基于Oracle多分辨率遥感影像数据库的设计

简要介绍了Oracle提供的Oracle Spatial和Oracle interMedia两个选件的特性,详细阐述了基于对象—关系模型的多分辨率遥感影像数据的组织和管理,并设计和建立了多分辨率遥感影像数据库的原型,采用了地形瓦片和影像金字塔的快速索引结构.实验表明该设计正确有效,能够平稳快速地实现多分辨率遥感影像的快调度显示。

基于大数据分析的高分辨率可见光遥感卫星影像解译能力评估

高分辨率可见光遥感卫星影像应用范围的不断扩大,对其解译能力提出了更高的要求。为了能够选取最佳的遥感卫星影像解译技术,需要对解译能力进行精准的评估与判断。本文结合海量影像数据,进行基于大数据分析的高分辨率可见光遥感卫星影像解译能力评估研究。深入分析遥感卫星影像解译能力影响因素,以此为基础,联合遥感卫星影像解译实际情况,选取适当的解译能力评估指标,应用大数据分析技术—模糊C均值(FCM)聚类算法对指标数据进行分类处理及其分析,基于熵权法计算解译能力评估指标的权重系数,结合当前解译能力评估指标数值,采用加权求和方法计算遥感卫星影像解译能力综合评估数值,从而实现了遥感卫星影像解译能力的有效评估。实验结果显示:应用该方法获得的遥感卫星影像解译能力评估时间最小值为16 s,解译能力评估结果与实际结果保持一致,充分证实了该方法解译能力评估性能较佳。

多尺度特征融合的Transformer遥感影像超分辨率重建

针对现有遥感影像超分辨率重建算法,在处理复杂场景时,存在无法充分提取和利用特征,且计算复杂度高的问题,提出一种多尺度特征融合的Transformer遥感影像超分辨率重建网络模型.该模型引入了多尺度残差Swin Transformer模块,在充分提取特征的同时,减少用于提取浅层特征的模块冗余;建立了一个特征细化融合模块,可以充分提取图像特征来提高网络性能.基于UC Merced Land Use公开数据集进行实验,结果表明:提出的模型所需参数数量仅为目前主流超分辨率重建方法 EDSR模型的61.6%,重建结果在不同尺度下的峰值信噪比和结构相似度相对EDSR分别平均提高了0.82 dB和0.024.通过对比分析,证明本文提出的模型在提高图像质量的同时,有效地减少了网络参数冗余,可明显提高重建图像质量,满足高分辨率遥感影像处理需要.

基于高分辨率遥感影像的居民地分类方法研究

随着我国城镇化进程的不断深入,大量乡村居民地已经转化为城镇居民地,为了度量二者实时的转化情况,该文提出一种基于监督分类机制的居民地分类方法,该方法首先采用边缘特征及高斯函数量化影像上的局部特征,然后构建5种城镇及乡村居民地分类规则,其次创建训练样本对各类规则进行学习,最后通过城镇及乡村测试样本验证该文方法的精度。实验表明,该文方法可以对高分辨率遥感影像城镇及乡村居民地进行初级分类,为“城镇化”进程提供一个新的衡量指标。

高分辨率遥感影像样本库动态构建与智能解译应用

在人工智能时代,遥感影像解译朝着自动化智能化方向发展,高质量的样本数据集是其核心。我国积累了海量优质的时空地理信息基础数据及衍生产品,是深度学习驱动的遥感影像智能解译样本的重要来源。盘活现有数据资源,可推动人工智能与遥感解译的应用深度与广度。本文基于现有数据资源,针对样本数据集区域受限、时效性不强、类型单一等问题,研究了面向深度学习的高分遥感影像智能解译样本库动态构建技术。首先,分析了要素提取、地表覆盖分类、变化检测方面的公开样本数据集的特点,提出业务驱动的样本应需生成-动态构建-智能应用思路;其次,研究了基于历史解译成果的样本自动生成、SAM大模型提示学习引导的样本清洗精化方法及实现过程;再次,设计了具有区域性、时序性、尺度性、多传感器、多类型的样本库,以及顾及空间-时间-地类关系的动态样本数据库架构,研究了样本数据集“量化-检索-组合”动态重构过程,实现时空样本的动态管理与多维检索;最后,开展了地表覆盖分类、要素提取、变化检测等智能解译应用,验证了本文研究思路及方法的可行性,以期推动基于已有基础数据的样本数据集的有效利用,以及样本构建-管理-应用及数据-模型-业务的互联互通,为高分遥感影像智能解译样本库构建与应用提供参考思路。

