农田遥感识别方法与应用

农田识别是进行作物的长势监测、产量预报和时空特性研究的基础,能够为国家农业政策的制定提供数据支撑。基于像元的传统农田遥感识别方法只利用了影像像元的属性信息,造成农田识别精度不高。面向对象的识别方法根据多尺度分割后得到对象的光谱、形状和纹理属性分类,提高了农田识别的精度。随着航天技术快速发展,与中低分辨率影像相比,高分辨率遥感影像能够提供更丰富的光谱、形状和纹理特征的目标地物,但同时信息量和数据量呈几何级数增加的高分辨率遥感影像给现有的农田遥感识别方法带来极大挑战。回顾了中低分辨率和高分辨率的农田遥感识别方法的研究进展,重点阐述了多尺度分割与三种监督型机器学习算法组合的面向对象的识别方法。结果表明,以机器学习算法为基础的面向对象分类的总体精度都高于96%,卡帕系数均超过0.93。     

基于语义分割的遥感影像建筑变化检测

遥感影像变化检测是利用多时相影像确定一定时间内地物或现象的变化，提供地物空间变化的定性与定量信息。传统遥感影像变化检测方法主要基于地面纹理及空间特征的方法，存在着难以精确识别遥感影像中新增建筑物的问题，为此该文提出了一种基于UNet网络的遥感影像建筑物变化检测方法。首先，将轻量级高效通道注意力机制网络（efficient channel attention network, ECANet），注入到原UNet网络模型，调整并优化网络结构，提升影像分割的准确度。然后改进SENet网络参数，提高遥感影像中的建筑物变化检测的精度。该文在高分辨率数据集LIVER-CD上进行实验，结果表明，所提方法的语义分割准确度达到99.03%，建筑变化检测准确率达到98.62%。相比于其他方法，该方法增强了影像的有效特征，提升了遥感影像中地面建筑物的检测精度。     

面向地理国情监测的CRF遥感影像分类

针对地理国情监测中地表覆盖信息的提取,提出了一种基于条件随机场的高分辨率遥感影像自动分类方法.与面向对象的传统分类方法不同,该方法基于概率图模型分别计算像素级和对象级的势函数,以及像素与它所属对象之间的层间势函数,将所得势函数统一到一个CRF模型中进行图割求解.该方法较充分地表达了像素与对象之间的关系,从而降低了对象分割误差传递对影像分类结果的影响.以“高分1号”遥感影像为实验数据,借鉴地理国情普查中地表覆盖分类体系进行实验验证.分类总体精度和平均精度分别达到91.08%和86.95%,远高于基于面向对象的分类结果.     

面向对象的无人机影像地物分类

为了对农村用地进行有效分类,本文选取面向对象的分类方法,利用某农村的无人机航摄影像提取其土地类别信息.首先对无人机获取的原始影像进行预处理;然后对研究区反复进行分割实验,选取最优的分割尺度,在不同层次进行最优尺度地物分割;最后根据地物矢量、光谱、形状等特征差异,对最优分割尺度层上的地物进行最适宜的分类规则的建立,进而在...     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.     

GIS数据约束的海岸带SAR图像多尺度分割

针对海岸带区域地理信息系统(geographic information system, GIS)矢量数据和合成孔径雷达(synthetic aperture radar, SAR)图像所表达信息的不同,探讨多尺度GIS矢量数据约束下的高分辨率SAR图像多尺度割. 在县级GIS矢量数据约束下,利用分形网络演化分割方法对高分辨率SAR图像进行分割,得到第1层分割结果. 然后在省级GIS矢量数据约束下,对第1层分割结果进行聚合,得到第2层分割结果. 该方法既能实现GIS矢量数据约束下的高分辨率SAR图像多尺度分割,获得满足GIS矢量数据约束和根据后向散射特征聚合的多尺度分割结果,又能消除瞬时SAR图像海岸线不确定的不足. 利用一幅天津地区的SAR图像进行实验,证实了该方法是一种有意义的图像多尺度分割方法,且得到的分割结果可用于有特定需求的图像分析和统计.     

