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.

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。

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。

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。

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。

基于大数据分析的高分辨率可见光遥感卫星影像解译能力评估

高分辨率可见光遥感卫星影像应用范围的不断扩大,对其解译能力提出了更高的要求。为了能够选取最佳的遥感卫星影像解译技术,需要对解译能力进行精准的评估与判断。本文结合海量影像数据,进行基于大数据分析的高分辨率可见光遥感卫星影像解译能力评估研究。深入分析遥感卫星影像解译能力影响因素,以此为基础,联合遥感卫星影像解译实际情况,选取适当的解译能力评估指标,应用大数据分析技术—模糊C均值(FCM)聚类算法对指标数据进行分类处理及其分析,基于熵权法计算解译能力评估指标的权重系数,结合当前解译能力评估指标数值,采用加权求和方法计算遥感卫星影像解译能力综合评估数值,从而实现了遥感卫星影像解译能力的有效评估。实验结果显示:应用该方法获得的遥感卫星影像解译能力评估时间最小值为16 s,解译能力评估结果与实际结果保持一致,充分证实了该方法解译能力评估性能较佳。

基于深度学习的高分辨率遥感影像地物分类研究

针对高分遥感图像中的目标识别问题,提出了一种新的目标识别算法。本文首先对深度神经网络进行了理论分析,并对卷积神经网络、循环神经网络以及图神经网络进行了分析。在此基础上,对高分遥感图像的前处理技术进行了研究。包括辐射校正、几何校正、图像融合和特征提取。接下来设计了高分遥感图像对地目标识别的试验研究,主要内容有:样本选取与预处理,模型建立与培训,模型评价与分析。最后,给出了高分辨率遥感图像地物分类的应用案例,包括城市用地分类、农作物分类和植被覆盖度估算。

基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘方法

农村地籍测绘是农村土地规划的重要依据,本文提出了基于机载激光雷达(LiDAR)和高分辨率遥感影像融合的农村地籍测绘方法。首先,对农村地籍进行机载LiDAR测绘,采集机载LiDAR点云数据并对其进行分块;其次,对农村地籍高分辨率遥感影像进行分割处理,并将机载LiDAR点云与遥感影像进行配准融合,生成农村地籍测绘图,实现基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘。经实验证明,使用本文设计的方法开展地籍测绘的面积误差不超过1%,测绘结果与实际结果的余弦相似度符合精度要求,可以精准地反映农村地籍形状、面积和轮廓等特征,具有较高的测绘精度。

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。

高分辨率遥感影像在地理信息提取中的应用研究

本文重点研究高分辨率遥感影像在地理信息提取中的应用,展示高分辨率遥感影像的定义、分类、获取和处理。分析提取地理信息的重要性和过程,在此基础上重点讨论了地物分类和识别技术、影像配准和融合技术、信息提取和验证技术的关键技术,通过应用案例展示了高分辨率遥感影像在城市规划与管理、自然资源调查与评估、环境监测与保护方面的应用。

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。