应用区域统计特征的PolSAR影像分割

目的提出一种利用区域统计特征的PolSAR影像分割方法,以解决目前研究中在降低斑点噪声和提高分割效率方面的不足。方法首先利用基于梯度分割影像的分水岭算法进行SAR影像初分割,针对差值梯度非恒虚警率(CFAR),可能给出虚假边缘从而导致分割错误的问题,引入恒虚警率的均值比率梯度(ROA);同时,考虑到梯度影像中存在大量局部极小值,直接用分水岭处理得到初分割结果,存在过度过分割,给出了一种利用形态学方法进行梯度重构以消除局部极小值、抑制过分割的方法。然后,基于初分割得到区域,计算区域相干矩阵的最大似然估计,结合假设检验和相干矩阵的Wishart分布,给出一种有效描述区域相似度的目标函数,通过建立区域邻接关系图(RAG),执行等级区域合并得到最终分割结果。结果利用模拟数据,德国奥伯法芬霍芬L波段实测数据和中国海南陵水黎族自治县X波段的高分辨率数据,验证本文方法,初分割结果证实梯度重构处理不会破坏原有梯度结构,并能有效抑制过分割;最终分割结果定性定量对比分析表明,本文给出的目标函数,在分割效率、信息保持和分割精度上都有较好表现。结论实验结果表明,本文方法能有效降低斑点噪声,提高分割效率,从而提供更加准确的分割结果。

基于改进HRNet的遥感影像冬小麦语义分割方法

冬小麦在影像中呈现田块碎小且分布零散等空间特征,同时影像包含的复杂地物对冬小麦识别造成干扰,易出现识别精度低且边界分割模糊等问题。为及时准确获取大范围冬小麦空间分布信息,该研究以高分二号卫星影像作为数据源,提出一种CAHRNet(change attention high-resolution Net)语义分割模型。采用HRNet(high-resolution Net)替换ResNet作为模型的主干网络,网络的并行交互方式易获取高分辨率的特征信息;联合OCR(object-contextual representations)模块聚合上下文信息,以增强像素点与目标对象区域的关联性;3)引入坐标注意力(coordinate attention)机制,使网络模型充分利用有效的空间位置信息,以保留分割区域的边缘细节,提高对分布零散、形状多变的冬小麦田块的特征提取能力。试验结果表明,在自制的高分辨率遥感数据集上,CAHRNet模型的平均交并比(mean intersection over union,MIoU)和像素准确率(pixel accuracy, PA)分别达到81.72%和97.08%,MIoU相较U-Net、DeepLabv3+分别提高了9.09、2.44个百分点;PA相较U-Net、DeepLabv3+分别提高6.80、1.59个百分点,说明CAHRNet模型具有较高的分割识别精度,可为进一步准确获取冬小麦作物分布信息提供技术支撑。

SAM在遥感影像通用语义分割中的应用

Segment Anything Model(SAM)是Meta公司最新发布的一个处理图像分割任务的通用模型,与FCN、U-Net等只能处理特定类型图片的图像分割模型不同,SAM具有较强的泛化能力。本文简述了目前主要的图像分割模型及特点,提出了基于SAM的遥感影像通用语义分割方法,研发了软件平台,并详细阐述了各功能模块的设计思路。实践表明,SAM在遥感影像通用分割方面具有良好的应用效果,研究成果在自然资源调查监测、农作物种植结构提取等工作中得到广泛应用。

