基于深度学习的高分遥感图像建筑物识别

该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。

基于深度学习的建筑物识别及占用耕地建房自动化监测--以湖南省长沙市X村为例

针对农村普遍存在的占用耕地建房现象,基于深度学习和图像分析提出了一种自动化监测方法,通过对高分辨率遥感影像数据的预处理,构建基于卷积神经网络的自动化监测模型,有效判定目标影像中的每个像元格是否占用耕地建房。以湖南省长沙市X村为例,横向比较U-Net、SegNet、DeepLabV3p模型的识别能力。结果表明,当学习率为0.01、批大小为2、迭代次数为100次时,U-Net模型对建筑物的识别结果最佳;该模型共发现66宗潜在占用耕地建房案例,识别结果准确率高且耗时短;该模型充分运用了现代信息技术及方法,可在一定程度提高土地执法监察的工作效率、节省工作时间及资源。

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。

高分辨率航空遥感图像的建筑物识别

目前深度学习方法的研究已在语音辨别、图像识别、信息检索等方面取得较大成果。建筑物的自动检测与识别已成为遥感图像处理范畴研究的热点。针对高分辨率航空遥感影像中的建筑物快速、精准识别的应用问题,文章提出利用深度学习方法中的快速区域卷积神经网络(Faster RCNN)模型对航空遥感图像进行建筑物识别,经验证,利用Faster RCNN模型对航空遥感图像进行建筑物识别其结果可达93.7%的精准率,平均每张图像识别时间为74 ms,证明了Faster RCNN模型应用于航空遥感图像建筑物识别中的有效性及高效性。

线段提取在高分辨率遥感图像建筑物识别中的应用

提出一种基于感知组织的线段提取方法该方法有两大特点:在基本线段提取算法中使用了模板,并且在线段合并过程中综合考虑了直线和物体的形状特点运用该方法对高分辨率遥感图像中的建筑物进行识别。

局部特征结合形状轮廓匹配的建筑物识别算法

针对经典不变特征提取算法时间较长的缺点,提出一种局部特征结合形状轮廓匹配的建筑物识别算法.首先根据整体建筑物容易受到旋转、倾斜度的影响,提取已知建筑物的局部特征点,确定其方向,对其位置、角度等进行矢量描述;同时依据建筑物不同状态下的尺度变化信息,制定任意形状轮廓匹配相似度准则及映射函数,实现不同光照、不同尺度下的建筑物识别.仿真实验结果表明,该方法可以快速、准确地适应不同环境下的建筑物识别.

基于小波变换的卫星遥感地图中建筑物识别

建筑物作为城市的一个重要特征,对它的识别已经被广泛应用在城市仿真等许多领域。目前,传统方法通常采用基于建筑物边缘线性特征的识别算法,虽然该类方法具有简单高效的特点,但识别率较低。提出了一套基于小波变换的建筑物识别方法。首先,利用二进小波变换检测建筑物边缘,然后通过计算基于小波的仿射不变量识别建筑物,最后构建了建筑物轮廓模式数据库。实验结果表明所提方法能够准确有效地识别卫星遥感地图中的建筑物。

基于图像序列的特定建筑物识别算法

本文提出了一种识别特定建筑物,并进一步与数据库存放图像进行匹配从而得到相应位置信息的算法.算法采用霍夫变换进行直线检测并计算消失点来进行建筑物存在性预判,进而提取SIFT特征进行图像匹配获取位置信息.直线检测、消失点检测和SIFT特征在本文提出的算法中发挥主要作用.

基于ORB特征的户外建筑物识别方法

在景点导游系统、户外广告等增强现实系统中,户外建筑物识别有较大的应用价值。本文讨论了一种户外建筑物的识别方法,其特点是把整个系统分为服务器/客户端设计。设计中,在服务器端可以利用服务器强大的计算及存储能力来计算感兴趣区域（POI）的建筑物的ORB特征;客户端通过摄像头等设备抓取视频帧并获取当前视频帧的ORB特征传递给服务器;服务器通过汉明距离匹配这两组ORB特征,得到最匹配的建筑物信息返回给客户端。为了提高识别效率,预先将POI划分成二维网格,并根据客户端的GPS信息定位在其中一个单元格中,匹配时,只需要遍历比较已定位单元格的8个邻域中的建筑物即可。

