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。

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。

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.

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。

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。

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。

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。

结合光谱相似性与相位—致模型的高分辨率遥感图像分割方法

提出一种结合高分辨率遥感图像的光谱相似性与相位一致边缘检测模型的分水岭分割方法.分水岭分割算法的性能依赖于图像边缘梯度图.利用同类地物的光谱相似性特点,可有效抑制相位一致模型边缘检测中产生的伪边缘和噪声信息,从而获得更好的遥感图像分割结果.首先基于目标像元与其邻域像元之间的光谱曲线距离之和定义光谱相似性模型,结合相位一致模型获得边缘响应强度;然后利用自动标记分水岭变换方法实现高分辨率遥感图像分割.基于此方法和其它方法进行了分割实验,并利用基于多光谱信息熵方法对分割结果进行了非监督评价和比较,同时对比分析了计算耗时.结果表明此方法可有效抑制遥感图像过分割现象,并取得较好的分割结果.

一种基于相位一致的高分辨率遥感图像特征检测方法

精确检测图像边缘特征是进行高分辨率遥感图像分割和识别的关键。空域特征检测算子以解决阶跃形边缘为主,得到的边缘特征对图像的亮度和对比度敏感。本文引入了一种基于频域相位一致的图像特征检测方法,该方法对遥感图像亮度和对比度具有不变性,同时适用于多种边缘特征的检测。使用Log Gabor小波计算IKONOS Pan图像的相位一致多尺度梯度,对农田、道路和厂房等典型地物进行特征检测的结果表明,相位一致算法对图像局部亮度和对比度不敏感;并且对线形物体产生单线响应,不似空域检测算子产生双线响应。最后考察滤波器尺度和方向参数变化及添加高斯噪声对检测结果的影响,发现相位一致算法无需先使用低通滤波去除噪声,因而具有更稳定的特征定位精度;并且抗噪声干扰的能力强,检测结果不会因为噪声而出现波动。基于相位一致的遥感图像不变特征提取,为高分辨率遥感图像的分割和对象识别提供了基础。

一种基于频谱段能量的高分辨率遥感图像边缘特征检测方法

从图像信号的能量角度出发，探讨一种基于频谱段能量的高分辨率遥感图像边缘检测的方法。该方法采用滑动窗口傅里叶变换和频谱能量分段叠置的手段，将含有噪声的图像信号分解到不同的频谱段中，然后根据直流中心频谱段图像良好的噪声抑制特性，在此基础上进一步分析其高阶频谱段能量对图像边缘特征的贡献作用，将3×3的滑动子窗口中频谱半径为1～1.5范围内的频谱能量系数进行求和叠置，并量化至0～255的灰度范围，得到最终的边缘检测图像。试验结果表明，基于频谱能量所检测出的图像边缘特征响应较为显著，视觉效果尚可，并且具有特定方向上的边缘检测能力。

结合纹理信息的高分辨率遥感图像变化检测方法

高分辨率遥感图像的纹理信息同光谱信息一样能有效地用于检测变化信息,而一些基于中低分辨率遥感图像的变化检测方法多以光谱信息为研究对象,忽略了图像中的纹理信息。针对这一问题,尝试将高分辨率图像的光谱信息与纹理信息一起用于"差值主成分变化检测"方法中,一方面借助高分辨率图像间纹理信息的差异获取变化区域内部的细节信息,以弥补高分辨率图像间光谱区分度相对不足的缺点;另一方面借助纹理信息在变化区域内部的连结作用,对变化检测结果进行狭窄缺口连结、内部孔洞填充等后续处理,从而使检测结果更加完整。实验结果表明,该方法对光谱反射信息相近、但纹理信息有较大差异的变化区域具有良好的检测效果。