共查询到10条相似文献,搜索用时 140 毫秒
1.
高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。 相似文献
2.
3.
4.
根据高层建筑物在遥感影像上的特点和利用相关系数测度进行基于灰度的影像匹配的特点,结合影像匹配的结果和高层建筑物阴影提取结果,提出了一种基于相关系数的高层建筑物区域综合检测算法.实验表明,利用该方法进行高层建筑物的检测,具有较高的检测成功率. 相似文献
5.
地震发生后,利用高分辨率遥感图像进行建筑物损毁检测,有利于快速评估灾害损失。在分析损毁建筑物梯度分布的基础上,提出了一种利用梯度局部空间统计检测震害损毁建筑物的方法。首先用Prewitt算子提取图像梯度信息;然后对梯度图像进行局部空间统计,统计各建筑物屋顶内部梯度的空间相关性,得到初步损毁检测结果;最后,在先验知识的指导下进行极小值分析和阴影检测,进一步修正建筑物损毁检测结果。分别以玉树地震后的Quickbird卫星遥感图像和盈江地震后的光学航空图像为例进行实验,结果表明,利用梯度局部空间统计检测震害损毁建筑物的方法效果优于传统损毁检测方法,总体精度达到80%以上,能够有效检测损毁建筑物。 相似文献
6.
针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。 相似文献
7.
建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义。本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversarial networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成。RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果。RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓。该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测。为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试。试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86。 相似文献
8.
9.
针对航空影像中已分割出的建筑物顶面,提出了一种利用视觉词袋模型检测建筑物顶面损毁区域的方法。该方法首先利用简单线性迭代聚类方法对建筑物顶面进行超像素分割,然后对超像素区域利用颜色和梯度方向直方图特征构建视觉词袋模型,最后使用支持向量机(support vector machine,SVM)对超像素区域中的损毁区域进行检测。实验结果表明,该方法能有效判定建筑物顶面损毁区域,对提高建筑物整体损毁检测精度具有重要意义。 相似文献
10.
灾后建筑物损毁检测有助于灾后的迅速救助,因此,开展对高分辨率遥感影像灾后建筑物损毁检测的研究具有重要意义。本文提出了一种基于局部拉普拉斯算子的高分辨率遥感影像灾后建筑物损毁检测的方法。首先,利用局部拉普拉斯算子将灾后高分辨率遥感影像分为平滑表面类和粗糙表面类,然后,根据灾害前建筑物数字线划图提取灾害后未损毁建筑物得到检测结果。为验证本文方法的有效性,采用两组纽约市2012年飓风后的高分辨率遥感影像进行实验。结果表明,本文提出的方法能取得超过92%的总体精度。 相似文献