基于高分辨率遥感影像的土耳其地震建筑物震害特征

选取土耳其卡赫拉曼马拉什省努尔达吉镇城区和周边乡村地区作为研究区,通过获取地震前后的高空间分辨率遥感影像数据,提取房屋建筑震害信息,识别房屋建筑震害等级,利用震害指数计算区域内地震烈度等级,综合分析得到建筑物震害特征与主要成因,对地震灾情快速评估、应急救援和恢复重建具有重要参考。

基于HRNet的高分辨率遥感影像道路提取方法

高分辨率遥感影像中,传统的道路提取方法存在着精度低、鲁棒性低的问题,提出基于高分辨率网络(high-resolution net, HRNet)实现高分辨率遥感影像道路分割。对HRNet进行改进,将相同分辨率的HRNet子网的输出与输出层结果进行拼接并输入非局部块,两个损失函数Cross-entropy Loss和Dice Loss用来解决道路数据集样本不平衡问题。实验结果表明,改进的HRNet在公开的CHN6-CUG道路数据集上的分割性能与其他方法相比对道路的提取效果更好,在召回率、均交并比和F1分数3个方面分别达到了97.65%、84.91%和97.25%。

融合多重多尺度特征的高分辨率遥感影像建筑物提取网络

针对高分辨率遥感影像因复杂背景信息导致的建筑物边界、角点以及内部信息出现的错分、漏分问题,提出了一种融合多重多尺度目标特征的DPRS-Net深度学习网络。DPRS-Net采用Resnet50与Swin-T(Tiny)的并行编码结构以结合两种编码优势,进而获取特征图的大范围深层信息;利用跳跃连接降低建筑物的边界特征损失;引入特征金字塔注意力模块和密集空洞空间特征金字塔池化模块,使采样过程中的建筑物细节特征损失减弱。为验证模型的优势性、分析性能提升原因,在WHU和自建Changchun3建筑物数据集上进行对比和消融实验。结果表明,DPRS-Net在两种数据集上均取得更高的精度,提取的建筑物信息更为完整,且模型各结构均能有效提升预测效果。

基于小波多分辨率分析方法的海冰遥感影像数据融合

采用小波多分辨率分析方法 ,对辽东湾 2 0 0 0 0 1 18的海冰遥感数据 (NOAA/ARHRR和Radarsat/ScanSAR)进行了融合分析 ,并从几方面对结果作了深入的分析和对比。文中首次采用了小波分析中的多层分解和重构技术用于数据融合分析。

面向对象的高分辨率遥感影像数据的道路提取流程——地理国情普查数据的自动提取

为了提高地理国情普查数据生产的自动化程度,针对高分辨率遥感影像的特征,以道路为例,基于面向对象的思想构建了一套通用性较高的数据提取方法流程,并以北京门头沟、河南郑州市作为实验区,证实自动提取规则的有效性。研究结果表明,郊区道路的自动化提取精度比城区道路更高;大比例尺基础数据的引入,可屏蔽掉缓冲区外非道路要素的干扰,提高分类精度。

一种基于高分辨率遥感影像的近岸筏式养殖区提取方法

利用WorldView-2高分辨率遥感影像,提出一种SS-UNet网络模型用于筏式海水养殖区信息提取.在顾及筏式海水养殖区形状特征的情况下,SS-UNet模型在U-Net模型的“U”形架构上,引入SPM和SA模块.测试结果表明SS-UNet模型取得了最高的精度水平,其中M IoU和Kappa系数分别达到91.72%和0.9123.并且该模型可以更加准确地提取筏式海水养殖区,遗漏和错误分类等现象出现较少.与U-Net模型相比,在增加极少模型复杂度的情况下,SS-UNet模型的M IoU和Kappa系数分别提升了10.41%和0.126.结果表明,SS-UNet模型实现了在高分辨率遥感影像中近岸海域筏式海水养殖区提取的结果精度和提取性能的有效提升.

