用于高分辨率遥感影像地类识别的Deeplabv3+改进模型

在高分辨率遥感影像地类识别上,语义分割网络Deeplabv3+表现优异,但是所需参数非常多,训练时间久。遥感影像中的地类与普通RGB图片中的对象相比颗粒度非常大,其具有更显著的特征以及更少的类别,并不需要过深过大的网络。因此,文中提出了一种基于轻量级网络的语义分割模型(Thin-Deeplabv3+),对Deeplabv3+的编码器进行了改进,利用轻量级膨胀网络(Light and Dilated Network,LDNet)提取输入遥感影像的特征,然后利用膨胀系数分别为2、12、24和36的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块加强特征提取。在高分遥感影像数据集(Gaofen Image Dataset,GID)以及DeepGlobe土地覆盖分类挑战数据集(DeepGlobe Land Cover Classification Challenge,DLCCC)上的实验结果表明,Thin-Deeplabv3+的识别精度高于Deeplabv3+,并且所需参数仅约为Deeplabv3+的1/10。

基于改进DeepLabv3+的遥感影像道路提取算法

道路提取可以帮助人们更好地理解城市环境,是城市交通和城市规划等方面的重要部分,随着深度学习与计算机视觉的发展,利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟。针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题,提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+。首先,将主干特征提取网络更换为轻量级的MobileNetv2,减少参数量,提高模型的执行速度;其次,通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野,再级联不同特征层来增强语义信息的复用性,从而加强对细节特征的提取能力;再次,加入ECANet注意力机制,抑制背景环境中的干扰因素,聚焦道路信息;最后,采用改进的损失函数进行训练,消除了道路与背景样本不均衡对模型性能产生的影响。实验结果表明,改进算法的性能优良,与原始DeepLabv3+算法相比,在分割效率、分割精度上有较大的提升。

一种DeepLabv3+结构改进的高分遥感影像红树林边界识别方法

针对红树林自动监测与保护的迫切需求,文章提出一种DeepLabv3+改进模型的高分辨率遥感影像红树林的识别方案。改进方案主要包括在DeepLabv3+的ASPP(Atrous Spatial Pyramid Pooling)结构中,引入深度可分离卷积和SE(Squeeze and Excitation)注意力机制,以及在解码端加入CBAM(Convolutional Block Attention Module)注意力机制和多尺度融合技术,以提高模型对红树林关键特征的捕捉和表征能力,从而减少漏检和误检现象。经过严格的精度评价,改进后的DeepLabv3+模型在总体精度上达到了99.60%,在召回率、红树林类交并比(Mangrove-IoU)和类F1-score上也分别达96.05%、95.31%和97.60%。与原始DeepLabv3+、HRNet和PSPNet模型相比,改进模型在所有主要评价指标上表现更优,红树林的识别准确性和边界提取能力明显提升。应用分析也进一步验证了模型的泛化能力和应用潜力。研究成果可优化红树林的实时监测技术。

结合MobileNet的改进DeepLabv3+遥感影像道路提取方法

针对现有深度学习网络提取遥感影像中道路时存在的分割精度较低、错检率高、检测效率较低等问题,本文提出一种改进模型MB-DeepLabv3+。在编码器层,利用MobileNetv3作为特征提取网络,同时引入全局注意力机制计算空间与通道层面的样本注意力权重;在解码器层,以密集上采样卷积核代替双线性内插法进行特征图上采样。在Deep Globe数据集上的实验结果表明,本文所提出算法在准确率上达到了98.39%,较原始DeepLabv3+提高了2.6%,并且对单幅影像的提取计算效率也有所提升,面对不同复杂程度的道路影像,较对照组内其余模型在漏洞、错误提取等问题上有了显著的改善,能够实现高效精准的道路提取。

基于遥感影像与3D激光扫描技术的船舶靠泊安全管理研究

针对船舶靠泊过程中安全风险难以实时监测和量化评估的问题,文章提出了一种结合遥感影像与3D激光扫描技术的新方法,利用3D激光扫描技术精确提取船舶靠泊过程中的三维数据。研究结果表明,在第230s左右,船首距离与船尾距离基本重合,第270s船首与船尾速度基本一致,在第230s左右靠拢角度为0。该方法可有效识别船舶靠泊过程中的潜在风险,实现船舶安全管理。

