联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测

随着传感器技术的飞速发展,基于多源光学遥感影像的变化检测已成为遥感领域中的研究热点。由于传感器成像差异,同一景象在多源光学遥感影像中通常呈现出不同的表现形式,因此面临着更加突出的“伪变化”问题。为此,本文提出了一种联合UNet++和多级差分模块的多源光学遥感影像对象级变化检测方法。该方法首先提出了一种多尺度特征提取差分(multi-scale feature extraction difference,MFED)模块,以增强模型对“伪变化”的识别能力;在此基础上,利用UNet++网络输出的多尺度特征对变化区域进行多角度精细刻画,并提出了一种自适应证据置信度指标(adaptive evidence credibility indicators,AECI);最后结合影像分割与Dempster-Shafer(DS)理论设计了加权DS证据融合策略(weighted dempster shafer evidence fusion,WDSEF),从而实现了深度网络像素级输出至对象级结果的映射。通过对不同地区的4组高分多源光学影像数据集进行试验,并与多种先进的深度学习方法进行对比分析,结果表明:在不同空间分辨率和时相差异条件下,本文方法的总体精度(overall accuracy,OA)和F 1 score分别可达91.92%和63.31%以上,在目视分析和定量评价均显著优于对比方法。

西南多源遥感影像水资源监测方法研究

为解决西南地区水资源监测的问题,结合遥感影像的近红外波段,对多源遥感影像进行全局线性拉伸,全局自适应gamma变换等预处理。提出了一种基于SegFormer水体提取方法,引入了注意力机制,提取不同分辨率下的水体语义信息,实现水体的高精度像素级分割,从而快速自动的监测西南地区水资源分布情况。以四川绵阳作为实验区,利用国家基础地理信息数据构建多源遥感影像样本数据集进行模型训练,对实验区的国产遥感卫星影像进行水体提取,实验结果显示:最高正确率为95.6%,召回率为97%,IOU为0.929。结果证明该方法的水体提取相较于其他方法具有更好地精度和鲁棒性。