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。

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。

面向高分辨率遥感影像分类的多尺度光谱-空间-语义特征融合

在核函数集成SVM分类框架下,提出一种融合多尺度光谱-空间-语义特征的高分辨率遥感影像分类方法。首先,以多尺度影像分割集为基础,利用潜狄利克雷分配模型对分割图斑的语义特征进行建模,并结合原始影像的光谱特征以及分割图斑内的空间均值特征,在不同分割尺度下分别开展光谱-空间-语义特征的多核函数融合分类;然后根据多数投票法原则在决策级集成多尺度分类结果,通过最小尺度下的分割影像实现像素级分类结果至面向对象分类结果的转化。不同场景和分辨率数据下开展的实验结果表明,该分类方法能够实现分类结果的自适应平滑分类,并在一定程度上提高建筑物和道路等"同谱异物"地物的区分能力,分类总体精度由基于光谱特征SVM的66.7%和63.7%提升至86.8%和87.2%。

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。

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。

基于语义和边缘特征融合的高分辨率遥感影像水体提取方法

利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型(Semantic Feature and Edge Feature Fusion Network,SEF-Net),用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率(91.97%、92.07%、93.97%),精确率(91.12%、98.37%、97.88%),准确率(89.56%、95.07%、94.06%)和F1分数(91.54%、95.12%、95.88%)均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。

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。

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 。

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法。该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最后利用PLSA方法对各区域进行分析,找出其最可能属于的主题或者类别,从而完成影像分类。文中GeoEye-1和IKONOS影像试验结果表明,该方法能有效提高高分辨率遥感影像分类精度。

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。

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息.目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取,导致分割错误率较高.本文提出一种基于编码与解码结构特征连接的方法,对DeconvNet网络模型进行改进.模型在编码时,通过记录池化索引的位置并应用于上池化中,能够保留空间结构信息;在解码时,利用编码与解码对应特征层连接的方式使模型有效地进行特征提取.在模型训练时,使用设计的预训练模型,可以有效地扩充数据,来解决模型的过拟合问题.实验结果表明,在对优化器、学习率和损失函数适当调整的基础上,使用扩充后的数据集进行训练,对遥感影像验证集的分割精确度达到95%左右,相对于DeconvNet和UNet网络模型分割精确度有显著提升.

基于形状特征的高分辨率遥感影像目标分割

高分辨率遥感影像可以提供更多的地面目标的形状结构与纹理信息,但由于其细节信息特别丰富,因此为相关地物目标的特征检测与提取带来了一定的复杂性。综合梯度边缘检测、区域标识处理与目标形状特征分析技术,提出一种高分辨率遥感影像上建筑物快速提取的方法,并通过试验证明该方法的可行性、快速性和有效性。

道路综合特征下高分辨率遥感影像的提取

针对在高分辨率遥感影像中如何提高道路信息提取的准确度和信息量这一问题,通过对影像光谱和纹理特征的分析,将影像特征按照2种光谱特征和3种纹理特征进行分类,进而改善传统的图像分割方法,选择灰度级数和像素对的相对方向、距离和窗口大小作为参数,再通过灰度共生矩阵运算获取影像的纹理信息,通过对这些纹理特征的综合比较分析,最后确定角二阶矩、熵和对比度作为道路纹理特征统计量;再通过对图像像元分析比较,将图像像元标准差和灰度均值作为道路信息提取的光谱特征;在对道路综合特征分析基础上,再通过对遥感图像几何特征分析,最后利用数学形态学的开运算、闭运算、腐蚀、细化等模型算法对遥感图像进行精细化处理,得到道路提取较好的结果。该方法可用于复杂路况的道路信息提取。

基于深度学习的高分辨率遥感影像目标检测

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一种分层的深度学习模型,通过设定特定意义的分层方法建立目标语义表征及上下文约束表征,以实现高精度目标检测。通过对高分遥感影像目标检测的试验,证明了该方法的有效性。

高分辨率遥感影像特征分割及算法评价分析

图像分割一直是图像处理和计算机视觉领域中的一项关键技术。本文首先从遥感影像地学处理与应用的角度阐述了影像分割技术对于遥感信息提取和目标识别的重要性,然后提出了基于特征的高分辨率遥感影像信息提取技术框架,建立了一套基于特征的遥感影像分割方法及分类体系。同时,鉴于遥感影像分割方法评价的重要性, 阐述了一种高分辨率遥感影像分割方法评价的思路,并对几种典型的基于特征的遥感影像分割方法进行定性和定量的试验和评价,对其各自的性能和适用面进行对比分析。最后,指出了遥感影像特征分割方法所存在的问题及其发展趋势。

利用边缘密度特征提取高分辨率遥感影像中的居民区

居民区相对于其他区域具有更明显更丰富的边缘特征.根据这一特点,提出一种利用边缘密度特征差异进行高分辨率遥感影像居民区自动提取的方法.该方法首先利用Mean Shift算法平滑原始影像,然后检测平滑影像上的边缘并拟合成直线段,最后利用影像中的边缘密度分布构建空间投票矩阵,并结合Ostu阈值分割方法提取居民区.实验表明:该方法可用于提取场景比较复杂的影像中的居民区,且具有较高的准确率和鲁棒性.