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%。

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。

基于高分辨率遥感影像的道路网络提取算法研究

作为遥感信息分析领域的重要工作之一,高分辨率遥感影像道路提取对于地理信息建库、城市建设规划、城市地形分析与三维表达等方面具有重要的研究意义。本文提出了多种改进算法组成的遥感影像道路网络提取方法,首先使用超像素分割(Simple Linear Iterative Clustering, SLIC)算法对高分辨率遥感影像进行分割处理并使用改进K-means算法对分割后影像进行分类;其次根据绿色植被指数(Green Vegetation Index, CVI)值滤除非人工区域并使用OTSU算法分割提取得到初始道路网络;最后对提取道路网络进行优化处理得到精细化道路网络。使用广州市某地高分辨遥感影像对本文提取算法进行验证,结果表明,本文算法能够有效地提取道路信息,提高道路网络提取精度。

基于TransU-Net网络的高分辨率遥感影像水体提取

在高分辨率遥感影像水体提取任务中,基础UNet网络提取精度较低,在规则水体的边缘提取上不够清晰,且对于细小水体提取不够完全。对此,文章提出了一种基于TransU-Net网络模型的水体提取方法。其中,TransU-Net网络模型能够完整有效地对水体边缘和局部特征进行提取。实验结果表明,该方法优于基础UNet方法,提取精度相较基础UNet提高了3.63%,能够有效完成高分辨率遥感影像水体提取任务。

基于无人机高分辨率遥感影像的土地整治项目新增耕地勘测核定研究

常规新增耕地勘测核定范围受限,导致得出的勘测核定单点位偏差增加,为此,基于无人机高分辨率遥感影像,对土地整治项目新增耕地勘测核定方法展开研究。采用多点位的方式,设置多点位覆盖式像控点,进行空三加密测量及勘测数据采集处理,构建无人机高分辨率遥感土地整治项目新增耕地勘测核定模型,采用矢量化辅助比对处理方式实现耕地勘测核定。测试结果表明:利用此方法得出勘测核定单点位偏差在1.3以下,说明在无人机高分辨率遥感影像技术辅助下,土地整治项目新增耕地勘测核定结果较为准确,具有实际应用价值。

高分辨率遥感影像在土地利用规划中的应用研究

本文基于颇多遥感影像的数据,对土地运用的类型进行提炼和判定,之后就借助了一些模型和算法,实现对当前土地运用状态的精准评估。然后,通过比照及分析,探讨了利用清晰遥感图像,在做决策支持、监控更新和执行规划方面的可行可能性。事实证明,这种高清遥感图像极大地提高了土地运用判别的准确程度,特别是在一些复杂的地理环境下,如针对城市建设用地、林地、草地等土地运用类型的识别和区别,其能力更为明显。此外,研究还发现,借助高分辨率遥感影像资料,可更好地参与土地利用的预测和规划,提供更为科学、务实的决策依据,对优化和提升土地规划理念和实践方式,具有重大的科研和应用价值。

结合多路径的高分辨率遥感影像建筑物提取SER-UNet算法

针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题,以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层,在解码器阶段关联SE-ResNet与反卷积层,通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性,在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构,分别在WHU数据集和Inria数据集上进行评估,IoU与精度分别达91.46%、82.61%和95.67%、92.75%,对比UNet、PSPNet、ResNet101、MAP-Net网络,IoU分别提高0.49%、0.14%、1.89%、1.57%,精度分别提高0.14%、1.06%、2.42%、1.09%。分析SER-UNet算法的泛化能力,将级联SER-UNet的MAP-Net网络在AerialImage数据集上进行提取验证,IoU与精度分别达85.32%和94.13%。结果表明,结合SER-UNet算法的MAP-Net并行多路径网络表现出较好的提取精度与泛化能力。此外,SER-UNet算法可以有效地嵌入PSPNet、ResNet101、HRNetv2等网络中,提升网络特征表示能力。

泥石流高分辨率遥感影像频域特征提取方法及应用

在遥感影像上深入研究泥石流的相关特征条件对泥石流的分析治理具有十分重要的现实意义。本文将泥石流不同流域分区的高分辨率遥感影像从空间域转换到频率域,基于频谱分析与频域滤波,从全局和局部建立了频谱特征和泥石流流域分区特征之间的关联,并利用频域特征对泥石流高分辨率遥感影像中不同流域分区进行识别,用支持向量机进行试验验证。结果表明,对于泥石流遥感影像,除了地物光谱特性以外,充分利用频域特征可以有效地分析和识别泥石流不同的流域分区,且识别精度最高达到95%,从而对泥石流的形成过程及不同区域进行定性和定量分析,为泥石流的防治工作提供了科学依据。

