基于结构化稀疏表达的高分辨率光学遥感图像的船只检测

为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等三部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于YOLOv5 的高分辨率遥感图像目标检测算法

随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

高分辨率遥感图像双解耦语义分割网络模型

语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确。针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能。进一步提出了一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习。在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度。

一种基于HRNet的高分辨率遥感影像滑坡识别方法

近年来,滑坡灾害频繁发生,灾后及时对滑坡进行识别对减灾和灾后重建具有重要意义。在高分辨率遥感影像滑坡识别任务中,普遍存在有正负样本不均衡、特征提取不完善的问题。为此,本文提出一种基于HRNet的高分辨率遥感影像滑坡识别模型,该模型的高分辨率特征金字塔网络结构,在多尺度下充分捕捉地质特征,提高模型对复杂地形的适应性。同时,在训练过程中采用FocalLoss损失函数,为难以分类的正样本赋予更大的权重,有效缓解了正负样本不均衡问题,这使得模型更加关注难以区分的滑坡区域,进一步提升了滑坡识别的准确性和鲁棒性。实验结果表明,该方法在数据集中实现了优越的滑坡分割性能,对灾后的快速反应有指导性意义。

高分辨率光学遥感图像建筑物提取研究进展

建筑物提取是高分辨率光学遥感图像理解和目标识别的重要研究方向。实现自动化、智能化、可靠准确的遥感图像建筑物提取对基础地理数据获取和更新具有重要的应用价值和现实意义。在概述高分辨率光学遥感图像建筑物提取研究现状的基础上,综述了当前建筑物提取的主要思想和方法,将主流的建筑物提取代表性方法分为自底向上数据驱动方法(Data-driven)和自顶向下模型驱动方法(Model-driven)两大类,在综合比较评述各方法特性的基础上,对该领域仍然存在的问题和研究方向进行了分析和展望。

基于深度学习的高分辨率遥感图像分割方法

以往高分辨率遥感图像分割方法由于没有对遥感图像中的数据模点进行检测,导致分割精度不高,本文设计了一种基于深度学习的高分辨率遥感图像分割方法。首先,通过对遥感图像进行预处理,保留重要的细节信息;其次,对预处理后的遥感图像进行特征提取,并对特征提取后的图像进行滤波处理,增加图像光谱的一致性;最后,利用深度学习方法对遥感图像中的数据模点进行检测,得到遥感图像的最终分割结果。通过实验并与以往的高分辨率遥感图像分割方法进行对比证明基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度。

基于ED-SIFT算法的高分辨率遥感图像快速拼接

基于特征点检测的高分辨率图像拼接运算量大、速度慢,改进后可以提高效率。从减少参与SIFT计算的数据量和优化算法两方面实现图像拼接加速。建立基于ED-SIFT的图像拼接算法,图像边缘检测优选Soble算子;使用Python+OpenCV,对WorldView3切片数据进行拼接实验,平均耗时为0.96 s;与传统基于SIFT的图像拼接算法相比,在保证一定数目的特征点同时,速度加快9.47倍。使用该算法对重叠率为20%、65%、80%的切片数据拼接成功,平均耗时都在0.96~1.08 s。继续用OpenCV+Numba并行运算实现该算法,对运算提速已不明显。基于ED-SIFT的图像拼接算法对高分辨率遥感图像拼接提速明显,对不同重叠率图像拼接皆有效。

航天高分辨率对地光学遥感载荷研究进展

随着光学成像技术的不断发展和遥感应用需求的日益增长,跨尺度高分辨率光学技术在遥感领域得到广泛应用。为了获得更多的目标细节信息,国内外研究学者在不同技术方向开展了相关研究。本文对遥感成像技术进行了总结分类,介绍了具有代表性的航天高分辨率对地光学遥感载荷技术,重点关注单体结构主镜、可展开分块拼接主镜、光学干涉主镜、光栅衍射主镜、虚拟合成孔径、光子型综合孔径成像、计算超分辨成像、编队合成孔径等成像模式,为高分辨率对地光学遥感载荷发展提供新的发展思路。

基于深度学习和高分辨率遥感图像的车流量统计

针对现有的方法对地面道路上车辆检测率不高的问题,提出一种基于深度学习和高分辨率遥感图像的车辆检测方法.对高分辨率遥感图像道路进行感兴趣提取,并采用改进的YOLOv3模型对车辆进行多目标检测,利用多尺度特征进行对象检测.确定了训练流程,在高分辨率遥感图像数据集上进行训练,采用准确率、召回率、F值作为评价指标进行了图像识别检测试验.结果表明:采用文中方法对高分辨率遥感图像进行分析,得到的准确率、召回率和F值分别为98.01%、97.23%和97.57%,并且能通过检测结果统计得到每秒的车流量.该方法可作为地面车辆分布信息监测的一种有效补充方式.

