双LSTM驱动的高分遥感影像地物目标空间关系语义描述

高分辨率遥感影像中的地物目标具有清晰的类别属性与空间关系语义。在人工智能技术支撑下,用计算机自动认知其空间关系具备了可行性。目前,遥感影像场景的语义理解主要依托图像描述任务(image caption),基于影像的全局特征生成描述语句。但是,这种粗粒度特征容易导致地物目标的类别属性在描述语句生成过程中被错误预测。事实上,以地物目标作为空间关系语义理解的基本单元,更符合人们认知地理空间的习惯。为得到更准确的描述语句,本文构建了基于地物目标的遥感影像语义理解数据集,并提出双LSTM驱动的地物目标空间关系语义理解方法。该方法用目标检测模型识别影像中的显著目标,将这些目标特征输入到语言模型,以缓解描述语句中类别被错误预测的问题。进而,为利用遥感影像场景信息,将影像全局特征与目标区域特征进行融合,并用双LSTM预测目标的注意力分布,提高描述语句生成质量。对比实验结果表明,该方法能生成更准确的图像描述。     

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...     

基于语义规则的高分辨率影像道路交叉口提取方法

为了准确提取遥感影像上道路交叉口目标,提出一种利用特征语义规则从高分辨率影像上提取道路交叉口的方法。该算法构建交叉口模型时将其视为由同质区域像素集合及区域轮廓边界构成的面对象,提取过程分为两步:1)利用辐射、纹理特征语义匹配提取交叉口候选区域;2)通过几何特征语义匹配筛选候选区域、识别交叉口属性。利用多源遥感影像对算法正确性及合理性进行验证,结果表明:算法能准确、完整地提取道路交叉口,可为影像道路网构建提供辅助信息。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于QuickBird影像的城市高大地物阴影检测方法

针对利用高分辨率遥感影像检测阴影时受水体和偏蓝色地物影像的影响问题,提出了一种主成分变换和多波段运算相结合的阴影检测方法。首先,统计、分析了Quick Bird影像中阴影、水体及建筑物等典型地物的光谱特征;然后,基于主成分变换和多波段运算相结合的方法识别阴影区域和非阴影区域,并利用多峰直方图阈值算法对阴影进行自动检测;最后,利用形态学滤波算法对检测结果进行后处理。实验结果表明,该方法对Quick Bird影像中的阴影提取具有较高的精度、效率和普适性。     

高分辨率遥感影像建筑物分级提取

高分辨率遥感影像建筑物信息自动提取是遥感应用研究中的一个热点问题,但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取仍然十分困难。为此,在综合考虑影像光谱、几何与上下文特征的基础上,提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。该方法首先利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。实验结果表明,本文方法能够高效、高精度地完成复杂场景下的建筑物信息提取,且提取结果的正确性和完整性都优于效果较好的PanTex算法。     

10m级分辨率卫星影像道路语义模型研究

道路模型是遥感影像自动/半自动道路提取中重点研究的内容。本文首先介绍了传统的影像道路模型并指出其中不足,从语义的角度阐述了建立道路语义模型的必要性,概述了10m级分辨率卫星遥感影像道路的表现特征,分析了遥感影像道路提取涉及的各层次语义信息,建立了面向10m级分辨率卫星遥感影像的道路语义模型,详细阐述了语义模型的实现过程。将语义模型应用于笔者开发的遥感影像道路提取系统,通过新疆阿图什Spot5多光谱遥感影像道路提取试验,验证了道路语义模型的有效合理性。     

基于深度学习的高分辨率遥感影像自动变化检测

我国城市化发展迅速,地表利用信息处于不断变动中,及时掌握这些变化信息十分必要.但实际作业中,变化信息获取方式仍然以高人力成本方法,如实地外业调查或者目视遥感影像判读为主,生产效率低.因此,本文提出了一种基于语义分割的深度学习变化检测方法.首先,利用编码-解码深度卷积网络,实现遥感影像地物的自动分类;然后,利用Mean-Shift方法分割前后期影像,融合其光谱、纹理和语义信息等特征,对比前后期影像的特征差异,提取出变化置信度图;最后通过EM算法分割变化与未变化类生成二值变化图,得出变化区域范围.该方法为自动化实现地物变化监测提供了有效的解决办案,实验证明,该方法相比人工以及传统分类模型具有更好的检测精度,有效降低了内外业工作量.     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