基于窗口注意力聚合Swin Transformer的无人机影像语义分割方法

采用无人机遥感影像进行地物分类的过程中,由于无人机影像的小尺寸地物目标不够突出和无人机影像背景复杂、地物信息难以辨别等问题,采用现行的经典语义分割方法难以获得理想的地物分类效果。该研究以Swin Transformer网络模型为基础,提出了基于窗口注意力聚合Swin Transformer(window attention aggregation Swin Transformer,WAA SwinT)的语义分割网络模型方法。采用了多窗口注意力聚合的方式来进行更精准的注意力计算,以提升无人机遥感影像中的小尺寸地物目标的分类精度和质量。同时借鉴嵌入连接的思想,采用多级特征嵌入连接解码器改善网络结构,应用于无人机遥感影像的分割中,取得了更精细化的分割效果。为了验证提出的方法在无人机影像语义分割中的效果,分别在城市无人机遥感影像UAVid数据集和UDD数据集进行了实验,并与现行的经典语义分割方法进行了对比。实验结果表明,语义分割方法在UAVid数据集和UDD数据集上均可以得到最佳的语义分割效果。同时,该语义分割方法能显著地提升无人机影像中小尺寸地物精准分割的质量。

基于级联U-Net的遥感影像道路分割和轮廓提取方法

针对基于深度学习的遥感图像道路信息提取模型往往只能输出单任务结果且多任务之间相关性利用不充分的问题,提出了一种基于级联U-Net的道路语义分割和轮廓联合检测方法,将道路语义分割后的特征图与原始图像融合后进行道路轮廓的提取,实现道路语义分割和边界轮廓的联合训练。首先使用U-Net网络结构提取光学遥感图像丰富的层次化特征,通过级联结构将特征串联融合,分别用于提取道路的语义类别和边界轮廓。其次在每级U-Net结构中引入注意力机制模块,进行空间上下文信息和深层次特征提取,改善网络提取过程中出现的细节模糊现象。最后,使用骰子系数和交叉熵误差组成的联合损失函数进行多任务整体训练,实现深度学习模型对遥感图像中道路语义类别和边界轮廓的同时提取。通过在加拿大渥太华城市地区的光学遥感数据集上进行实验,基于级联U-Net的道路信息联合提取方法在分割指标上分别获得了42%的精确度、58%的召回率、48.2%的F1分数以及71.6%的平均交并比,在道路检测指标上取得了0.896的全局最佳阈值(ODS)。结果表明,该模型在满足联合提取道路多任务信息的同时具有更优的检测精度。

结合通道交互空间组注意力与金字塔池化的高分影像语义分割网络

高空间分辨率(高分)遥感影像中存在海量信息,因此对高分影像的语义分割研究十分重要。传统机器学习方法的语义分割精度和效率均不高,近年来,深度学习方法迅速发展,逐渐成为影像语义分割领域的常用方法,已有研究将SegNet、Deeplabv3+、U-Net等神经网络引入遥感影像语义分割,但效果有限。考虑高分影像的特性,对用于遥感影像语义分割的U-Net网络进行了改进。首先,在U-Net网络特征提取过程中使用通道交互空间组注意力模块(channel interaction and spatial group attention module,CISGAM),使得网络能够获取更多有效特征。其次,在编码过程中将普通卷积层变换为残差模块,并在U-Net的编码器和解码器之间用加入了CISGAM的注意力金字塔池化模块(attention pyramid pooling module,APPM)连接,以加强网络对多尺度特征的提取。最后,在0.3 m分辨率的UC Merced数据集和1 m分辨率的GID数据集上进行实验,与U-Net、Deeplabv3+等原始网络相比,在UC Merced数据集上的平均交并比(mean intersection over union,MIoU)分别提升了14.56%和8.72%,平均像素准确率(mean pixel accuracy,MPA)分别提升了12.71%和8.24%。在GID数据集的分割结果中,水体、建筑物等地物的综合分割精度大幅提升,在平均分割精度上,CISGAM和APPM较常用的CBAM和PPM有一定提升。实验结果表明,加入CISGAM和APPM的网络可行性与鲁棒性均较传统网络强,其较强的特征提取能力有利于提升高分辨率遥感影像语义分割的精度,为高分辨率遥感影像智能解译提供新方案。