基于Deeplabv3+与高分遥感影像的城市新增建设用地变化检测

城市新增建设用地对城市热岛效应、大气污染、工地扬尘与城市生态环境具有显著性影响,实时动态掌握城市新增建设用地发展现状可协助城市规划管理部门掌握城市发展趋势与速度。针对复杂场景下城市新增建设用地变化检测结果容易出现误检的问题,以Deeplabv3+深度语义分割模型作为变化检测基础网络框架,设计了一种端对端基于深度学习的高分遥感影像城市新增建设用地变化检测方法,实现了面向复杂地表覆盖场景下丘陵山区城市新增建设用地精细化、高精度、智能化变化检测研究。实验结果表明,基于Deeplabv3+的变化检测方法精度达92.93%,相对于其他对比方法,变化信息的解译与识别能力提升明显,误检问题得到了较大改善,具有较好的变化检测效果。

基于Sentinel-3 OLCI影像的渤海FUI水色指数遥感提取及应用

水色是水体水文学特征的基本要素之一。水色测定主要是采用福莱尔比色表(Forel-Ule Scale)将自然水体按颜色从深蓝到红棕共分为21个级别,用以观测、记录海洋和内陆水体的颜色。基于2020—2021年大辽河口、黄河口西南及秦皇岛近岸海域的现场实测数据和同步Sentinel-3 OLCI影像,验证了FUI水色指数遥感提取结果的准确性,发现当现场测量时间与卫星过境时间接近时,FUI水色指数遥感提取结果与实测结果基本一致。利用2021年1—12月Sentinel-3 OLCI影像,提取了渤海月均FUI水色指数遥感产品,发现渤海FUI水色指数的主要变化区间为5~17,整体呈现辽东湾、渤海湾及莱州湾沿岸海域高,秦皇岛海域及其他离岸海域低的空间分布特征,且存在秋冬季高、春夏季低的时间变化规律。此外,FUI水色指数对诸多海洋生态环境问题具有显著的指示功能。尝试将其应用于海洋水色异常和海水水质类别观测,均取得了较好的应用效果。由此可见,FUI水色指数遥感提取将在今后的海洋生态环境监测与评价方面发挥重要作用。

改进Deeplabv3+的高分辨率遥感影像道路提取模型

针对传统的道路提取方法在高分辨率遥感影像中存在提取效果差和提取速度慢的问题,提出了改进Deeplabv3+的高分辨率遥感影像道路提取模型。采用MobileNetv2主干特征提取网络与Dice Loss函数相结合,较好地平衡了高分辨率遥感影像道路提取精度与速度的矛盾,实现较高提取精度的同时减少了模型参数,满足了时效性的要求。基于开源道路提取数据集的实验结果表明:①该文提出的道路提取模型在高分辨率遥感影像上具有可行性,提取道路的整体精度达到98.71%,具有较高的提取精度;②在提取道路的速度方面该方法平均帧数达到120.05,模型参数量仅为5.81 M,总体上比原模型更加轻量化,表明该方法满足了时效性的要求。该方法在大幅减少参数量、满足时效性的同时保证了提取的精确度,为提高基于高分辨率影像的道路提取精度和速度提供了一种新的改进思路和方法。

采用通道域注意力机制Deeplabv3+算法的遥感影像语义分割

为提取高分辨率遥感影像的典型地物,且针对Deeplabv3+在遥感图像分割任务中,边缘分割比较模糊,存在孔洞和遗漏分类的问题,基于深度学习提出在Deeplabv3+加入通道注意力机制模块以增强分割结果的方法。先通过深度卷积网络得到的高级特征图输入到通道注意力机制,进行通道间像素特征强化,再通过空间金字塔池获得多尺度输入图像,并且进行了类别不平衡的修正,提取出了完整的图像分割信息,实现了分割边界信息的优化。最后,通过采集广州市高分二号遥感影像进行遥感数据处理、标注、增强之后进行实验,对比经典语义分割网络U-Net、SegNet、PSPNet,结果表明,该方法的评估指标MIOU达到了96.19%,MPA达到了97.85%。

