改进YOLOv3算法的遥感图像道路交叉口自动识别

针对道路交叉口目标较小、存在较多的植被遮挡、邻近地物颜色相近等问题,文章提出了一种改进的YOLOv3高分影像道路交叉口目标检测算法-CSC-YOLOv3。该方法首先使用CIOU损失函数改进原来YOLOv3的目标定位损失,降低目标漏检率;其次,通过在YOLOv3的主干特征提取网络后添加空间金字塔池化模块,增大网络的有效感受野;最后,在YOLOv3网络的三个特征层结构以及两个上采样结构中引入注意力机制模块,提升网络检测精确度。在自制的道路交叉口数据集上对算法进行了实验验证,结果表明,CSC-YOLOv3算法的精确率、召回率、平均精确率和F1分数分别达到了86.05%、70.19%、83.71%、77%,比原始YOLOv3算法分别提高了6.54、8.55、11.74和8个百分点,虽然FPS降低了3帧/s,但是其检测性能的提升弥补了速度上的不足,有效提升了高分遥感影像对道路交叉口的检测效果。

基于改进Encoder-Decoder网络的遥感影像道路提取

本文针对高分遥感影像中蕴含的丰富信息给道路提取结果带来的干扰问题,提出了一种基于改进Encoder-Decoder网络的高分遥感影像道路提取方法。首先在编码区引入残差模块提取图像特征信息,然后在网络的中心区域引入空洞卷积模块,进一步拓展了识别道路特征像素信息的感受野,并保障了特征图分辨率以及像素点空间信息保持不变,增强了网络的细节提取能力,最后使用Sigmoid函数对特征图进行分类。本次实验采用马萨诸塞州道路数据集作为训练数据,实验结果表明,本文所提出的基于改进编码–解码网络道路提取方法将整体的精度、召回率以及F1-score指标分别提升至91%,58%和71%,与U-Net模型相较有着明显的提升。

道路信息提取的GF-2影像融合方法对比分析

本文针对适用于GF-2卫星影像道路信息提取的影像融合方法,进行了对比与分析。通过对GF-2影像的全色及多光谱数据进行融合实验,比较分析了6种常用的影像融合方法。从主观定性评价和客观定量评价两方面进行分析,筛选出融合后影像质量较优的方法;然后选取较优融合方法进行道路信息提取,并对比了道路提取的精度,得出最适合GF-2影像的道路信息提取融合方法。结果表明,6种融合方法中NNDiffuse变换和GS变换融合质量较好,基于NNDiffuse融合的影像的道路信息提取精度高于GS变换。因此,NNDiffuse变换相比于其它5种融合方法更适用于GF-2卫星影像在道路信息提取中的应用。

分段线性Morse理论支持下的三维点云拓扑特征提取与简化

针对目前基于Morse理论的三维点云拓扑特征提取算法难以删除“伪特征”点,简化后存在噪声特征线的问题,提出了一种基于分段线性Morse理论的三维点云特征提取与简化算法。首先计算函数指标,对特征点进行提取,以各特征点为顶点所包含的三角形为一个集合,计算该集合中两两相邻的三角形法向量的点积,将其最大值作为该点权重,并设置合适的阈值去除“伪特征”点;其次通过特征点生成特征线,完成下降Morse复形的构建;最后选择特征线上不同点的函数指标值,分别计算持续值和考虑特征线实际留存价值的保留系数,两者结合对原有“持续值”法进行改进,得到新的特征线重要性度量指标,并基于该指标实现对三维点云拓扑特征的简化与表达。结果表明,相较其他算法,所提特征提取算法显著减少了“伪特征”点提取,使下降Morse复形构建的时间效率提高了70.37%,点云压缩率提高了22.48%。新的特征线重要性度量方法能获取更简洁、连续且结构完整的特征线,且特征提取与简化过程表现出较强的抗噪性。