基于高分辨率遥感影像深度特征的城市非渗透表面集成学习提取

城市非渗透表面信息的有效提取是高分辨率遥感应用研究的热点问题。针对目前城市非渗透表面信息提取中存在的问题,结合深度学习与集成学习的优势,提出了基于高分辨率遥感影像深度特征的城市非渗透表面集成学习方法。以高分二号多光谱数据为试验数据,以非渗透表面密集程度不同的城市区域为试验区,基于U-Net深度网络提取的高分辨率影像的深层次特征,采用Stacking机制的集成学习机提取城市非渗透表面信息。试验结果表明,基于深度特征的集成学习方法在城市非渗透表面信息提取中获得了较高的精度。在城市非渗透表面密集程度不同的试验区,总体精度不低于91.66%,Kappa系数不低于0.83;错分误差为7.83%~9.39%,漏分误差为7.22%~14.88%。相对于基于浅层光谱信息的集成学习、随机森林、支持向量机,总体精度、Kappa系数有显著提高,错分与漏分误差显著降低。说明深度特征信息能有效提高集成学习提取非渗透表面提取的用户精度与制图精度;相对于U-Net、SegNet深度学习网络,在稀疏、中等密集、密集、复杂4类非渗透表面试验区,有效提高了总体精度、Kappa系数,漏分、错分误差显著的减少。说明基于深度特征的集成学习能有效改善与提高非渗透表面提取的用户精度与制图精度。总体上,基于深度特征的高分辨率非渗透表面集成学习方法能获得较高的城市非渗透表面信息提取精度,在城市土地利用/覆盖分类中具有良好的应用前景。

基于特征增强的高分辨率人体姿态估计网络

在轻量级卷积神经网络进行高分辨率人体姿态估计时存在提取特征不充分,针对该问题,提出了一种基于特征增强的高分辨率人体姿态估计网络。首先利用空洞卷积补全操作提取图像特征,以避免特征信息丢失且保持模型参数基本不变;接着利用池化增强模块进行卷积提取特征的选择,以保留重要特征且减轻传统池化模块对提取特征造成的破坏;最后利用加强通道信息交互的深度可分离卷积模块进行特征提取,以保持该模块的参数量较少且能够提高其特征提取能力。在COCO2017数据集进行性能测试,本文算法和DiteHRNet30算法的AR值分别为77.9%和77.2%;在MPII数据集进行性能测试,本文算法和DiteHRNet30算法的PCKh值分别为32.6%和31.7%。实验结果表明,本文算法在人体姿态估计精度和算法复杂度之间能够达到较好的平衡。

多尺度特征提取残差网络的超分辨率图像重建算法

为了改善超分辨率图像重建算法存在的图像低频信息提取不足、边缘轮廓模糊、风格信息丢失等问题,提出一种全新的多尺度特征提取残差网络,在生成器网络结构中叠加使用残差特征聚合模块与多尺度感受野模块;采取浅层特征与深层特征接替训练,辅助网络对低频、高频信息的提取与融合;新添风格损失函数以约束风格信息,确保图像纹理、色彩、亮度等风格信息的有效传递。在自然景物占多数且细节信息多样的BSD100数据集上,其4倍图像重建的峰值信噪比(peak signal to noise ratio, PSNR)达到31.81 dB、结构相似性(structural similarity, SSIM)达到0.87,相比原始的超分辨率生成对抗(super-resolution generative adversarial network, SRGAN)算法,PSNR提高了3.47 dB,SSIM提高了0.04。实验结果表明,所提算法能够深层次学习自然景物图像在纹理细节、色彩亮度等方面的特征信息,实现多层网络结构对特征信息的连续性记忆性学习、提取与传递,使得重建图像质量更高。

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。

高分辨率遥感影像桥梁特征提取方法研究

根据桥梁水体相连的知识,提出了一种基于知识的高分辨率遥感影像水上桥梁提取的实用方法,即在水体提取的基础上将图像细化,通过宽度限制检测桥梁主干线,并对其进行矢量化和特征表达来实现桥梁提取,通过实验证明了该方法的有效性。实验证明此方法不仅适合于水体与陆地灰度差别大,即单峰直方图的影像,还适合于水体与陆地灰度差别不大,即直方图多峰或峰顶不明显的影像。

高分辨率遥感影像信息提取及块状基元特征提取

分析了基于目标基元的遥感信息提取技术相对于传统的基于像元的处理方式所具有的优势 ;结合人类视觉机制和计算机尺度空间理论 ,设计了基于特征基元的高分辨率遥感影像多尺度信息提取技术流程框架 ,即在大尺度下进行粗分割后进行块状基元提取的技术及实现过程 ;最后给出了相关实验结果 ,实验表明本文提出的基于基元的遥感信息提取便于与视觉知识和环境知识更好地结合 。

