基于改进U-Net模型的高分辨率遥感影像中城市建筑物的提取

针对高分辨率遥感影像中城市建筑物周围环境复杂多样,易被阴影遮挡,难以精细化提取的问题,提出一种改进的U-Net网络用于图像中的城市建筑物提取.该网络在标准U-Net网络的编码器末端嵌入双重注意力模块,可以通过捕获全局建筑物信息和长通道建筑物信息,实现建筑物特征的增强.在交叉熵损失函数的基础上加入Lovász损失函数,构成的复合损失函数增强了对建筑物提取结果的约束能力,进一步提高了模型的鲁棒性.将该模型在美国马萨诸塞州数据集上进行验证,提取建筑物的F1-score为87.83%.结果表明,本方法对高分辨率遥感影像中周围环境复杂多样、被阴影遮挡的城市建筑物具有较强的提取能力.     

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%。     

一种面向对象的遥感影像多尺度分割方法

高分辨率遥感影像中丰富的空间结构信息和地理特征信息提取需要在多种不同的尺度下进行,而传统的基于像素光谱特征的影像分割和单尺度影像信息提取方法在这方面存在明显的缺陷.基于区域的面向对象影像分析方法,为高分辨率遥感影像信息提取提供了新的思路,其关键的核心问题在于实现对高分辨率遥感影像的多尺度分割.本文提出了一种基于相邻影像区域合并异质性最小的面向对象多尺度分割算法.影像分割试验结果表明:该方法可以根据任意特定尺度下的影像分析任务或任意感兴趣尺度的地物目标,调整影像分割的尺度参数,从而获得特定尺度下感兴趣的影像区域(对象)作为后续面向对象影像分析和应用的基础.     

高分辨率影像道路提取的整体矩形匹配方法

提出了一种整体矩形匹配方法,对高分辨率遥感影像中的城市直线道路进行提取.方法基于影像特征、道路知识和数学形态学的击中击不中思想,通过改变影像分割阈值、矩形宽度和矩形方向,从矩形的内部和外部进行整体匹配,使得矩形满足最佳匹配原则,从而提取出道路.利用提出的方法对高分辨率卫星影像进行了实验.结果表明:该方法能较好地消除树木、汽车等对道路提取的影响,有效地提取出直线道路的边缘.     

不同尺度下高分辨率遥感影像道路信息提取

道路作为衡量城市发展的主要因素,是城市发展过程中更新最快的要素之一,其发展直接影响城市功能用地的布局,因此基于高分辨率遥感影像的道路信息提取具有重要而现实的意义.在综合分析各种高分辨率影像道路提取方法的基础上,提出了基于不同尺度进行影像特征基元分割、并结合知识辅助实现基元分析的方法.该方法能够有效地通过面向对象方式将影像中的道路进行精确地提取,并可根据用户研究尺度的不同提取出不同规模的城市道路,最后结合具体实例对这种方法进行了分析.     

基于震后高分辨率卫星遥感影像的建筑物瓦砾快速提取方法

利用震后高分辨率卫星遥感影像提取建筑物损毁空间分布和破坏程度信息,对于地震灾情评估具有重要作用.本文以2010年海地地震巨灾为例,选用震后高分辨率卫星遥感影像Geoeye-1为数据源,在分析建筑物瓦砾可分离性的基础之上,利用监督分类方法提取损毁建筑物的瓦砾.结果表明,在震后高分辨率卫星遥感影像中,瓦砾是建筑物损毁的明显震害标志;瓦砾的生产者精度为87.23%,大于总体分类精度63.14%;瓦砾的Kappa系数为0.62,高于总体Kappa系数0.54.研究表明,基于瓦砾纹理特征的遥感信息提取方法能够从震后复杂的城市地物类型中识别出大部分瓦砾,该方法得到的结果可以应用于地震灾情应急评估,辅助应急救援等.     