全尺度特征聚合的高分辨率遥感影像变化检测网络

利用遥感影像检测地表变化对了解地表动态至关重要。近年来,基于深度学习的变化检测方法因其优异的特征提取和表达能力而成为研究的热点。在全卷积网络结构方法中,融合多尺度特征信息是提高变化检测性能的关键,以往方法大多采用跳跃连接或密集连接结构,一定程度上提高了变化检测方法的精度。然而,此类方法只对相同尺度上的特征进行融合,无法从多尺度上融合足够的信息而导致达不到令人满意结果。本文提出了一种全尺度特征聚合网络(FSANet),用于解决遥感影像变化检测问题。首先,使用孪生网络提取双时相影像的特征;然后,利用全尺度特征连接结构将提取的特征有效地连接起来,为了防止特征冗余,使用特征细化模块将特征细化;最后,为了优化模型训练,采用多尺度监督策略,在解码器中额外输出多个检测结果,共同计算最终的损失值。为了验证方法的可行性,本文使用LEVIR-CD数据集和SVCD数据集来评估模型。试验结果表明,本文方法优于其他主流的变化检测方法,同时在精度和复杂度之间有着较好的平衡。

基于层次化混合模型的高分辨率遥感影像分割方法研究

高分辨率遥感影像具有同一目标区域内像素异质性增强、不同目标区域间像素同质性增强等特征,这给其分割方法的设计带来了困难和挑战。在统计意义上,高分辨率遥感影像的特征使其各目标区域内像素光谱测度统计分布主要呈现出非对称、重尾、尖峰和多峰等复杂统计特性,准确建模高分辨率遥感影像内像素光谱测度统计分布是获得高质量影像分割结果的有效途径之一。

基于概率距离的高分辨率遥感影像分割结果的优化方法及其应用研究

不同于传统的通过选择合适的尺度参数来优化分割结果的方法,本文从统计学的角度,提出了一种基于概率距离的高分辨率遥感影像分割结果优化方法,并以Jeffries Matusita距离为例,介绍了利用该方法优化分割结果的流程。该方法通过为影像中的地物构建最优影像对象达到优化分割结果的目的。使用无人机影像对本文提出的优化方法进行了测试,测试结果表明,本文所提出的分割结果优化方法具有较好的效果,优化后的分类精度得到明显提高。

复杂城市场景的高分辨率遥感影像建筑物变化检测

近年来高分辨率遥感影像快速获取和处理能力的不断进步以及人工智能的崛起兴盛,极大地推动了违章建筑快速自动化检测识别,为城市规划建设和监测管理提供了一种系统高效的新技术手段。然而由于复杂场景中空间上下文的复杂性、建筑物的差异性和多样性以及投影差导致的影像上几何偏移和影像间位置差异,实际应用中主要还是依靠人工判读解译,导致工作效率低下,人力财力浪费严重,并且在海量遥感数据面前显得捉襟见肘。

级联融合边缘特征的高分辨率遥感影像道路提取

针对进行高分辨率遥感影像道路提取时常出现的识别错误和提取结果断裂等问题,提出一种级联融合边缘特征和语义特征的ACEResUNet多任务融合模型。该模型通过边缘检测任务进行道路边缘特征自动化提取,将其与改进的ResUNet模型对应的卷积单元进行特征级联融合,为语义分割道路训练提供更多的决策依据,提升道路提取结果的连通性。通过在各模型特征提取单元中引入交叉压缩注意力模块,提升模型的特征提取能力,并在改进的ResUNet模型的编解码器之间添加全局多尺度特征融合模块,获取不同尺度目标地物的全文特征信息,以提升道路最终提取结果的完整性。在DeepGlobe道路数据集上的实验结果表明,该模型的道路提取精确率和交并比分别达到了0.798和0.661,相较于VNet和ResUNet等经典模型均有提升。

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。

改进U-Net网络的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测中出现的伪变化较多、检测边界模糊、小目标漏检等问题,提出一种孪生结构的Siam-FAUnet变化检测模型。该模型可以实现端到端的变化检测任务。首先,利用改进的VGG16作为编码器提取双时相的影像特征;其次,通过空洞空间金字塔池化模块获取图像多尺度上下文信息;然后,使用流对齐模块将编码器中的低层特征融合至解码器,以此来获取影像的变化区域。实验采用公开的CDD和STAKI数据集进行训练和测试。结果表明,相对于其他主流的深度学习变化检测方法,Siam-FAUnet变化检测模型在准确率、精确率、召回率和F1分值上均有提升,表明该模型具有良好的检测性能。

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AlexNet网络的高分辨率遥感影像建筑物提取方法研究

高分辨率遥感影像的数据源日益增长使得其成为主要的遥感数据源之一。本文研究了一种基于AlexNet网络的高分辨率遥感影像建筑物提取方法,该方法是在卷积神经网络的基础上,建立一种端到端自动提取影像中建筑等物体位置的方法:首先使用图像增广技术增加数据集的丰富性和多样性;再通过超参数搜索选择网络使用的较优参数,最终实现了遥感影像中建筑物的自动提取。实验结果表明,该方法可达到75%的提取精度;与传统方法进行定性和定量对比,该方法具有耗时少、精度高的特性,对后续城市规划、三维建模等应用有着重要意义。