基于无人机多光谱的黄土高原植被提取分割分类研究

【目的】植被作为生态系统的主要组成部分,其种类和数量及其变化对生态系统有着重要影响。探究在我国黄土高原小流域进行植被提取分割时的最优分割尺度,有助于快速准确地提取植被信息,对于监测黄土高原生态系统状况和维持生态系统稳定具有重要意义。【方法】基于吴起县柴沟流域无人机多光谱影像和面向对象的方法,使用eCognition软件对影像进行多尺度分割研究。【结果】经分析,在分割尺度为240、形状权重为0.7、紧凑权重为0.1时影像的分割效果最好,基于该分割结果,选用纹理特征和光谱特征为分类指标,采用随机森林方法对影像进行分类,分类总体精度和Kappa系数分别为96.2%和0.951。【结论】研究结论可为柴沟流域植被结构优化及黄土高原生态环境保护和植被恢复治理提供技术参考。     

基于无人机高分影像的绿地面积提取

无人机高分影像相比传统遥感影像具有一定的优越性,用途十分广泛。传统遥感影像分类技术不再适用于无人机高分影像,本文采用面向对象的分类方法,经过多次实验对比选择出合适的分割尺度再进行分类,可以从影像中较为准确提取出绿地。     

应用商空间理论的遥感影像多粒度合成分割

传统影像分割方法只能对影像进行单一粒度空间的分割,分割结果的准确性限于单一粒度空间,该文运用商空间理论提出一种遥感影像多粒度合成分割方法. 首先探讨多粒度影像分割的商空间模型,用影像数据场表达像元空间关系,用分形维数特征增强人工地物和自然场景的区分能力. 对灰度特征、影像数据场、分形维数分别进行分水岭分割和迭代自组织数据分析(ISODATA)聚类,获得多粒度分割结果. 最后基于粒度合成原理给出一个具体的多粒度影像分割的商空间合成算法. 实验表明该方法能充分利用各个粒度空间分割结果的优点,纠正了单一粒度空间的分割错误,分割结果更准确.     

双时相影像联合不确定性对变化检测精度的影响机理探索

研究了双时相影像的联合不确定性对变化检测结果精度的影响机理,为通过抑制不确定性的方法提高变化检测精度的工作奠定理论基础.首先利用联合熵对双时相影像的联合不确定性进行量化评估;进而基于空间统计相关方法,研究影像的联合不确定性与双时相影像变化检测精度指标之间的关系;最后建立双时相影像联合不确定性对变化检测结果精度的作用模型.实验结果表明:双时相影像的联合不确定性与变化检测结果的精度之间呈现出强负相关性,且对变化检测结果精度的影响模式具有线性特征.     

基于GF-1影像矿区植被变化检测研究

在不同时期高分辨率遥感影像的情况下,结合e Cognition软件面向对象的影像信息提取,对赣南稀土矿区的植被生长做变化检测,能够反映矿山的生态变化状况,为矿区管理和环境治理提供了科学依据。     

SIFT特征匹配无人飞艇多光谱影像拼接

无人飞艇抗风能力弱、稳定性差且不符合航摄规范,采用传统方法对其所获取的影像进行拼接往往达不到较高的精度. 为此,该文提出一种基于尺度不变的特征变换进行多光谱遥感影像特征匹配的拼接. 将多光谱信息引入SIFT特征向量集,采用BBF(best-bin-first)算法和随机抽样一致性方法进行粗、精匹配处理和误差剔除,以SIFT特征匹配计算的最优变换矩阵实现光谱影像拼接. 对无人飞艇获取的多光谱影像拼接实验结果表明,所提出的方法能获取大量匹配特征点,且影像间的变换矩阵稳健,光谱影像拼接精度和效果能满足判读解译的需求.     

一种基于自适应高提升滤波的遥感影像的阴影处理方法

利用遥感影像的颜色特性,基于亮度的阈值检测方法,将阴影区和光照区进行分割;通过高提升滤波方法对阴影区域进行补偿处理.实验证明,对分割出的遥感影像的阴影区域进行补偿处理后,区域内形状信息更加明显.经如上方法预处理后,明显提高了遥感图像超块分割的精确度,进而提高目标物体提取的精度.     