高分辨率遥感图像双解耦语义分割网络模型

语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确。针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能。进一步提出了一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习。在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度。     

联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类

零样本影像分类技术旨在通过学习数据集的部分类别（可见类）,获得识别在训练阶段未出现类别（不可见类）的能力。该技术在遥感大数据时代具有重要现实意义。目前,遥感领域的零样本场景分类方法对于映射后的语义空间优化关注很少,导致已有方法的整体分类性能较差。基于这一考虑,本文提出了一种基于稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类方法。在训练的有监督学习模块,基于可见类的类别语义向量和场景影像样本,实现深度特征提取器学习和视觉空间到语义空间的稳健映射。在训练的无监督学习阶段,基于全体类别的类别语义向量和不可见类遥感影像样本,分别通过协同表示学习和k近邻算法来渐进修正不可见类类别的语义向量,从而缓解可见类语义空间与不可见类语义空间的漂移问题和自编码跨域映射模型映射后不可见类语义空间与协同表示后不可见类语义空间的偏移问题。在测试阶段,基于学习所得的深度特征提取器、自编码跨域映射模型和修正后的不见类语义向量,实现对不可见类遥感影像场景的分类。本文整合多个已有公开的遥感影像场景数据集,组建了一个新的遥感影像场景数据集,在此数据集上进行试验。试验结果表明本文提出的算法在多种不同的可见类与不可见类的划分情况下都明显优于已有公开零样本分类方法。     

利用主题模型的遥感图像场景分类

提出了一种基于主题模型与特征组合相结合的遥感图像分类方法。该方法首先对图像进行尺度不变特征变换(SIFT)、几何模糊特征(GB)和颜色直方图特征(CH)提取,接着利用潜在概率语义分析(pLSA)模型分别对所得到的图像特征进行潜在主题的挖掘,然后对所得到的主题概率特征进行组合,最后利用支持向量机(SVM)分类器进行场景分类。实验表明,与传统分类方法相比,主题模型更具优势;与使用单特征相比,特征组合具有更高的分类准确率。     

遥感影像变化检测样本自动抽样

在遥感影像结合矢量数据先验信息的变化检测中,需要从分割后的影像对象中抽取一定数量、具有相同类别属性的样本,其中不可避免地抽到类别属性不一致的样本,如何剔除这些样本是抽样过程中必须解决的重点问题,在目前已有的方法中,一般是通过人工目视判别完成的。样本的自动提取是实现自动变化检测的关键环节,本文提出一种变化检测样本自动抽样方法,主要包括样本的空间布设和异常样本自动检测两个环节。该方法首先利用矢量数据提取抽样图层,用抽样图层分割遥感影像,获取影像对象。其次是根据抽样区域范围、影像对象分布特征和地形特征布设变化检测样本。然后根据样本的先验类别属性构建特征空间向量,计算样本在特征空间的局部可达密度,由局部可达密度计算样本的异常度指数,并根据特征空间密度异常指数剔除异常样本,完成变化检测样本自动提取。最后以耕地、林地和居民地为例进行了抽样试验。结果表明,邻域参数k按样本布设总数的1/5—1/3取值、异常度阈值设定为80%时,可以实现异常样本0漏检率,能够准确、高效实现变化检测样本的自动提取。     

一种通用的跨模态遥感信息关联学习方法

针对“异质鸿沟”问题导致的不同模态遥感信息间相似性难以度量的问题,构建并公开了一个包含4种模态信息的跨模态遥感数据集,并基于不同模态信息间潜在的语义一致性,提出了一种通用的跨模态遥感信息关联学习方法。利用深度神经网络的表征能力,分别对图像类信息和序列类信息设计各模态信息的特征学习网络,实现对不同模态高层语义信息的准确表示;设计了一个新的关联学习损失函数对模态内的语义一致性和模态间的互补性进行限制,利用知识蒸馏的思想,以先融合后迁移各模态间信息的方式增强模态间的语义相关性。在构建的数据集上进行实验,结果表明,所提方法平均精度均值达到70%,超过基准方法。     

