基于局部自相似性的遥感图像港口舰船检测

针对高分辨率可见光图像中靠岸舰船的灰度特征和纹理特征与港口设施极为相似而难以自动检测的问题,提出了一种利用邻域自相似局部特征提取算子提取港口舰船局部显著性特征,经过特征空间分析,并利用先验知识信息,自动检测港口舰船的算法和处理流程。实验结果表明,该处理方法具有较好的可操作性和鲁棒性,能够快速准确地检测出港口舰船目标。

高分辨率遥感影像城市房屋信息自动提取模型与实验研究

分析高分辨率遥感影像Quick Bird上房屋信息特征空间,构建Quick Bird影像房屋空间语义模型,并以大庆市东城区为实验区域,利用窗口阈值法对影像进行区域分割后,通过空间语义模型实现Quick Bird影像房屋信息的自动提取,并将提取结果与实地采样数据进行精度对比。结果显示,其形状一致性和面积一致性分别达到89.5%和88%,其中,矩形房屋提取效果最佳,人字形、多边形房屋的提取效果较理想,但圆形房屋提取效果不理想。

利用概率融合光谱-空间特征地物分类模型对高分影像地物进行提取

本文提出了一个联合光谱-空间多特征的基于支持向量机的分类器模型,首先将三类光谱-空间特征利用支持向量机对高分影像进行分类,然后将分类结果利用概率融合的方法进行整合,最终完成了地物的提取。试验结果显示,相比于VS-SVM算法,该模型取得了更好的提取效果。

基于异常区域感知的多时相高分辨率遥感图像配准

在对多时相高分辨遥感图像进行配准时,由于成像条件差异,图像间存在的地物变化与相对视差偏移两类典型异常区域会影响配准精度。针对上述配准中存在的问题,提出一种基于异常区域感知的多时相高分辨率遥感图像配准方法,包括粗匹配和精配准两个阶段。尺度不变特征变换(SIFT)算法考虑到尺度空间属性,不同尺度空间提取的特征点在图像中对应不同大小的斑块,高尺度空间提取的特征点对应图像中的大斑点,其对应地物相对稳定、不易发生变化。首先,利用SIFT算法提取高尺度空间特征点完成图像快速粗匹配;其次,利用灰度相关性度量对图像块进行相对偏移量统计分类以感知视差偏移区域,同时结合空间约束条件,确定低尺度空间特征点的有效提取区域以及匹配点搜索范围,完成图像精配准。实验结果表明,将该方法用于多时相高分辨遥感图像配准,可有效抑制异常区域对特征点提取的影响进而提高配准精度。

融合主题语义特征的高分辨率遥感影像建筑物自动化识别

建筑物提取是高分辨率遥感影像解译领域的一项重要工作,由于遥感技术的宏观性、实时性和周期性特点,基于遥感影像的建筑物识别对于城市管理与国土规划等领域具有非常大的应用潜力。本文介绍了一种基于影像主题语义特征建模的高分辨率遥感影像建筑物提取方法并通过具体的影像场景加以实践应用,该方法首先对影像进行对象级的分割,然后利用LDA模型对分割影像提取语义特征,最后使用SVM分类器综合光谱-空间-语义特征开展建筑物提取。实验表明,该方法能实现较高的建筑物提取精度。

基于双流并行全向扫描Mamba的遥感影像建筑物变化检测

采用深度学习技术对海量遥感影像进行建筑物变化检测与解译分析,可以为自然资源要素管理和国土资源节约集约化提供关键科学依据和数据支持,对自然资源动态监测和空间治理现代化具有重要意义。状态空间模型Mamba结合了全局感受野与动态加权,在时间序列预测任务中能够更好地捕捉趋势和周期性信息,然而目前Mamba在遥感影像密集预测的研究尚不充分,对高分辨率遥感影像变化检测存在计算复杂度高、检测效率低等问题。对影响Mamba算法参数量的关键因素进行了深入分析,提出了双流并行全向扫描Mamba网络,构建通道内的数据并行化处理方法,在通道总数不变的情况下,有效减少单个Mamba块中数据的通道数,实现网络总体参数量的下降和高效的特征提取。在LEVIR-CD和WHU-CD两个数据集上进行了对比实验,结果表明,所提网络各项指标均优于非Mamba架构的网络,与基准网络对比训练效率分别提升了19.45%和8.26%,且在网络参数量与计算复杂度方面显著降低,分别降低了35.8%和22.4%。

