基于改进UNet++的高分辨率遥感影像道路提取方法

为了解决高分辨率遥感影像中道路提取的质量和效率问题,本文提出了一种融合CBAM的改进UNet++的道路提取方法。在原始UNet++网络中引用CBAM,对损失函数进行改进,并使用一种新的联合损失函数。试验结果表明,与U-Net、SegNet和UNet++网络相比,本文方法在IoU、Recall、OA和Kappa方面均是最优秀的。其中,OA和Kappa分别为94.92%和0.9202。综上所述,本文方法能够有效进行高分辨率遥感影像道路提取,具有一定的泛化能力,能够为道路的防护和规划提供支持。

一种基于特征点过程的遥感影像道路中心线提取算法

针对现有的道路提取算法提取速率低和完整度低等问题,提出了一种基于特征点过程的遥感影像道路中心线提取算法。根据道路区域的光谱性构建特征点过程,并利用线(表征道路段)连接特征点构成初始的网络结构;根据道路的连接性、弯曲性等特点对网络结构进行约束,同时,根据道路光谱性构建了学生-检验光谱测度约束模型;结合以上模型构建道路提取模型,并设计相关的模拟算法求解提取模型,在最大化后验概率准则下获得最优的道路中心线。以Ikonos,GeoEye-1,Gaofen-2卫星影像为实验对象验证和比较了提出算法和对比算法,利用缓冲区评价法对实验结果进行了定性和定量评价。结果表明,提出算法提取道路中心线的速率和完整度有显著提高,证明了该算法的有效性。

基于决策树的京津冀地区Landsat图像分类

遥感图像是获取土地覆被信息的重要数据源,基于遥感数据的及时性、高效性、精准性等优点进行土地覆被分类是当前的研究热点。文章采用决策树分类技术,将京津冀地区作为研究区,结合京津冀地区土地覆被的分类特征,建立一套符合京津冀地区的图像分类体系。以Landsat 8数据为原始数据,基于不同类型的光谱特征构建决策树模型,获取研究区地表覆被分类结果,所得结果直观地反映了京津冀地区土地覆被的分布特征。