基于多尺度及DESTIN约束的高分遥感影像田块语义分割方法研究

[目的]本研究旨在改善基于深度学习的遥感影像田块语义分割中出现的区域不封闭、边缘不贴合、噪点问题,并进一步修正语义分割的识别错误。[方法]以安徽省阜南县、江苏省淮安市为研究地点,自建了农田田块数据集,引入考虑影像多尺度特征的尺度分割思想与基于物候学的DESTIN(delineation by fusing spatial and temporal information)分割算法,提出了基于多尺度及DESTIN约束的高分遥感影像农田田块语义分割方法。[结果]多尺度与DESTIN约束下基于深度模型的田块语义分割有效改善模型出现的区域不封闭、边缘不贴合、噪点和块状模糊等问题,一定程度修正了深度模型语义分割的错误识别,IoU指标在2个测试集上分别达到94.08%和90.79%,相较深度模型的遥感影像田块语义分割分别提高1.65%和2.32%,对研究区域的田块提取区域更完整、精度更高。[结论]多尺度及DESTIN约束进一步改善了田块语义分割问题,有助于提高高分遥感影像的田块识别精度。

基于SF-Unet的高分辨率耕地遥感影像分割

利用深度学习实现遥感影像耕地区域自动化检测,取代人工解译,能有效提升耕地面积统计效率。针对目前存在分割目标尺度大且连续导致分割区域存在欠分割现象,边界区域情况复杂导致边缘分割困难等问题,提出了语义分割算法——Swin Transformer,TransFuse and U-Net(SF-Unet)。为强化网络不同层次特征提取和信息融合能力,提升边缘分割性能,使用U-Net网络替代TransFuse网络中的ResNet50模块;将Vision Transformer(ViT)替换为改进后的Swin Transformer网络,解决大区域的欠分割问题;通过注意力机制构建的Fusion融合模块将2个网络输出特征进行融合,增强模型对目标的语义表示,提高分割的精度。实验表明,SF-Unet语义分割网络在Gaofen Image Dataset(GID)数据集上的交并比(Intersection over Union,IoU)达到了90.57%,分别比U-Net和TransFuse网络提升了6.48%和6.09%,明显提升了耕地遥感影像分割的准确性。

基于U^(2)-Net+的透水混凝土CT影像孔隙分割

针对现阶段主流的透水混凝土CT影像孔隙分割方法存在的问题,提出了一种堆叠高效RSU模块的U^(2)-Net+的图像分割方法。该方法通过堆叠高效的RSU模块,在网络中引入了更多的上采样节点和跳跃连接,还原了更多下采样阶段丢失的特征图细节;在编码阶段增加了一个可学习的下采样操作,进一步提升了网络对细节的捕获能力;简化了原网络的深度监督,避免了底层特征图对融合输出特征图的负面影响;将单一的标准二分类交叉熵损失函数改为Focal loss和IoU loss组成的混合损失函数,提升了网络对高噪声孔隙的关注度;最后由于数据集的特点加网络改进的提升,原网络中各模块的中间通道数得以进一步缩减,减小了网络体积。试验结果表明,U^(2)-Net+相比U^(2)-Net†在保证轻量化和快速性的同时,平均交并比、精确度、F1得分由94.12%、88.89%、93.28%分别提升至94.24%、91.15%、94.29%;U^(2)-Net+综合指标优于U-Net、U-Net++、U-Net3+、U^(2)-Net、U^(2)-Net†,各指标相较于主流的阈值分割算法至少提高23.29%,实现了透水混凝土CT影像孔隙的精准、快速分割。