顾及纹理特征贡献度的变化影像对象提取算法

遥感影像变化检测是全球变化研究的重要内容。基于两期遥感影像的变化检测方法存在数据条件要求苛刻、难以充分利用快速发展的多源遥感影像数据等问题。目前许多变化检测的参考数据中包含了一期分类矢量数据,矢量数据中往往包含了位置、形状、大小和类别属性等先验信息,充分利用这些先验信息将可提高变化检测精度。提取变化影像对象是结合矢量数据和遥感影像进行变化检测的核心步骤。本文提出了一种顾及纹理特征贡献度的变化影像对象提取方法。该方法利用矢量数据分割遥感影像,获取影像对象,计算影像对象纹理特征值。根据信息增益原理计算纹理特征参数的特征贡献度,选择特征参数。由贡献度指数大小确定纹理特征参数权重,计算影像对象与先验要素类别的相似度系数,提取变化影像对象。试验结果表明,基于纹理特征贡献度的特征参数选择,能有效地提高变化影像对象提取结果的精度。     

利用矢量影像法进行土地利用变化自动检测

为解决土地利用矢量图与遥感影像的变化检测问题,提出了一种基于类别的矢量图与遥感影像变化检测方法。在矢量图约束下,对遥感影像进行影像分割获取像斑;提取像斑在遥感影像上的直方图特征,采用G统计量度量像斑之间的特征距离;利用像斑与其他相同类别像斑之间的特征距离,构建单波段上像斑的类别异质度,自适应加权组合各波段上像斑的类别异质度构建像斑的类别异质度;依据最大熵方法获取各地物类别对应的异质度阈值,以类别为单位对各像斑进行变化判别,获取变化检测结果。在QuickBird遥感影像上的试验验证了本文方法的有效性,实现了矢量图与遥感影像的自动变化检测。     

融合半监督学习的无监督遥感影像场景分类EI北大核心CSCD

自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。     

一种结合四元数与直方图的多光谱图像自适应边缘检测方法

针对图像自适应边缘检测的难点和传统多光谱遥感图像边缘检测方法的局限性,提出了一种结合四元数与直方图的自适应边缘检测方法。该方法在四元数空间,利用矢量旋转完成了多光谱图像的边缘检测,并通过直方图统计的方法获取自适应阈值,实现了边缘图像的检测。利用陆地多光谱遥感图像和水域多光谱遥感图像分别进行实验,验证了方法的有效性。     

高分辨率遥感图像港口检测的复合线索视觉注意模型

为提高高分辨率光学遥感图像港口自动检测的准确性,常需综合多类线索并进行复杂的特征提取、融合与分类推理,从而带来较高的计算复杂度。为此,仿生人类视觉注意机制,提出了一种复合线索视觉注意模型,综合利用高分辨率光学遥感图像港口多尺度底层特征和高层知识线索,实现了港口检测特征自然融合与综合分类推理。该方法在提高检测效果的同时较好地控制了计算量的增长,避免了复杂特征的大范围区域提取,采用多步快速算法降低了整个算法的计算复杂度,实现了计算资源受限条件下港口的快速定位与检测。同时,由于能将有限计算资源快速聚焦于最可能含有港口目标的区域,大大提高了目标检测方法响应的实时性。来自不同卫星的高分辨率光学遥感图像实验结果,验证了提出方法的有效性。     

基于CNN模型迁移的OLI影像光伏电池板场景识别

获取光伏电池板的空间分布及动态变化信息对于国土调查、资源环境监测和能源结构评估具有重要意义,然而,传统的光伏电池板的识别依赖于人工设计的中低层次特征,无法克服对象光谱不确定性、空间结构类型复杂等难题,算法普遍存在稳健性不强、效率不高等问题。目前,基于场景单元从遥感影像中提取空间信息,多数算法仅建立在少数标准数据集上,未考虑实际应用中遥感图像质量、空间分辨率等因素对图像场景深度特征表达的影响,制约了遥感技术在城市结构、经济社会知识挖掘方面的深入应用。针对以上情况,本文基于卷积神经网络（CNN）采用迁移学习和模型微调的策略,在中等分辨率的Landsat影像上进行光伏电池板场景识别。结果表明,本文方法能够提取电站场景的多层次特征,在形态结构复杂的电站场景中取得了较好的识别效果。