基于改进Swin-UNet网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法目前在建筑物提取任务中自动化水平低,以及现有的卷积神经网络(convolutional neural network,CNN)、UNet等深度学习方法在遥感影像建筑物提取中边缘提取效果差、提取不完整等问题,文章提出一种基于改进的Swin-UNet网络模型的建筑自动提取方法。新网络模型在原Swin-UNet网络结构基础上,采用跨块注意力机制(cross-attention block,CAB)取代原网络的Swin Transformer块来构建新的网络体系,在武汉大学航空(WHU)建筑数据集和美国马萨诸塞州建筑物数据集建筑物提取试验中验证了模型的适用性。研究结果表明,该方法优于支持向量机(support vector machine,SVM)算法及基于传统的深度学习方法,具有良好的分割精度和鲁棒泛化能力。

一种应用机载LiDAR数据和高分辨率遥感影像提取城市绿地信息的方法

提出了一种新的面向对象的城市绿地信息两阶段提取方法。该方法分阶段使用高分辨率遥感影像的光谱和2维形态信息以及机载LiDAR数据的3维形态信息作为分类依据。第1阶段,影像首先被分割为对象,对象被分类为无阴影的植被、阴影下的植被、水体、建筑物、空地和阴影6类地物;无阴影的植被和阴影下的植被合并为城市绿地对象,在第2阶段,将LiDAR数据产生的归一化数字表面模型nDSM与绿地对象叠加,计算每个对象的3维形态属性,进一步将绿地对象细分为草坪、灌木和乔木。以美国休斯敦中心城区为例,介绍了方法流程。精度分析表明,绿地的分类精度达到93.46%;方法中的主要误差来源于遥感影像当中的建筑物阴影以及生成数字地形模型时所产生的误差。

基于高分辨率遥感影像和改进U-Net的城市绿地提取

准确掌握城市绿地的面积和空间分布对于城市园林绿化规划和管理具有重要意义。针对U-Net网络提取城市绿地存在的参数冗余和边界特征丢失等问题,本研究提出一种基于改进U-Net网络的城市绿地信息自动提取方法。该方法采用MobileNetv2作为编码部分,结合交叉熵损失函数和Dice损失函数以提高模型的泛化性并解决样本不平衡的问题。同时,引入空间通道压缩与激励模块以解决边界特征提取不准确的问题,在提高模型精度和速度的同时,降低参数量。结果表明:(1)改进的U-Net模型在城市绿地提取的精度和速度方面优于其他4种经典模型,参数量仅为6.9M;相较于原始的U-Net模型,改进后U-Net模型的mIoU提高0.63%,参数量减少77.77%,平均帧数提高2.77倍,表明该方法在显著减少模型参数的同时,仍能保持较高的精确性。(2)实际应用方面,研究部署最优模型对长沙市区的绿地进行自动提取,共提取75549个绿地图斑,面积范围从0.0001hm^(2)到706.39hm^(2)不等;分区统计结果显示,岳麓区绿地面积最大,芙蓉区最小,与目视解译结果基本一致。本研究不仅提供了一种改进城市绿地提取精度和速度的方法,而且具有一定的实用价值,为城市绿化规划和管理提供有力的数据支持。

基于MFF-Deeplabv3+网络的高分辨率遥感影像建筑物提取方法

为提升高分辨率遥感影像中建筑物提取的精度,提出一种基于MFF-Deeplabv3+(multiscale feature fusion-Deeplabv3+)网络的高分辨率遥感影像建筑物提取方法。首先,设计多尺度特征增强模块,使网络能够捕获更多尺度的上下文信息;然后,设计特征融合模块,有效融合深层特征与浅层特征,减少细节信息的丢失;最后,引入注意力机制模块,自适应地选择准确特征。在Inria建筑物数据集的对比实验中,MFF-Deeplabv3+在PA、MPA、FWIoU、MIoU指标中取得最高精度,分别为95.75%、91.22%、92.12%和85.01%,同时在WHU建筑物数据集的泛化实验中取得不错的结果。结果表明,本方法在高分辨率遥感影像中提取建筑物信息精度较高,且具有较好的泛化性。