高空间分辨率遥感影像小波域分形纹理特征提取

融合小波多尺度分析方法及分形纹理提取方法在遥感影像信息提取方面的优势,提出高分辨率遥感影像小波域分形纹理特征计算方法,以获取地物多尺度分形纹理属性,为遥感影像地类识别提供更好的标识.首先对遥感影像进行小波多尺度分解,进而基于DBC、多重分形纹理计算方法在各个分解层上提取地物纹理特征,通过比较分析,从中选取更为有效的小波域分形纹理特征.基于该方法,利用福州市高空间分辨率QuickBird遥感影像进行试验,并对QuickBird影像进行三级小波分解及纹理提取,结果表明:小波第一、第二分解层粗影像(CA1、CA2)及三方向平均细节影像(L1、L2)的DBC空隙特征及多重分形分维数结果作为最终甄选的小波域分形纹理特征更为合适.     

高分辨率遥感影像分割提取构筑物评估

面向对象的影像分析已成为针对高分辨率遥感影像信息提取和行业应用的一种先进方法.该方法的实用效果,基础和关键在于对影像中所关注地物目标的影像分割提取效果.针对高分辨率遥感影像地面构筑物的提取,采用经验性符合统计比较法,把自动分割结果与人工分割提取的地面构筑物区域轮廓相对符合程度分为3个等级:良好、可以接受和不可接受,对当前应用广泛的两种多尺度影像分割方法进行了地面构筑物分割提取效果评估.     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

基于光谱-空间特征的遥感影像水体提取方法

地表水体是人类生存和社会发展不可取代的基本要素,使用遥感影像提取地表水体相比传统实地调研的方式,具有高效、省时、省力的特点。传统的水体提取方法一般仅使用一种或少量类型特征的结合,在处理高分辨率遥感影像时容易出现误提取。针对以上问题,提出一种结合多种光谱和空间特征的自动化水体提取方法。通过两幅高分一号影像上的定性和定量实验结果表明,该方法能够比传统方法更稳定更精确的提取影像中的水体信息。     

基于NSCT与形状特征的遥感影像道路提取

提出一种基于非抽样Contourlet变换（NSCT）与形状特征的遥感影像道路提取算法.首先对图像进行非抽样Contourlet变换,得到不同尺度、不同方向上的变换系数,对变换系数进行增强处理并通过反变换得到增强图像;然后对增强图像进行分割处理,利用道路形状特征对分割结果进行道路提取;最后利用光谱特征对提取的道路进行判断,并利用形态学方法对道路网进行规整.对比实验结果表明：该算法取得了较好的高分辨率遥感影像道路提取效果.     

基于形态学梯度重构的高分辨率遥感影像分割方法

基于形态学梯度重构提出一种用于高分辨率遥感影像的分割方法.针对遥感图像的特点构建多形状结构元素,然后使用该结构元素对图像提取形态学梯度并进行开闭重构;根据人的视觉特征,对梯度的高对比度区域进行还原,用于保证较高的局部对比度;最后使用浸没式分水岭变换获得分割结果.对IKONOS影像进行分割实验,结果表明了该方法的有效性.     

基于面向对象的高分辨率遥感影像道路信息提取方法

采用一种基于面向对象的道路提取方法,阐述了影像理解、影像分割、对象层次结构等几个关键思想,提出如何解决传统高分辨率影像提取道路方法,如边缘检测、滤波等存在的不足,并对高分辨率遥感影像提取道路的实用性进行思考,为下一步具体应用指明方向。     

基于梯度特征的高分辨率卫星遥感影像阴影检测

以高分辨率卫星遥感全色影像为数据源,根据阴影区在影像上的灰度与梯度特征,研究了它与水系、建筑物、绿地、道路等地物类型的区别,描述了阴影边界与太阳方位角的关系,并在此基础上针对实验数据提取阴影区.结果表明,所采用的方法能有效地识别影像中的阴影.     