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BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

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。

基于词包模型的高分辨率SAR图像特征提取

特征提取在图像处理中是重要的一环,传统的特征提取算法已无法满足高分辨率图像的要求。研究运用高分辨率SAR图像的词包模型特征提取算法,旨在进一步优化对高分图像的解析。首先通过SIFT算法提取图像关键点,再对关键点进行特征向量提取。在词包模型的特征向量提取中,将边缘算子和WLD描述子作为新的特征向量加入词包模型中,以此提高特征分析对于边缘检测能力以及减少光照差带来的影响。通过对什邡城区SAR图像实测数据的特征提取和分类实验,证明新的词包模型算法具有更好的稳定性和有效性。

基于SEEMD的高分辨率SAR图像目标特征提取方法

针对高分辨率合成孔径雷达(SAR)图像,本文提出了一种基于分离集合平均经验模态分解(SEEMD)的目标散射特征提取方法.首先在图像二维波数域进行SEEMD分解获得每个目标的散射函数,然后估计目标散射特征参数,通过该参数可以区分目标所属的散射类型.最后,仿真实验和实测数据的处理验证了方法的有效性.

高分辨率SAR图像目标峰值特征提取

峰值特征是进行SAR图像自动目标识别的重要特征。本文提出了SAR图像目标的通用高斯峰值模型,根据该模型提出了目标峰值提取方法。利用实测数据以及蒙特卡罗仿真结果表明:通用高斯峰值模型是实际峰值的一种精确模型,基于该模型的峰值提取方法具有良好的提取精度。

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。

高分辨率遥感影像下线特征提取方法比较

在摄影测量、遥感、计算机视觉等领域,线特征提取的算法层出不穷,因此获取算法的特性和适用范围至关重要。本文采用几种具有代表性的线特征提取算法,通过高分辨率遥感影像下线特征的提取试验,分析了各种算法的参数自适性,从自适性、速度、稳定性、可靠性、自动化程度等5个方面对算法进行了分析比较,并总结得出算法的适用范围。

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%。

基于高分辨率网络的全钢子午线轮胎钢丝圈区域边界分割

针对全钢子午线轮胎中纹理复杂、结构多变的钢丝圈区域边界分割困难的问题,提出一种基于高分辨率网络的轮胎钢丝圈区域边界分割方法;根据垂直投影曲线信息实现轮胎X射线衍射图像各区域的划分;利用直方图均衡化提高图像的明暗对比度,增强纹理信息;根据高分辨率网络输出的热图,基于自适应阈值方法进行边界分析,通过计算热图不同区域的阈值得到对应的二值图,统计热图中边界区域面积并筛除过小的部分,根据剩余区域重构热图并利用边界上下文信息填补被筛除的位置,从而得到整体边界分布均匀、精细的热图;在自建数据集上测试所提出方法的检测性能,通过消融实验探讨所提出的方法及其优化模块对最终边界分割结果的影响,并将所提出的方法与2种常用方法进行定量和定性对比。结果表明,钢丝圈区域的包布、反包边界分割准确率分别达到98.94%、97.23%,相对于2种常用方法,所提出的方法具有较强的稳健性和适用性。

基于高分辨率卷积神经网络的皮肤常见肿瘤智能诊断模型构建

目的探究高分辨率卷积神经网络(HRNetW32)模型在皮肤常见肿瘤临床诊断中的应用。方法基于高分辨率特征提取皮肤常见肿瘤智能诊断模型,利用HRNetW32模型,实现统一输入皮肤常见肿瘤皮肤镜图像,自动预测皮肤常见肿瘤类型的诊断结果;同时将构建的模型与VGG16、VGG19、ResNet34等常见卷积神经网络模型进行对比分析。结果HRNetW32模型在训练集和验证集准确率分别为99.72%和95.00%,损失函数值分别为0.15和0.21,表明所构建的模型能准确高效地提取皮肤常见肿瘤皮肤镜图像的高维特征。同时HRNetW32模型表现出了优于VGG16、VGG19、ResNet34模型的精确率、召回率、Micro F1分数、灵敏度、特异度、真正率和假正率。结论HRNetW32模型可用于常见皮肤肿瘤筛检,且诊断准确率较高,具有较高临床诊断价值。

一种高分辨率雷达二维图象的特征提取与目标识别方法

本文首先分析了雷达目标散射信号特征，在此基础上，根据雷达图象的特点，采用矩描述方法提取二维雷达图象特征；然后，通过ＢＰ神经网络训练识别。最后，分析了不同雷达散射信号与建库、识别的关系。

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。