一种改进的Unet医学影像分割模型

高准确率和高精确度的医学图像分割是业界研究的一大难题。Unet是优秀的近年来被广泛应用于医学影像分割的神经网络模型,在具体应用时,样本量少、前后背景不均衡等实际问题极大地影响了模型的分割准确率和分割精度。针对上述问题,提出了一个改进的Unet医学影像分割模型。首先改进了Unet下采样模块,在应用传统卷积的同时引入空洞卷积分支,既扩大感受野又保留位置等空间特征;其次,结合医学影像分割常用的损失函数引入通道注意力,让模型在正负样本不均衡时更加关注少样本;最后,在finding-lungs-in-ct数据集上进行了实验,模型的iou准确率超过96%,与传统Unet相比,分割性能得到了较大的提升。

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R^(2)提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^(-1),验证R^(2)提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^(-1))。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+纹理特征为变量输入的BP神经网络模型精度最高(验证R^(2)、RMSE、MAE分别为0.690、0.468 mg·g^(-1)、0.375 mg·g(-1))。【结论】采用剔除背景像元的无人机多光谱影像光谱和纹理特征数据并结合BP神经网络可较好地实现覆膜玉米叶绿素含量的反演,研究结果可为无人机遥感快速、准确反演覆膜玉米叶绿素含量提供理论参考。

级联语义分割和边缘检测的GF-2影像耕地提取

针对山地丘陵区的坡耕地和小面积耕地碎片边界模糊不清、分类提取困难的问题,以GF-2影像为数据源,提出了一种级联语义分割和边缘检测模型的遥感影像耕地信息提取方法。首先,针对不同类型耕地的特点选择级联方式;其次,将耕地边缘作为独立的特征类别,结合改进U-Net、DeeplabV3+和DexiNed模型,融合面特征和线特征,使得耕地边缘特征与语义特征能够进行互补,从而提高耕地提取的准确性,实现对复杂地形背景噪声的抑制和不同类型耕地的提取。实验结果表明,对比单一模型DeeplabV3+和U-Net,级联模型的耕地信息提取的总体精度、Kappa系数和F1值均有大幅度提升,针对不同类型耕地级联模型提取的耕地结果更接近真实耕地标注,漏提、误提区域远低于单一模型。

面向地物特征的大幅面遥感影像分割方法

针对大幅面遥感影像在分块边界特征不连续性和超像素分割地物边界精度不高等问题,提出了一种面向地物特征的大幅面遥感影像分割方法。首先,通过降低辐射分辨率来压缩影像数据量,并通过自适应紧密度参数方法获得具有相近尺寸的SLIC(simple linear iterative clustering)分割影像块;然后,对每个影像块分别构建影像的比值植被指数(relative vegetation index,RVI),通过最大类间方差法(OTSU)将像元标记为植被与非植被;最后,采用SLIC对标记像元精细分割,得到最终分割结果。以WorldView-2卫星影像和高分二号卫星影像作为实验数据,进行面向地物特征的大幅面遥感影像分割。实验结果表明,改进算法效率得到提升,精度有所改善。

基于边缘分割与改进CNN的CT影像预诊断技术

针对基于图像识别的智能预诊断精确度较低的问题,文中提出了一种融合边缘分割与改进CNN的CT影像预诊断算法。在Bandelet变换的基础上构建WTS-MRF模型,并采用分割递归算法对CT影像的特征区域进行处理,进而设计出基于决策输出补偿的Faster R-CNN预诊断识别算法。同时还利用了脑出血、肺结核和肾结石等典型病例影像的数据样本,通过设置对比实验验证了该算法的预诊断可靠性。相较于同类预诊断识别方法,所提算法的准确率提升了6%,CT影像的分割准确率平均值为90%,预诊断识别精确率的平均值则可达96.9%。故其性能优于同类文献对比算法,能为基于人工智能的CT影像预诊断技术发展提供一定的理论支撑。

基于多尺度分割的高分遥感影像典型目标分类

以大连市发现王国主题公园地区GF-2影像作为数据源,利用eCognition软件对影像进行多尺度分割,并在不同层次结合一系列分割对象的特征信息,创建适用于本次研究的分类体系与规则,对五种目标地物以面向对象的分类方法进行分类。经研究,与基于单个像素的最大似然法遥感影像分类相比,基于多尺度分割的高分辨率遥感影像分类能够提取出更多有用的空间信息,同时可有效避免“椒盐噪声”等现象,可更好地应用于高分辨率遥感影像分类。