高分辨率光学遥感影像地震裂缝特征提取——以昆仑山口西地震为例

地震裂缝作为同震地表破裂常见的表现形式之一,会造成房屋等建筑物的开裂倒塌,威胁人民生命财产安全。查明地震裂缝分布规律,有助于深入理解震源断层性质、构造运动状态和地震破裂过程等基础信息。区别于采动地裂缝、滑坡地裂缝,震源断层错动形成的地震裂缝与发震断裂带位置基本重合,具有明显的光谱特征和空间特征。选取昆仑山口西地震同震地表破裂带为研究区,以国产高分二号作为数据源,提出一种基于光谱特征和空间特征的地震裂缝提取方法,并与改进的边缘检测算法、高斯匹配滤波算法进行比较,结果表明该方法结果最优,高斯匹配滤波算法次之,改进的边缘检测算法效果较差。结合里德尔剪切破裂模型分析地震裂缝空间分布及与其他破裂类型的组合关系,以期在震后第一时间掌握地表破裂空间分布规律,确定主破裂带方向和区域应力场,指导地表破裂地面详细调查、灾后应急救援以及地震科学相关研究。

面向高分辨率遥感图像的分割模型研究

高分辨率遥感影像往往蕴含着丰富的地物信息、复杂的拓扑关系和多变的目标对象,给复杂环境下情报识别与分析带来了挑战。为了高效、快速、精确地获取到遥感图像中的关键信息,在主流图像分割的编码-解码模式的基础上,提出了一种全新的遥感图像分割方法,内部引入了多种注意力机制以及多尺度的特征表示结构,增强了对遥感图像的解译能力,提升了最终的目标分割效果。在公开数据集上的实验表明,所提方案可以在保持低参数量的情况下,明显优于其余基线方法。

基于深度学习的高分辨率遥感图像语义分割方法综述

将常见的基于深度学习的高分辨率遥感图像语义分割方法分为基于卷积神经网络的遥感图像语义分割方法、基于注意力机制的遥感图像语义分割方法及基于Transformer的遥感图像语义分割方法三类。介绍了各类方法的主要算法,总结和评述了各算法的优缺点,展望了高分辨率遥感图像语义分割方法的研究发展趋势。

一种结合图特征的高分辨率遥感图像随机行走分割方法

当前高空间分辨率遥感图像分割与目标检测仍然面临着精度与效率的两难问题。文章提出了一种基于图特征的随机行走分割方法来提高分割效果。该方法有3个步骤。首先,通过奇Gabor滤波和分水岭变换将图像从像素转换为图,并进行基于图的特征表达。其次,利用图像的光谱特征、纹理特征、形状特征和位置特征,构建加权函数。为了有效地表达特征,采用KNN(K-nearest neighbors)高分标签交互选择种子点。最后,通过建立拉普拉斯函数并求解Dirichlet边界问题,对最大可能性进行标记,完成随机行走分割。文章讨论了加权函数中的参数设置,并通过对比实验对基于高分辨率遥感图像的分割结果进行了评价。研究表明,文章所采用的结合图特征的随机行走分割算法只需要小样本便可以实现更精确的分割。

基于轻量化卷积神经网络的高分辨率遥感图像地物分类研究

近年来深度学习技术得到快速发展,其逐渐被应用于高分辨率遥感图像的地物分类中。深度学习方法通过自动学习遥感图像中的高层次特征进行地物信息提取,较传统方法能取得更好的分类效果。Transformer架构已逐渐成为遥感图像的信息提取领域主要的深度学习模型,具有对图像的分类精度高的优点,但其模型往往结构复杂、计算量大、推理速度慢,导致应用场景受限。本文提出了一个轻量化卷积神经网络模型方法(ConvNeXt-Tiny+Multilayer Perceptron,ConvN-T+MLP)用于遥感图像地物分类,旨在保持或提高模型分类精度的同时降低模型复杂度。实验结果表明,本文提出的Conv N-T+MLP模型在具备较低计算量和参数量的同时,提高了遥感图像的地物分类精度,体现出模型的轻量性、高效性。