面向对象的高分辨率影像特征选择研究

本文主要研究面向对象的高分辨影像信息提取中的特征选择问题。文中分别选择光谱、纹理、形状等特征57个和28个进行特征优化,得到两组分别由46个和4个特征组成的不同的最优特征集,并利用这些特征集采用K近邻、模糊与K近邻级联两种不同的面向对象分类策略进行分类研究。最后从合理性、效率和精度三方面进行了对比分析。实验结果表明,对所有类别进行特征空间优化费时费力,并不合适,分类时需要采用级联的方式将两种分类器联合使用,根据实际需要进行必要的特征选择。

基于多模态平稳序列建模的雷达高分辨距离像有限样本目标识别方法

为了解决雷达高分辨距离像识别系统对训练样本需求量过大的问题,提出了一种有限样本条件下的目标识别新方法。分析了距离像频谱幅度的统计特性,从其广义平稳性和多模态分布特性出发,定义一种线性混合高斯状态空间模型对其统计建模,利用期望最大化算法进行了模型参数估计。实验结果表明:即使在很少的训练样本条件下,该方法仍能获得较高的正确识别率和良好的拒判性能。

基于Worldview-2的乌鲁木齐城区绿地空间格局分析

以乌鲁木齐2010年Worldview-2高分辨率遥感影像为基础,运用面向对象式分类软件Feature Analyst,对乌鲁木齐城区绿地信息进行提取和空间格局分析。绿地信息提取结果与传统的遥感监督分类相比较,分类精度明显提高,可以作为城市绿地分析的依据。分析表明:乌鲁木齐市城区绿地斑块面积为5 360.05 hm2,斑块数量40 048块,绿化覆盖度为30.66%;单位附属绿地占城市绿地的主导地位;城市绿地破碎化程度高,绿地斑块面积大小分布不太均匀,未能形成良好的连通性,在未来的绿地建设中需有针对性的改进。

基于QuickBird影像城市道路特征语义信息提取

快速、准确地获取城市道路信息,对于城市GIS数据更新具有重要意义。以昆明市为研究区,采用QuickBird卫星影像为数据源,开展了城市道路信息提取的特征语义信息提取实验研究。结果表明:1引入人脑认知OAR模型,提出高分辨率遥感影像城市道路认知框架,建立了道路信息提取语义模型,用数学方法和逻辑规则语言表达道路语义模型,再进行特征语义信息提取的研究思路是可行的;2采用Canny算子进行边缘检测道路、道路特征点细化、基于结点的线段追踪,进而提取对象语义信息、空间关系语义信息、局部上下文语义信息,最后通过GIS对提取的道路网络优化,实现道路网络最终提取,经检验提取道路信息长度的准确率为89.19%,宽度的准确率为71.54%,道路提取完整率为50.32%。

面向GF-2遥感影像的U-Net城市绿地分类

目的高分2号卫星(GF-2)是首颗民用高空间分辨率光学卫星,具有亚米级高空间分辨率与宽覆盖结合的显著特点,为城市绿地信息提取等多领域提供了重要的数据支撑。本文利用GF-2卫星多光谱遥感影像,将一种改进的U-Net卷积神经网络首次应用于城市绿地分类,提出一种面向高分遥感影像的城市绿地自动分类提取技术。方法先针对小样本训练集容易产生的过拟合问题对U-Net网络进行改进,添加批标准化(batch normalization,BN)和dropout层获得U-Net+模型;再采用随机裁剪和随机数据增强的方式扩充数据集,使得在充分利用影像信息的同时保证样本随机性,增强模型稳定性。结果将U-Net+模型与最大似然法(maximum likelihood estimation,MLE)、神经网络(neural networks,NNs)和支持向量机(support vector machine,SVM) 3种传统分类方法以及U-Net、Seg Net和Deep Labv3+这3种深度学习语义分割模型进行分类结果精度对比。改进后的U-Net+模型能有效防止过拟合,模型总体分类精度比改进前提高了1.06%。基于改进的U-Net+模型的城市绿地总体分类精度为92.73%,平均F1分数为91.85%。各分类方法按照总体分类精度从大到小依次为U-Net+(92.73%)、U-Net(91.67%)、Seg Net(88.98%)、Deep Labv3+(87.41%)、SVM(81.32%)、NNs(79.92%)和MLE(77.21%)。深度学习城市绿地分类方法能充分挖掘数据的光谱、纹理及潜在特征信息,有效降低分类过程中产生的"椒盐噪声",具有较好的样本容错能力,比传统遥感分类方法更适用于城市绿地信息提取。结论改进后的U-Net+卷积神经网络模型能够有效提升高分遥感影像城市绿地自动分类提取精度,为城市绿地分类提供了一种新的智能解译方法。