双编码端高分辨率遥感影像语义分割算法

遥感影像具有多尺度对象、复杂背景、不均衡类别等特点。基于卷积神经网络(CNN)的语义分割算法难以捕捉到影像的全局特征,导致分割效果不佳。针对以上问题,利用Swin Transformer的全局特征提取能力,提出了双编码端高分辨率遥感影像语义分割算法DEGFNet。设计特征融合模块(FFB)将Swin Transformer捕获的全局特征引入编码端,应对多尺度对象带来的挑战。在Swin Transformer中设计空间交互模块(SIB),降低复杂背景样本带来的负面影响;在解码端引入全局-局部注意力模块(GLTB)和特征细化模块(FRB),来更好地利用编码端提取的信息,提高语义分割的精确性;采用交叉熵损失和Dice Loss组成的混合损失函数训练模型,减轻样本类别不均衡带来的消极影响。在Vaihingen数据集上,宏观平均F1值(mF1)、平均交并比(mIoU)和整体准确率(OA)指标分别达到91.9%、84.8%和92.4%;在LoveDA数据集上,mIoU指标达到55.0%,均展现出了更好的语义分割效果和良好的泛化性。

一种改进U-Net网络的高分辨率影像农村道路提取方法

针对原始深度学习模型存在参数量大、忽略边缘特征等问题,提出一种基于注意力机制和Transformer的改进U-Net模型。首先在编码部分引入空洞卷积来增强模型的特征学习能力;然后在编码器中使用Transformer以获得更多特征信息;最后提出一种混合注意力机制将全局信息和浅层信息进行融合,增强上下文信息的联系。实验结果表明:改进后的U-Net模型准确率达86.52%、召回率为91.23%、F1分数为88.81%。各评价指标均优于原始U-Net模型和Deeplabv3+模型,研究可为全国农村道路网规划建设提供一定的技术支持。

基于高分辨率遥感影像的耕地提取方法研究

为迅速、精确地提取耕地信息,借助高分辨率遥感影像与计算机视觉技术,采用传统机器学习方法、经典深度学习方法(FCN、PSPNet、DeepLabV3+)和结合注意力机制的深度学习方法(MCDeepLabV3+),对杭州市余杭区耕地进行识别与提取,并结合实际测量数据进行精度验证.经过对比分析,深度学习方法准确率均超过90%,显著高于传统机器学习方法.特别是MCDeepLabV3+方法,其准确率为94.93%,在识别细碎田块的边界上具有显著效果.结果证实,结合注意力机制的深度学习方法能在耕地分布细碎的地区实现高精度提取,为合理配置土地资源、提高农业生产效率提供了有力支持.

高分辨率卫星遥感影像融合下的地表覆盖度变化特征提取

在多参量关联的作用下,传统地表覆盖度变化特征提取方法的特征提取结果与预期结果偏差较大,无法满足地表信息分析要求。为了解决这一问题,提出高分辨率卫星遥感影像融合下的地表覆盖度变化特征提取方法。对高分辨率卫星遥感影像融合下的地表覆盖度变化图像进行预处理,建立地表覆盖度变化图像噪声模型,选取覆盖度变化特征最优提取尺度,融合评价特征提取损失,平衡提取过程中各项参量间的权重影响,获得最佳提取效果。测试结果表明,提出方法的特征提取精准度可以达到97.6%以上,所得结果稳定性较好、可信度较高。

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。

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.

大幅面高分辨率光学遥感影像的水体半自动提取

针对大幅面高分辨率光学遥感影像因背景复杂、水体内部以及周边环境变化差异等因素导致的水体提取不完整和误提取问题,提出一种水体(湖泊和水道)半自动提取方法。首先,根据水体分布将大幅面影像划分为多个具有重叠边界的子影像块,并在其中以矩形框的形式标记感兴趣的水体;然后,由矩形框为模板计算此类水体的光谱特征,以其为匹配项实现子影像块水体的粗提取;最后,利用水体区域的形态特征对粗提取结果进行精细化处理。与基于局部二值模式和分割的水体提取方法作对比,对含有不同水体的GF-2影像进行了测试,从定性和定量两方面对提取结果进行比较和分析,结果表明了该方法的优越性。