影像密集匹配点云数据的建筑物平面分割方法

针对目前点云分割方法在影像密集匹配DIM点云中容易过分割和欠分割的问题,提出一种DIM点云数据的建筑物平面分割方法。首先对原始点云进行局部高程分割并投影到xoy平面;其次根据点云密度分布进行去噪并采用随机采样一致性结合欧式聚类算法提取建筑物轮廓线段;再次以提取的线段作为约束条件分割建筑物立面点云;最后使用欧式聚类算法提取屋顶点云。实验结果表明,该方法能有效地分割DIM建筑物平面点云。

基于Transformer的遥感影像弱监督语义分割

针对遥感影像语义分割任务场景复杂、标注成本高的问题,提出一种基于Transformer的端到端图像级标签弱监督语义分割网络。首先,通过多类别标记编码模块,提高类别激活映射图的精确度和细粒度;其次,通过亲和伪标签生成模块进一步完成亲和关系表征的细化,生成高精度亲和伪标签作为分割监督信息,从而提高弱监督网络的能力;同时,设计混合标签数据增强模块强化遥感数据构成;最后,给出融合亲和损失的混合损失函数,强化网络的学习性能。在ISAID数据集上的实验结果表明,该模型在使用图像级标签下分割结果的mIoU达到38.836%,较对照网络表现出更好的鲁棒性和可靠性,在遥感影像弱监督语义分割领域具有较高的应用价值。

一种基于改进的Unet网络的遥感影像建筑物分割方法

针对传统语义分割方法在山地、丘陵等地区提取建筑物噪声大、鲁棒性差、精度不高的问题,提出了一种改进的Unet网络的遥感影像建筑物分割方法。该方法结合模型结构和非结构优化,使用随机数据增强模块增强样本,利用空洞卷积增加卷积层感受野,利用FRN数据归一化方法解决小批量对数据归一化的影响并缓解梯度弥散问题,利用ELU激活函数减少噪声、提升鲁棒性、缓解梯度消失,使用随机投票预测模块提高预测准确率。使用重庆农村地区的遥感影像,在Unet、Segnet、Deeplabv3plus及本文改进模型之间对比实验,结果表明,所述方法在复杂环境下的建筑物分割中表现更好,验证样本中的分类总体精度为95.08%,mIoU为81.28%,显著高于其余3种分类算法。该研究可以为山地城市、丘陵地区遥感影像建筑物提取研究提供参考。

基于图像分割的低空影像预处理与匹配

为解决当前低空影像匹配准确率低,影响图像资源利用价值的问题,本文基于图像分割研究低空影像匹配。在匹配前,须预处理低空拍摄的影像。在此基础上,提取影像特征点与特征面,描述并匹配低空影像,提出一种新的低空影像匹配方法。试验结果说明,图像分割后,新的匹配方法准确率明显提高,有效提升低空影响资源利用价值。

改进U-Net融合空洞卷积的肝脏计算机断层扫描影像分割算法

为了提高肝脏计算机断层扫描(CT)影像分割的精度并解决边缘修正不平衡问题,提出一种基于改进U-Net并融合空洞卷积的肝脏CT影像分割算法。通过引入改进注意力特征机制模块增强全局信息,将传统的空洞卷积分解为一维卷积,并结合残差连接来强化上下文信息。使用编码器筛选U-Net中的图像信息,将改进的U-Net模块与空洞卷积模块融合,并通过混合池化层进行图像分割。在医学图像分割十项全能肝脏数据集上的实验结果表明,该算法在保留肝脏CT影像边缘信息的精度上优于其他模型,系数D和Q分别为93.98%和96.74%,平均分割时间仅57 ms。