基于改进HOG特征的建筑物识别方法

随着机器学习方法的广泛应用,建筑物识别技术得到了快速的发展,识别的准确性一直是人们关注的重点。梯度方向直方图(HOG)特征提取方法中的梯度求解方式不能有效提取建筑物的边界特征,直接影响了识别的准确性,提出基于方向可控滤波器的HOG算法,利用支持向量机学习方法实现建筑物的识别。实验结果表明,该方法在平均准确率、TP、FP、召回率、精确率和F_1值等指标上优于基于方向可控滤波器的建筑物识别方法,证明了该方法可以有效识别建筑物。

一种基于改进FCN的多光谱图像建筑物识别方法

多光谱图像的建筑物目标在不同尺度下具有不同特征,利用传统全卷积神经网络(FCN)进行识别时精度较低。为此,提出一种基于改进FCN的多光谱图像建筑物识别方法。通过旋转图像进行训练集扩充,从网络的第1层～第12层提取图像在4个旋转角度和不同尺度下的低层特征,将其归一化为同样尺寸的图像后提取更高层特征,以实现对多光谱图像建筑物的精确识别。实验结果表明,相比传统FCN方法,该方法能够提高识别的精确率与召回率。

基于迁移学习与自适应特征融合的建筑物识别

特定建筑物识别可应用于旅游景点地点的查询。针对现有特定建筑物识别方法特征提取困难、识别率低等问题,提出一种基于卷积神经网络的特定建筑物识别方法。针对数据规模小的限制,提出利用预训练的VGG-16网络进行迁移学习,以改善网络效果。为了充分利用VGG-16网络中各层提取出的特征,提出自适应特征融合的方法。该方法针对网络中不同层提取出的特征图的层次不同、尺度不同的特点,给每个特征图设置可学习的权重,进而融合在一起进行预测。通过从网络上爬取的6273张12类旅游景点建筑物图片作为数据集,对提出的方法进行验证。使用VGG-16网络训练,最终准确率为97.86%,处理速度为296 fps。利用自适应特征融合改进VGG-16网络,改进后最终准确率为98.93%,处理速度为289 fps,比改进前准确率提高1.07%。

基于深度学习的建筑物识别

针对随着城市化的快速发展,城市与城市间的辨识度越来越弱,城市地标的概念越来越热门这一现象,提出了一种基于深度学习的建筑物识别方法;使用改进的Faster R-CNN算法作为训练模型,首先,将需要识别的图片输入深度神经网络,提取出特征框图;然后,模型通过区域建议网络预测目标建筑物所在位置的区域建议,并将这些区域建议映射到特征框图上,RoI Pooling层将这些区域建议转换成固定大小的特征框图;最后使用非极大值抑制从预测边界框中移除相似的结果,得到预测边界框以及边框中目标建筑物的类别和概率;实验结果表明:在训练数据集充足的条件下,使用此方法对地标建筑物的识别率能达到90. 8%,通过与其他模型比较分析,该模型具有较好的识别效果。

融合CANNY算子与HOG算子的建筑物识别方法

建筑物由于其多样性和所处环境的复杂性成为了计算机视觉领域研究的热点。针对当下识别建筑物的方法准确率不高的问题,提出了融合CANNY算子与HOG算子的方法识别建筑物。利用CANNY边缘检测算子提取建筑物的边缘信息,之后对边缘检测后的建筑物图像使用HOG算子提取其边缘轮廓特征,构造特征向量,将其输入非线性支持向量机(SVM)中进行分类。通过在Sheffield建筑物数据集中进行验证,其识别准确率可以达到97%以上。实验结果表明,提出的方法在识别建筑物的鲁棒性及准确度等方面具有相对较好的效果。

基于改进SIFT算法及定位信息的建筑物识别系统

为了解决小范围、图像数据较少区域内传统建筑物识别系统精度偏低的问题,本文提出一种基于改进SIFT算法与GPS定位信息相结合的建筑物识别系统,并在系统中加入对建筑物存在可能性预测的预处理机制,进一步提高准确性和快速性。实验验证结果表明,该方法为可行有效的且实际效果良好。