基于WorldView-3卫星带状影像生产地形级地理场景数据

实景三维中国建设要求地方层面生产2 m格网DSM、DEM及优于0.5 m分辨率DOM的地形级地理场景数据。对WorldView-3卫星带状影像数据,采用传统的灰度匹配、特征匹配、变换域法匹配的方法,无法获得足够满足要求的连接点。本文采用基于频率相位匹配辅助的概率松弛控制点匹配方法进行连接点匹配,获得的满足精度要求的连接点数量多且分布均匀,后续生产的DSM、DEM及DOM地形级地理场景数据精度满足要求,为实景三维西藏察隅试点建设顺利开展提供了技术支撑。

基于深度学习的国土资源遥感影像分类模型

针对国土资源遥感影像分类中,遥感影像分类鲁棒性以及精确性不高的问题,提出结合深度学习的国土资源遥感影像分类模型。通过改进的UNet3+深度学习网络进行国土资源遥感影像分类检测,该改进UNet3+深度学习网络在保留UNet3+深度学习网络全尺度跳跃连接以及深度监督机制的前提下,引入注意力机制对深度学习网络的参数以及特征提取做出进一步优化,避免过拟合以及运算量较大的问题。通过实验验证,基于深度学习的国土资源遥感影像分类模型在不同尺度的遥感影像观测上均表现出优异的检测精度及分类性能。其中,当观测尺度为500 m时,边界分割误差可以控制在-2~1 m范围内。相比其他深度学习网络,改进模型在分类检测精度上更具优势。

遥感影像中阴影检测应用

本研究通过对现有阴影探测算法的比较,对左权县土地确权过程中航空遥感影像上的阴影区域进行了研究。我们采用基于HSV-C1C2C3彩色模型的算法研发阴影探测,经过验证发现它的探测效果是非常出色的。我们开发了基于MATLAB的Shadown识别软件,并在此基础上加以完善。研究结果对地物的正确识别、土地权属界限的准确划定及植被研究等具有重要的意义。

DeepLab V3+网络在遥感影像中城市水体的提取方法

针对目前高分辨率卫星影像水体提取分割尺度失真、边界不完整、低反射率地物错提等问题,采用了一种DeepLab V3+网络模型的水体语义分割的方法.该方法考虑下采样提取特征过程中损失的遥感影像细节特征,通过深度卷积神经网络模块(Deep convolution neural network,DCNN)和空洞空间金字塔池化模块(Atrous spatial pyramid pooling,ASPP),提高分割精度且能够适应不同尺度遥感影像的水体提取.利用高分二号遥感影像制作的国内多个地区水体数据集上的实验结果表明,该方法能够更完整提取遥感影像中的水体信息,在测试集上像素精度(Pixel Accuracy,PA)达到了91.07%,交并比(intersection over union,IoU)达到了71.33%,明显优于经典的全卷积网络(fully convolutional networks,FCN)和U-Net网络,这说明DeepLab V3+网络能够明显改善城市水体在高分辨率遥感影像的语义分割精度.

基于3D FPN的多时相遥感影像农作物分割

为了解决目前面向多时相遥感影像农作物分割中存在的研究较少、分割精准度较低等问题,设计了一种基于3D特征金字塔网络(FPN)结构的模型,并引入空洞空间卷积池化金字塔(ASPP)模块,使得该网络能够捕获图像的多尺度特征,融合图像更多的上下文语义信息.此外针对数据集类别数量和难易区分程度不平衡的问题,引入了Focal loss函数,通过设置权重因子,使得网络更多关注数量少或难区分的类别.以2019年齐齐哈尔市的多时相遥感影像为数据源,对玉米、大豆、水稻以及其他四种类别进行分割.实验结果显示,总精准度达到了93.6%,平均召回率达到了93.2%,平均准确率达到了94.0%,平均F1得分达到了93.5%,平均交并比(IoU)达到了88.6%,优于3D FCN、3D Unet、2D Unet+CLSTM等农作物分割方法,证明了提出的模型的有效性.

