵损失函数的加权组合联合训练网络模型. 在肺数据集和手势数据集的实验结果表明,该网络模型可以减少部分错分的孤立像素点和孤立像素块的出现.     

基于深度卷积神经网络融合模型的路面裂缝识别方法

现有的路面裂缝识别方法大多仍局限于基于主动特征提取的处理技术,对路面图像来源有专一性要求,算法不具备泛化能力,现有的基于神经网络识别算法对设备有特定要求,且路面裂缝的定位准确性不高。为此,提出基于深度卷积神经网络融合模型的路面裂缝识别方法。首先,应用多目标SSD卷积神经网络模型对路面裂缝进行分类检测,然后使用深度残差网络对SSD模型的特征提取结构进行改进,并根据损失函数的收敛程度对模型中的超参数进行优化,提高路面裂缝分类和定位的准确率;其次,针对裂缝分类检测模型对路面裂缝定位存在的偏差,提出基于U-Net模型的路面裂缝分割方法,并改进模型的特征提取网络,提高裂缝分割精度,实现精确的裂缝分割;最后,将裂缝分类检测模型与分割模型进行融合,加载2个模型并导入上述训练得到最优权重,根据裂缝分类网络判断路面图像有无裂缝,若存在裂缝则给出具体类别和置信度,并将这些信息和原始裂缝图像输入U-Net分割网络,根据分割结果计算线性裂缝的长度、宽度及网状裂缝的面积。试验结果表明:给出的路面裂缝识别方法对于横向裂缝、纵向裂缝和网状裂缝的识别精度分别为86.6%、87.2%和85.3%;该方法不仅能够给出路面裂缝的类别信息,还可以给出路面裂缝的精确定位和几何参数信息,可直接用于路面状况评价。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。