基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法

提出一种利用形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法。用该方法计算路域范围内两时相高分辨率遥感影像的形态学属性剖面, 将得到的形态学属性剖面与光谱特征叠加, 采用改进的单类随机森林分类方法直接提取新增建筑物。以北京市稻香湖地区两时相高分辨率影像作为实验数据, 对比分析该方法与经典两时相直接分类及分类后比较方法的新增建筑物提取精度。结果表明, 综合利用形态学属性剖面和光谱特征提取得到的新增建筑物提取精度比仅使用光谱特征的提取精度显著提高, 其中Kappa系数提高15.11%。此外, 该方法提取结果的Kappa系数比两时相直接分类方法提高1.78%, 比分类后比较方法提高25.15%, 验证了所提方法的有效性。所采用的单类随机森林方法能够有效地处理高维数据, 并可以度量不同特征对分类结果的重要性。     

基于位置约束的参考图引导的遥感影像超分辨率网络

在遥感对地观测领域中,往往需要对生态或地质环境进行长时间跨度的监测.然而,仅通过卫星拍摄的高分辨率影像来实现在长时间跨度范围内对同一位置区域的覆盖是较为困难的.因此,之前的研究多采用单图像超分辨率算法来对低分辨率影像进行重建.但单张低分辨率影像中的信息是有限的,所以该类算法的重建结果往往较为平滑和模糊.实际上,对于同一位置区域而言,通常可以获取到来自不同卫星在不同时间段拍摄的多幅分辨率不同的遥感影像.其中的高分辨率影像可以作为低分辨输入在重建过程中的参考影像.因此,提出了一种基于位置约束的参考图引导的遥感影像超分辨率网络.该网络首先通过一个基于位置编码的纹理转换模块来实现参考图像与低分辨率图像之间的相似特征块匹配.同时引入位置约束,即根据低分辨率输入中邻近元素所对应的参考相似块的聚合度来对转换后的参考图像进行编码,从而提高匹配的准确度.同时,还提出了一种基于通道注意力机制的多尺度特征自适应融合模块,该模块有效提高了网络在进行跨尺度特征融合时的特征表达能力,进一步提高了网络的重建性能.实验结果表明,相较于其他新近的超分辨率方法,该网络在4×和8×超分辨率任务上均表现出了更为优越的重建性能...     

遥感影像配准中控制点的自动提取

针对遥感影像的处理应用中，传统的手工选取控制点速度慢、精度低和强度大等缺点的问题，提出了一种基于影像灰度和影像特征混合自动提取控制点的新方法。在进行控制点的自动提取时，该方法速度快、错误匹配率低、精度高。方法内容包括特征点提取、构造影像金字塔以及基于金字塔数据结构的互相关匹配。     

基于稀疏约束SegNet的高分辨率遥感影像建筑物提取

针对传统机器学习方法提取建筑物,耗时长和精度低的问题。文中选用深度学习中的SegNet语义分割模型进行算法改进,提出了一种基于稀疏约束SegNet的高分辨率遥感影像建筑物提取算法。首先对SegNet模型加入正则项和Dropout,大大降低了模型过拟合现象的发生;其次为了模型能够提取更丰富的语义特征,算法引入金字塔池化模块;最后对SPNet模型引入Lorentz函数稀疏约束因子,构造新的语义分割模型LSPNet.为了验证提出算法的可靠性和适用性,使用优化LSPNet模型对高分辨率数据集中的建筑物识别和提取。实验结果表明,该方法与传统机器学习方法相比较,有着快速收敛、精度高的优势,并且具有很好的应用前景。     

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型（QPSO-KELM）.通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明：QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.     

基于深度学习和多次棋盘分割法的高分辨率影像河流提取

针对目前从遥感影像中提取的河流, 尤其是细小河流容易出现中断的情况, 将深度学习与多次棋盘分割法相结合, 应用于高分辨率遥感影像的河流提取。基于对山区、平原和城市3景高分二号卫星遥感影像的实验表明, 与现有的方法相比, 该方法提取的河流更加连续, 并且能够提取高分二号卫星遥感影像中两个像元的细小河流。