一种结合数学形态学和LOG算子的遥感图像边缘检测方法

提出了一种结合数学形态学和LOG算子的遥感图像边缘检测算法,该算法可有效地解决在混合噪声及复杂细节环境下的遥感图像地物边缘信息的检测．该算法首先利用中值滤波消除原始图像的非高斯噪声,并采用数学形态学进一步消噪及增强地物间的对比度;然后采用LOG（LaplacianofGassian）算子对处理后遥感图像进行边缘信息检测．实验结果表明,提出的方法能有效地提取遥感图像地物边缘信息．     

基于区域分割的彩色航空影像建筑物自动检测

为了从高分辨率遥感图像中完整提取建筑物区域,采用区域分割的原理,研究了建筑物自动检测的方法。该方法首先利用利用K-Mean分类方法将地物分为两类:人工地物类和非人工地物类,然后利用阴影、Mean Shift分割信息来剔除人工地物类中干扰区域,再根据形状分析来确定真实的建筑物区域。本文用上述方法对高分辨率航空影像进行了实验,实验结果证明了该方法有着较高的识别率、较好的准确性和鲁棒性,具有实用价值。     

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。     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于地物波谱形态参数化的高光谱图像分类方法研究

利用语素向量的形态描述方法实现地物波谱形态的参数化,以不同地物具有不同波谱曲线为地物分类准则,在MATLAB设计中,实现一种带通配符的地物波谱曲线形态差异遥感图像分类程序,应用此程序对高光谱遥感图像所得的分类结果与其他分类方法所得的分类结果进行对比.结果说明,此方法可以将地物波谱的波形信息最大限度地保留并利用,进一步解决遥感影像分类中"光谱值"相似及现有的光谱匹配方法受类内差异变化影响大的问题,运用Kappa系数的精度评价证明此方法对高光谱遥感图像的分类优于SVM分类方法.     

干旱区遥感图像目视解译的常见问题

遥感图像的解译标志反映着地物信息遥感图像的特征,这些特征能够帮助解译者识别影像上的目标地物,不同种类、不同地区的遥感像片所建立的解译标志虽然可以借鉴其经验,但由于地域、季节等差异并不能生搬硬套,文章针对我国干旱区遥感图像目视解译中应注意的问题作初步的探讨。     

基于PIE的高分遥感泥石流自动化变化检测方法研究

泥石流是在地形险峻的地区,因为暴雨、暴雪或其他自然灾害引发的山体滑坡并携带有大量泥沙以及石块的特殊洪流。传统的人工目视解译方法费时费力,且遥感数据的很多信息不能得到充分的发掘和利用,难以满足泥石流灾害调查,尤其是紧急救灾的急迫要求,计算机自动、半自动的泥石流淹没区域信息提取方法为灾后应急响应和灾情的快速评估提供了依据。该文根据泥石流发生前后高空间分辨率遥感影像变化特点,提供一种基于PIE SDK综合利用前后两期遥感影像的纹理信息和光谱特性,实现泥石流自动化变化检测的方法。该文方法对泥石流淹没区域的检测率达90%以上,虚警率在10%以下,这对于泥石流灾后应急响应和灾情的快速评估具有非常重要的实际应用意义。     

Landsat影像土地利用/土地覆盖信息快速提取技术研究

遥感图像快速识别是遥感数据应用于土地利用/土地覆盖动态监测的难点问题。根据海拔高差大地区地表覆盖的垂直性特点,利用数字高程模型分割影像,分析各区域的光谱特征和纹理特征,采用植被指数和纹理组合对不同区域地表信息进行提取,并根据野外实测数据进行精度验证。结果表明,该方法能有效提高地物识别精度,有一定实用价值。     

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.     

基于高斯混合模型的NSCT变换遥感图像融合

遥感图像中的能量信息反映了地物的电磁散射特性,具有重要的物理意义。而基于边缘特征的方法不能有效地保留能量信息的结构。对基于边缘的算法进行了改进,综合考虑了边缘和能量结构。采用非下采样Contourlet变换(NSCT)对图像进行分解和综合。利用高斯混合模型将低频系数划分为边缘和平滑两部分,对两区域分别采用基于边缘能量和局部能量的融合规则。高频子带使用重要性测度法进行融合。实验结果表明该算法融合效果较基于边缘算法有所改善,是一种有效兼顾细节和能量结构的方法。     

基于空间形态特征遥感边缘信息的提取方法

边缘信息是地物间波谱差异的反映.仅仅考虑灰度差异并不能满足专题信息-地物边缘提取的需要.加入地物的空间形态特征依据,可以使边缘信息提取更准确.在灰值形态学梯度算法和多方位形态结构元素形态学理论分析基础上,提出了提取遥感图像边缘信息的新方法.叙述了结构元素的设计和边缘提取过程,给出了应用实例并得到良好的视觉效果.     