基于自上而下分段处理的高分辨率遥感图像城市道路提取

采用自上而下的建模框架,从网络级到像素级构建道路提取模型,定义道路中心线的分段过程,并建立网络结构模型,利用局部几何模型,分别用矩形和缓冲区标记网络结构,以表征道路区域和非道路区域。根据HRRSI中道路区域和非道路区域覆盖像素的混合光谱特征,采用高斯混合模型和Kullback-Leibler散度建立混合光谱测量约束模型。通过设计模拟算法来解决道路提取模型的参数问题,结果表明,提出的算法能够有效提取城市道路,并具有完整性和连通性。

高分辨率遥感图像中建筑物提取的边界精细化卷积神经网络

随着遥感图像解译在城乡规划和数字化城市建设等领域的广泛应用,对遥感图像中的建筑物进行完整地、准确地检测具有非常重要的研究意义和应用价值。近年来,深度学习技术被广泛应用于遥感图像中的建筑物提取。然而,如何从高分辨率遥感图像中完全地、准确地提取建筑物仍然面临着巨大的挑战。因此,文章提出了一种边界精细化的建筑物提取方法,命名为BR-Mask R-CNN。首先,文章采用多特征融合网络ResNeXt101-FPN作为主干特征提取网络,以提高小型建筑物的提取精度。然后,利用边界精细化掩码分支将边界保护分支和Mask分支集成起来,以保护建筑物的边界信息,并实现更加准确的掩码预测。最后,文章在两个公开的建筑物提取数据集上验证了所提出方法的有效性,实验结果表明该文的方法在许多评价指标上都有较好的效果。

应用高分辨率卫星遥感图像开展城市基础地理信息数据库建设

本文主要研究应用高分辨率卫星遥感图像开展城市基础地理信息数据库建设的相关技术和方法。介绍了高分辨率卫星遥感图像的概念和在城市规划和管理中的应用,并强调了城市基础地理信息数据库的重要性和挑战。重点探讨了高分辨率卫星遥感图像的获取和处理方法,包括数据来源、数字影像预处理和图像特征提取。介绍了城市基础地理信息数据库的设计原则和方法以及数据模型设计和各模块功能设计。结合实例应用,详细阐述了城市基础地理信息数据库的建设流程和应用高分辨率卫星遥感图像进行基础地理信息数据采集的具体方法。总结了本文的研究成果和结论,并指出了未来研究的方向和存在的问题。本文的研究对于提高城市基础地理信息数据库的质量、完善城市基础设施建设具有重要意义。

基于卷积神经网络的高分辨率遥感影像目标检测方法研究

高分辨率遥感影像目标检测作为高分对地观测系统中影像信息自动提取及分析理解的重要内容,对高分对地观测系统应用价值的发挥具有重要影响。卷积神经网络作为最热门的深度学习模型,由于其可以根据海量数据和标注自行进行有效图像特征提取和学习,在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性和普适性。因此,基于卷积神经网络的目标检测架构被相继提出,但现有网络架构多是针对自然图像设计的,相对于自然图像,高分辨率遥感影像存在背景更加复杂、目标尺度更小、同类目标尺度变化更大和影像尺寸更大等特点;将这些网络架构直接用于高分辨率遥感影像目标检测会存在网络目标建议框尺度不匹配,待检影像相对于网络输入过大,以及缺乏训练数据等问题。针对上述问题,论文系统性地开展基于卷积神经网络的高分辨遥感影像目标检测方法研究。主要研究内容如下。

基于相位一致的高分辨率遥感图像分割方法

基于分水岭变换的图像分割性能在很大程度上依赖于用来计算待分割图像梯度的算法。根据频域相位信息对图像特征的表征能力,引入相位一致的思想计算图像特征,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度。接着在对相位一致梯度进行分水岭分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合于遥感图像的分割,给出一种基于前景标记和梯度重建的分水岭算法。对IKONOS Pan图像上的农田、厂房和居民楼等地物进行特征提取和图像分割实验,结果表明相位一致方法优于空域特征检测算子,根据相位一致特征得到较好的分水岭分割结果。