利用高空间分辨率卫星遥感数据制作影像交通图

从高分辨率卫星遥感影像图中可以获取大量与交通规划、控制与管理相关的信息,如土地利用、交通小区人口、城市道路网络、交通流量分布、交叉口类型、停车场分布、建筑密度和容积率,甚至主干道路渠化信息等。制作遥感影像交通图能够直观、生动、形象地表述这些信息,并能实现一图多用、一库多用。本文就高分辨率遥感影像交通图的优点、内容、制作的技术路线,以及若干关键技术进行了探讨。

高分辨率遥感影像结合LiDAR数据的面向对象分类方法

为了更准确地对遥感数据进行分类,结合Geo Eye高分辨率遥感影像和机载Li DAR数据,通过对分割参数、特征选择、分类规则等特征进行研究,提出采用面向对象的模糊分类方法——成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提取出建筑物、煤堆、灌木等矿区典型地物,总体分类精度达到93.92%,KIA为92.52%,分类精度相比单一遥感数据明显提高。

结合高分辨率遥感影像与DLG数据的面向对象道路面提取研究

从高分辨率遥感影像上提取道路一直是遥感影像处理的研究热点之一,但受制于有限的光谱信息和形态特征,难以进行快速、高效地自动或半自动提取。本文以高分辨率遥感影像WorldView-2作为数据源,充分利用DLG(数字线划图)的道路空间位置和属性信息,采用面向对象分类技术,探究了提取道路面的应用方法。对各种方法进行了比较分析,讨论了其优缺点,实验证明利用DLG数据作为约束条件能高效地提取出道路面。本研究提出的道路面提取方法能直接应用于地理国情监测的地表覆盖等研究。

高分辨率遥感影像城市建筑垃圾自动识别的多种标注形式对比研究

数据集的构建是深度学习目标识别中最基础的工作,其在很大程度上决定了目标识别的精度。为研究不同标注形式的数据集对建筑垃圾识别检测效果的影响,分别采用正矩形、旋转矩形和多边形3种标注框的形式标注高分辨率遥感影像中的建筑垃圾,构建了正矩形建筑垃圾数据集、旋转矩形建筑垃圾数据集和多边形建筑垃圾数据集。对比分析实验结果发现:多边形标注框形式的最终识别正确率和识别精准率最高,最适宜建筑垃圾识别模型的构建;利用正矩形和多边形建筑垃圾识别模型均可有效实现对建筑垃圾的自动定位、识别和提取,且多边形建筑垃圾识别模型还可以识别建筑垃圾的轮廓,可以结合实地建筑垃圾高度估算建筑垃圾体积,为建筑垃圾的精准管控提供数据基础和技术支持。

基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法

高精度的水体提取有助于水资源监测和管理。目前基于遥感影像的水体提取方法缺乏对于边界质量的重视,造成边界划分不准确,细节保留度低的问题。为了提升遥感影像水体提取的边界与细节的精度,提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法,包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。分层特征提取模块中,引入了通道注意力结构,用于整合高分辨率遥感影像中水体的形状、纹理和色调信息,以便更好地理解水体的形状和边界。在融合多尺度特征的堆叠连接解码器模块中,进行了多层次语义信息的堆叠连接,并加强了特征提取,同时捕捉了广泛的背景信息和细微的细节信息,以实现更好的水体提取效果。在自行标注的数据集与公开数据集上的试验结果表明,模型的准确率达到了98.37%和91.23%,与现有的语义分割模型相比,提取的水体边缘更加完整,同时保留细节的能力更强。提出的模型提升了水体提取的精度和泛化能力,为高分辨率遥感影像水体提取提供了参考。