面向复杂陆表的Worldview-2遥感影像融合效果对比研究—以西南边境地区为例

本文以我国西南边境地区为研究区,探讨了不同遥感数据对该区域不同地物人机交互解译的适用性及数据处理方法。综合不同遥感数据的空间分辨率、光谱分辨率、获取成本等要素,Worldview-2数据具有空间分辨率高、光谱分辨率适中、性价比高等特点,是该区域人机交互解译的理想数据。通过遥感数据处理软件ENVI对Worldview-2的多光谱影像和全色影像分别进行CN、GS、PCA影像融合,融合后的影像辨识度关系为:全色影像≈CN > GS>PCA>原始多光谱影像。采用CN融合后的影像颜色变化很大,但辨识度最高,对于该区的耕地、道路、建筑等地物解译具有明显优势,可用于边境管控、防治耕地及林草地蚕食、植被面积统计、少数民族居民地分布调查等。采用GS融合后的影像颜色最接近自然真彩色,对于研究区的植被、农作物类型解译具有明显优势。 PCA融合后的影像色彩与原始多光谱影像具有较小的差距。

基于WorldView-3卫星遥感影像立体测图方案研究

以WorldView-3卫星遥感影像为例,探讨利用WorldView-3卫星遥感影像相关的亚米级卫星遥感影像进行大比例尺立体测图的各种生产工艺流程,以实际生产中的某测区为例,收集该测区的本底影像资料,并获取相关的外业资料,对生产数据进行区域网平差和数据检校,分析各种方案的优缺点,对测区精度进行分析,得出利用WorldView-3卫星遥感影像进行立体测图DLG生产的生产方案。

基于Sentinel-3 OLCI影像的秦皇岛海域悬浮物浓度遥感反演

基于2013~2021年期间秦皇岛海域遥感反射率、悬浮物浓度及叶绿素a浓度等实测数据,开展了该海域Sentinel-3 OLCI影像的悬浮物浓度遥感反演模型研究.结果表明,文献中常用的典型经验模型形式均不适用于秦皇岛海域,以490、620及708.75nm为悬浮物反演的敏感波段,以560nm为参比波段,将各敏感波段与参比波段的比值作为自变量,最终建立了适用于秦皇岛海域的Sentinel-3 OLCI四波段悬浮物浓度遥感反演模型(R^(2)=0.69,MAPE=24.79%,RMSE=2.82mg/L);并采用2021年7月24日Sentinel-3 OLCI影像进行悬浮物浓度遥感反演产品的真实性检验,得到反演值与实测值的平均相对误差为13.24%.将上述四波段模型用于2021年1~12月秦皇岛海域的Sentinel-3 OLCI影像,反演得到月均悬浮物浓度,发现秦皇岛海域悬浮物浓度整体呈现沿岸海域高、离岸海域低,秋冬季高、春夏季低的时空变化特征;且2018~2021年秦皇岛海域悬浮物浓度的年均值逐年递减,水体越来越澄清.

WorldView-2遥感影像融合方法对比研究

高空间分辨率卫星影像的融合研究一直备受关注。本文以WorldView-2全色、多光谱影像为数据源,采用主成分分析、小波-主成分分析、高通滤波、HCS(Hypersherical color space)四种融合方法进行实验,并对融合效果做出定性及定量评价。研究结果表明,HCS法不仅显著提高影像空间细节表现力,而且有效地保持多光谱影像的光谱信息,其融合影像质量最高。

利用等高线数据制作大规模3D遥感影像

把图像数据库的建库思想引入到大规模3D遥感影像的制作中。在此基础上,提出利用合并分割法制作大规模3D遥感影像。将经过特殊处理的等高线数据制成小块DEM,采用两种模式将遥感影像与这些DEM进行纹理映射,从而制作成大规模3D遥感影像。这种方法提高了大规模3D遥感影像的制作水平,进一步增强了大规模3D遥感影像的信息量与实用性。

利用Deeplab v3提取高分辨率遥感影像道路

针对传统道路提取方法存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题,提出了一种基于编码解码器的空洞卷积模型(Deeplab v3)的道路提取方法。首先,对原始高分辨率遥感影像进行标注;其次,利用标注数据集对Deeplab v3模型进行训练、测试;最后,得到高分辨率遥感影像道路提取结果。分析结果可知,该模型能够较好地提取高分辨率遥感影像中的道路边缘特征,相比其他道路提取方法具有更高的提取精度和更加完整的道路信息,正确率可达到93%以上。