基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。

倾斜摄影测量在农村房屋调查中的应用

为提升农村房屋调查自动化程度,本文提出了一种基于无人机倾斜摄影测量的农村房屋调查方法。选择武汉市远城区某村133幢房屋作为实验对象,利用无人机倾斜影像进行房屋三维重建。首先,运用平面探测算法和区域生长算法粗略获得房屋的屋顶和立面信息。其次,根据空间一致性原则对所有离散的小平面进行聚类融合,选取3种约束线优化屋顶轮廓自动拟合效果。最后,与数字正射影像图对比,对其手动进行调整和优化,实现房屋精细化重建,并自动提取房屋(包括阳台和隔热层)的边长、高度、面积等数据及分层分户图等图件。实验结果表明,获取的房屋占地面积合格率为77%,房屋建筑面积合格率为70%,该方法较野外实测法可节约47%的时间,很大程度提升了农村房屋调查自动化程度,为农村房屋调查提供了技术参考。

多结构卷积神经网络特征级联的高分影像土地利用分类

高分辨率遥感影像包含丰富的土地利用类型信息,针对单一卷积神经网络提取图像特征信息不足的问题,提出了一种多结构卷积神经网络(convolutional neural network,CNN)特征级联的分类方法。首先,选择CaffeNet(convolutional architecture for fast feature embedding)、VGG-S(visual geometry group-slow)、VGG-F(visual geometry group-fast)为实验初始模型,对网络全连接层进行参数微调,采用随机梯度下降法(stochastic gradient descent,SGD)更新网络的权重;然后以微调后的网络分别作为特征提取器对图像提取特征,级联上述3种网络的第二个全连接层输出特征作为图像表达;最后,以多类最优边界分配机(multi-class optimal margin distribution machine,mcODM)获得最终分类结果。实验采用UC Merced land-use数据集进行分类效果检验,结果表明,多结构卷积神经网络级联的方法能够达到97.55%的总体分类精度,相较于CaffeNet、VGG-S和VGG-F等,分类精度分别提升了5.71%、2.72%和5.1%。因此多结构卷积神经网络特征级联的方法能够有效提取目标特征信息,提升土地利用分类精度。