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。

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。

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。

高分辨率1号卫星影像几何定位精度评价与几何校正研究——以黑龙江省友谊县为例

提高卫星影像的几何定位精度可以挖掘影像在区域尺度的应用潜力。本文以黑龙江省友谊县及周边区域为研究区,根据地面实测几何控制点,评估高分辨率1号(GF-1)卫星PMS和WFV影像的几何定位精度,并比较手动和自动两种不同几何控制点选取方式的几何校正效果。结论如下:MUX影像、PAN影像和WFV4影像在校正前的平均几何位置偏差为45.06 m,44.60 m和110.26 m,手动几何校正后的平均几何位置偏差为13.97 m,6.35 m和13.56 m,基于哨兵2号(Sentinel-2)影像自动几何校正后的平均几何位置偏差为15.84 m,16.23 m和21.26 m。以上结果可以看出,经过几何校正后很大程度上消除了影像的系统误差,PMS影像通过手动选取地面控制点进行几何校正的效果更优,而WFV影像使用两种校正方法效果相近。

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。

基于机器学习的高分辨率影像分类研究

高分辨率影像分类是遥感图像处理领域的重要研究方向。文章以高分辨率Sentinel-2遥感影像为主要数据源,以随机森林(Random Forest,RF)、梯度提升树(GradientBoosting Decison Tree,GBDT)和分类回归树(Classification and regression tree,CART)机器学习方法,对内蒙古达尔罕茂明安联合旗进行地表信息提取方法的应用研究和对比分析,实现对高分辨率影像的准确分类。通过对比不同算法的分类效果和性能,验证了机器学习在高分辨率影像分类中的有效性和适用性。研究结果表明:三种机器学习算法都可以对含有荒漠半荒漠化草原的地物进行良好的分类,其中随机森林分类精度最佳,最高总体精度可达92.53%,Kappa系数为90.89%。通过对比不同算法的分类效果和性能,验证随机森林模型在达茂旗高分辨率影像分类中的有效性和适用性。

高分辨率遥感影像道路信息智能提取

道路信息对城市规划、交通管理和基础设施建设至关重要。针对高分辨率遥感影像道路信息提取效率低、边界质量差和可视化程度低等问题,提出了一种基于改进ResUnet模型的遥感影像道路提取方法,并结合pyqt5框架实现了高分辨率遥感影像道路信息智能提取系统开发。文章以马萨诸塞州道路数据集为数据源,通过改进的ResUnet网络模型,实现了对高分辨率影像中道路信息的准确提取。结合高分辨率遥感影像道路信息智能提取系统能够快速、准确地完成道路提取任务,为城市交通管理和规划提供了重要支持。

基于U-Net网络模型方法的山区高分辨率遥感影像建筑物提取研究

由于山区地形较为复杂且自然环境多变,建筑物的布局不会像在平原地区呈网络状规则分布,导致山区建筑物的提取存在碎斑、范围不正确等问题。本文基于北京二号(BJ-2)和高分七号(GF-7)遥感卫星影像,采用U-Net网络模型对山区建筑物进行提取试验,并将试验数据与第三次全国国土调查成果进行比对分析。研究结果表明,采用本文方法提取的建筑物精度高,将U-Net网络模型用于山区建筑物提取的方法可行。

小波变换用于高分辨率全色影像与多光谱影像的融合研究

将小波的多分辨率分析与ＩＨＳ变换相结合，提出了叠加融合的新方法。它先对高分辨率影像进行小波分解，得到的各小波面叠加到多光谱影像经ＩＨＳ变换后的强度Ｉ影像中，使得融合影像最大限度地保留了多光谱影像的光谱信息，保持了原多光谱影像的反差，同时提高了它的清晰度和空间分辨率。文中给出了黑白航空影像与ＴＭ影像，ＳＡＲ影像与ＴＭ影像的融合结果，并与ＷＴ法、ＩＨＳ法进行了比较。