遥感影像场景分类研究进展

遥感影像场景分类是遥感影像解译最基础的任务之一,在土地利用调查与分析、地质灾害监测、地理空间情报获取等方面具有重要的应用价值。文章对遥感影像场景分类方法研究进展进行了系统性的总结和分析:首先,梳理了常用的遥感影像场景分类的数据集,分析了遥感影像的特性给场景分类任务带来的挑战和困难;其次,对现有典型的遥感影像场景分类方法——基于手工设计特征的场景分类方法和基于深度学习的场景分类方法,进行了总结归纳,针对遥感影像场景分类任务分析了现有方法的优化改进方案;然后,对比了主流遥感影像场景分类方法的性能;最后,对遥感影像场景分类技术仍未解决的问题以及下一步遥感影像场景分类应用研究方向进行了总结和展望,探讨了遥感影像场景分类在高精度细粒度分类任务、高精度轻量化模型设计、少样本学习技术、遥感影像场景解译大模型等方面的研究前景,以期推动遥感影像场景分类任务实现更加深入的研究和广泛的应用。

光学遥感图像目标检测算法综述

目标检测技术是光学遥感图像理解的基础问题,具有重要的应用价值.本文对遥感图像目标检测算法发展进行了梳理和分析.首先阐述了遥感图像目标检测的特点和挑战;之后系统总结了典型的检测方法,包括早期的基于手工设计特征的算法和现阶段基于深度学习的方法,对于深度学习方法首先介绍了典型的目标检测模型,进而针对遥感图像本身的难点详细梳理了优化改进方案;接着介绍了常用的检测数据集,并对现有方法的性能进行比较;最后对现阶段问题进行总结并对未来发展趋势进行展望.

自然场景图像中的文本检测综述

本文对自然场景文本检测问题及其方法的研究进展进行了综述.首先,论述了自然场景文本的特点、自然场景文本检测技术的研究背景、现状以及主要技术路线.其次,从传统文本检测以及深度学习文本检测的视角出发,梳理、分析并比较了各类自然场景文本检测方法的优缺点,并介绍了端对端文本识别技术.再次,论述了自然场景文本检测技术所面临的挑战,探讨了相应的解决方案.最后,本文列举了测试基准数据集、评估方法,将最具代表性的自然场景文本检测方法的性能进行了比较,本文还展望了本领域的发展趋势.

基于街景影像多特征融合的广州市越秀区街道空间品质评估

全面准确地描述街景影像的多层次特征在基于街景影像对街道空间品质进行评估的研究中具有重要意义。以广州市越秀区为例,获取前后左右各视角街景影像中手工设计的特征(SURF特征、HOG特征)和基于深度学习的特征(语义特征),基于单一特征和多特征融合采用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)训练各视角的评估模型。结果表明,以基于SVM建立的单特征模型为例,基于HOG特征(73.03%)、语义特征(72.28%)的模型平均精度优于SURF特征(56.00%),基于SVM前后左右各视角模型的最优分类精度为82.8%(前)、81.7%(后)、76.6%(左)、76.6%(右),而基于RF各视角模型的最优分类精度为82.8%(前)、85.0%(后)、78.1%(左)、70.3%(右)。前后视角的模型精度略优于左右视角。各视角最优模型均为多特征融合模型,最优模型平均分类精度和Kappa系数可达80.6%和0.62。利用街景影像评估街道空间品质时,各算法之间性能差异微弱,而特征选择及组合方式是提升精度的关键。越秀区街道空间品质存在明显空间分异,其西南部的街道空间品质亟待提升。本研究构建了基于街景影像多特征融合的大规模高精度街道空间品质测度方法,实现了对越秀区街道空间品质的评估,研究结果可为相关部门进行街道环境综合整治提供参考。