基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.     

基于全自动泊车与对数变换法的轨迹图像边缘信息细节化检测

为解决传统边缘检测方法中阈值设置过高或过低,致使关键信息被遗漏或干扰信息被误看作重要信息,造成边缘检测结果不可靠的问题。通过引入自适应阈值思想,研究了基于全自动泊车的轨迹图像边缘检测方法。对采集的全自动泊车的轨迹图像进行直方图均衡化和自适应二值化处理,以及先腐蚀后膨胀的操作,对小对象物体及平滑较大物体边界进行消除。通过一阶微分算子求解经预处理后图像不同点的梯度幅值与梯度方向,细化梯度幅值图像中的屋脊带,仅保留幅值的局部极大值。采用对数变换法对梯度范围进行扩展。通过新的局部自适应阈值化方法确定阈值,实现全自动泊车轨迹图像边缘的初检测。针对轨迹图像边缘直线线段,选用Hough变换法提取其中的直线特征,获取直线轨迹。结果表明,所提方法边缘检测细节化好,可见整体性能优。     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

基于卫星遥感的输电沿线建筑物变化检测

准确、快速地实现建筑物变化检测对识别输电沿线隐患区具有重要的意义。随着卫星遥感技术的不断发展和进步,基于高分辨率遥感影像进行建筑物变化检测已成为研究热点。提出了一种融合阴影、建筑物指数、纹理、形状等特征的高斯概率模型实现像元级的建筑物初提取,在此基础上,结合多尺度分割结果实现对象级的建筑物变化检测,最后,将前后两时相对象级的建筑物提取结果进行空间叠加分析,并将叠加结果划分为建筑物新增、建筑物拆迁和建筑物改建三类。本文在研究区和验证区分别采用不同分辨率的遥感影像进行实验和验证,结果表明,该方法在不同尺度和影像分辨率下的建筑物变化检测均取得了实际效果和检测精度,可为输电沿线建筑物变化检测提供良好的技术支持。     

小波变换在医学图像边缘检测中的应用

边缘检测是医学图像处理中的一项基本内容.正确提取医学图像的边缘特征,无论对于描述目标还是解释图像都是十分关键的.由于小波变换具有良好的局部特性和多分辨率的特点,将基于小波变换的边缘检测方法应用于医学图像的边缘提取.实验结果表明,该方法不仅能有效地检测图像边缘,并且对噪声有良好的鲁棒性.     

建筑物指数与对抗网络结合的检测样本增广

在基于深度学习的遥感图像大范围目标检测中,部分地物获取难度较大,训练结果不佳。因此,本文利用形态学建筑物指数与生成式对抗网络进行样本增广,减少因检测样本不足导致的模型过拟合问题。通过提取纹理结构信息相关的形态学建筑物指数,将其与原始样本进行叠加,对建筑物的纹理与空间特征进行强化。同时利用已有样本训练生成式对抗网络以增广部分目标类别,并将其与形态学建筑物指数增强后的样本进行合成,以扩充原始样本集。相比于翻转,裁剪,色调变化的增广策略,使用该方法的检测精度在Yolov5,EfficientDet等模型上的检测精度均有2%-5%的提升。通过实验证明,利用建筑物指数与生成式对抗网络相结合的样本增广方法对于诸如发电站等特殊感兴趣类别的小样本遥感图像目标检测精度具有明显提升效果。     

An Approach to Extracting Fractal in Remote Sensing Image

In order to apply the spatial structure information to remote sensing interpretation through fractal theory, an algorithm is introduced to compute the single pixd fraetal dimension in remote sensing images. After a computer program was written according to the algorithm, the ETM＋ images were calculated to obtain their fractal data through the program. The algorithm has following characteristics： The obtained fractal values indicate the complexity of image, and have positive correlation with the complexity of images and ground objects. Moreover, the algorithm is simple and reliable, and easy to be implemented.     

高分辨率遥感影像中飞机识别研究

在目标识别领域,飞机是一种常被研究的对象,对飞机进行精确识别并定位,无论在军事打击和商业调查中都有重要意义。高分辨率图像中丰富的空间、光谱和上下文信息在带来更多有用细节信息的同时,也给飞机识别带来了更加复杂的背景干扰。主要研究应用面向对象的理念来实现对高分辨率遥感图像中飞机的识别。首先是图像预处理,即获得图像中的对象;然后是面向对象的图像识别,即提取图像对象的特征;并依据特征完成识别任务。利用的基本特征主要有图像对象的面积、长宽比、分散度、凸包缺陷。实验证明这种识别方法,对于不同朝向和大小的飞机都能取得较高的检出率。