灾情图中建筑物识别算法的研究

破坏性地震会带来巨大的危害和损失,震后2小时内灾情信息极度匮乏.为了更加及时而准确地获取灾情图中的建筑物信息,本文提出了一种能够自动识别灾情图中建筑物轮廓的方法,通过对比多种图像边缘检测算法后,采用Canny算法获得灾情图中建筑物的边缘图像,利用Hough变换提取出直线,并根据直线间的位置关系生成直线关系图,进而检测识别出建筑物.实验结果表明:通过有针对性的图像建筑物特征提取,经过大量的训练后,计算机能自动识别图像中的建筑物灾情信息,并将其提取出来,该算法对部分损坏严重的建筑物识别效果不佳,后续将进一步对算法进行改进.该算法为后续实现在通信带宽受限的情况下,对灾情图像进行有针对性的处理提供帮助,具有重要意义.

MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法

为了进一步提高遥感图像建筑物区域的识别精度,提出了一种基于中值稳健扩展局部二值模式(median robust extended local binary pattern,MRELBP)、Franklin矩和布谷鸟优化支持向量机(support vector machine,SVM)的分类方法。首先,通过MRELBP特征算子计算图像块的纹理特征向量,并根据Franklin矩得到形状特征向量,组合图像块的纹理特征向量和形状特征向量得到综合特征向量;然后,利用训练样本对SVM进行训练,同时由布谷鸟搜索算法对SVM的核函数参数和惩罚因子进行优化;最后,通过训练好的SVM得到建筑物区域识别结果。通过30组试验的结果表明,与基于三原色(red green blue,RGB)和SVM的分类方法、基于LBP和SVM的分类方法、基于Zernike矩和SVM的分类方法相比,本文提出的方法所识别的遥感图像建筑物区域准确度更高。

一种结合阴影信息的建筑物层数识别方法

建筑物层数获取可为城市安全和灾害隐患提供数据支撑和决策服务。目前,建筑物层数往往是基于人工调研和统计为主;基于遥感影像的建筑物高度自动反演,也存在算法效率低、提取不完整、自动化程度偏低等问题。为解决这些问题,实现快速和大范围获取建筑物层数,基于GF-7卫星影像,设计、实现了一种楼层数识别的算法,在主成分分析等预处理的基础上,采用渔网法阴影线自动提取算法,并利用阴影形成的几何关系计算楼高并转换为楼层数,最终为消除阴影长度测量误差的影响,采用支持向量机回归对算法提取结果进行误差改正。以北京市朝阳区为研究区,进行模型的训练与测试;以河南省郑州市为验证区的实验结果表明,建筑物层数总体识别精度为90.21%,6~50层的建筑物层数识别误差在3层以内。研究可为基于卫星数据快速和大范围自动获取建筑物层数提供全新的技术支撑和应用服务。

场景解译框架下的高铁沿线建筑物自动识别

针对传统建筑物提取方法中图像高层语义和低层视觉特征之间存在的语义鸿沟问题,提出一种基于卷积神经网络模型场景解译框架下的高铁沿线建筑物隐患区域自动识别方法。该方法首先将遥感影像重叠地划分成一系列的影像块,生成卷积神经网络模型输入的基本单元;然后,根据训练样本集,学习获得模型参数,并预测每个待解译影像块内各地物类别的概率分布;最后,原始影像中每个像素的地物类别由所有覆盖该像素影像块的场景类别所共同确定,继而将获得的多分类图转化为二值分类图,实现建筑物区域的自动识别。2 675×6 465的大场景高铁沿线遥感影像下开展的实验结果表明,该方法建筑物提取精度明显优于传统分类方法,提取结果的紧凑性和平滑性得到显著提升,与地表真实值吻合度较高。

基于邻域高差分析的资源三号影像建筑物识别

建筑物识别是地理国情监测、违法用地查处、城市快速建模的重要内容,也是各类基础地理信息数据库更新的主要任务。考虑到建筑物高突于地面的现象,以资源三号卫星提供的多光谱影像和三线阵立体观测影像为数据源,提出了基于邻域高差分析的遥感影像建筑物识别方法。以江苏省泰兴市一处城郊结合地块为研究区域进行试验,结果显示,大部分建筑物可以被快速准确地识别发现。该方法为扩展国产测绘卫星在土地资源监测等方面的应用提供了参考和技术支持。