小波系数插值支持下的遥感影像混合像元分解

针对遥感混合像元分解中不能有效利用空间邻域信息的问题,提出一种基于超分辨率重建的分解方法. 通过小波系数双线性插值获得遥感影像的超分辨率影像,对超分辨率影像进行监督分类生成超分辨率分类图,最后通过窗口统计得到原始分辨率下各地物的丰度图. 广州城区的模拟TM遥感影像试验表明,该方法的分解精度
在3种方法中最优,能够较充分利用空间邻域信息,提高混合像元分解精度,为混合像元分解提供了新的途径.     

基于多特征卷积神经网络的哨兵二号影像地物分类

空间分辨率为10 m的哨兵二号影像在原始的GoogLeNet中以影像的光谱值作为输入，没有将影像中的地物视为一个整体对象，为了利用影像的面向对象特征，提出了基于多特征的Object-oriented GoogLeNet网络结构。Object-oriented GoogLeNet在原有模型的基础上，引入了面向对象的光谱特征和形状特征，充分利用了不同地物间差异的形状特征进行分类。在武汉市及其周边的无云影像制作的数据集上，Object-oriented GoogLeNet模型的分类结果总体精度在GoogLeNet基础上提升了1.773%。结果表明，引入面向对象的特征模型在哨兵二号遥感影像分类中效果更好。     

注意力引导的三维卷积网络用于遥感场景变化检测

场景级变化检测策略可以容忍高分遥感影像的大量噪声,进而从语义层级更准确地描述遥感图像在前后时相的变化,为高分辨率影像变化检测提供了可能.本文提出了一种注意力引导的三维卷积神经网络用于高分遥感影像场景变化检测的方法.首先构建一个在AlexNet基础上进行简化的三维卷积网络,然后加入一个语义注意力模块来进一步提取地表覆盖变...     

基于面向对象方法的汶川地震土地覆被快速提取

"5.12"汶川8.0级地震后,如何高精度快速提取灾害背景特征参数成为遥感技术在地震应急工作中应用研究的关键.随着高分辨率遥感影像的发展,传统基于像元的分类技术已不能满足需求,引入面向对象的信息提取技术,充分挖掘影像对象的纹理、形状和相互关系等信息,能够有效的提高震害的分类速度与精度.本文通过获取北川县城及附近震前震后的福卫二号影像,对北川县城震前震后的土地覆被变化进行面向对象方法的快速提取.研究表明,面向对象分类方法精度高,Kappa系数远大于传统的监督分类方法,提取速度快,能满足提取速度8小时以内的要求.     

面向对象的机载LiDAR数据建筑物提取

基于LiDAR数据,提出一种由粗到细的面向对象的建筑物自动提取方法.首先通过机载LiDAR数据构建出归一化数字表面模型(normalized digital surface model, nDSM),利用首尾两次回波高程计算出归一化差值(normalized difference, ND),并采用形态学运算消除边缘特殊回波点.基于nDSM和ND数据,依据建筑物的高程及穿透性信息,用阈值分割法进行建筑物粗提取.结合nDSM和ND数据以及强度信息,对粗提取得到的备选建筑物采取多尺度分割,合并亮度值相差较小的邻近分割结果对象,达到对分割结果的优化处理.最后利用目标对象的亮度、形状、面积和空间关系等特征,完成建筑物的精提取.实验结果表明,该方法可得到较高精度的建筑物信息,是基于机载LiDAR数据提取建筑物的新思路.     

纹理信息对Spot5影像分类的影响

遥感影像的纹理分析是一种非常重要的提高影像分类精度的一种手段,怎样借助纹理对影像进行分析,解决不同地物的识别,满足一定的分类精度,对遥感影像研究具有非常重要的意义。本文就采用面向对象的纹理分析方法,研究纹理对Spot5影像分类的影响。     

基于面向对象的CBERS-02B影像船舶提取

本文基于面向对象的思路,使用CBERS-02B高分影像,结合Sobel边缘检测分割图像,以鄱阳湖水域的船舶为提取目标,确定了水域内不同船舶的分割尺度,单体船为73以及并排船舶为85。在此分割基础上,对船舶进行特征提取,实验结果中船舶的边缘提取效果明显。