基于注意力增强全卷积神经网络的高分卫星影像建筑物提取

从卫星遥感影像中自动提取建筑物在国民经济社会发展中具有广泛的应用价值,由于卫星遥感影像存在地物遮挡、光照、背景环境等因素的影响,传统方法难以实现高精度建筑物提取。采用一种基于注意力增强的特征金字塔神经网络方法(FPN-SENet),利用多源高分辨率卫星影像和矢量成果数据快速构建大规模的像素级建筑物数据集(SCRS数据集),实现多源卫星影像的建筑物自动提取,并与常用的全卷积神经网络进行对比。研究结果表明:SCRS数据集的提取精度接近国际领先的卫星影像开源数据集,且假彩色数据精度高于真彩色数据; FPN-SENet的建筑物提取精度优于其他常用的全卷积神经网络;采用交叉熵和dice系数之和为损失函数能够提升建筑物提取精度,最好的分类模型在测试数据上的分类总体精度为95.2%,Kappa系数为79.0%,F1分值和IoU分别达到了81.7%和69.1%。该研究可为高分辨率卫星影像建筑物自动提取提供参考。     

面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

特征筛选方法在高分辨率遥感影像建筑物提取中的应用

城市建筑物信息的自动提取是城市遥感的关键技术之一,由于阴影、下垫面等多因素干扰,建筑物信息提取精度往往不稳定。本文以Pleiades卫星影像为数据源,通过改进Relief F特征筛选方法,探讨建筑物信息提取精度提高的可行性。首先构建高分辨率遥感影像建筑物基础特征空间,然后利用改进型Relief F算法分析特征对象的权重并筛选出最优特征,最后用监督分类、无特征筛选分类和基于改进型Relief F特征筛选等3种方法分别提取研究区建筑物信息,并结合实地调查数据进行精度验证。结果表明,基于改进型Relief F特征筛选的分类方法提取精度能够达到91.34%,较其他两种方法提取精度分别提高了34.31%和5.62%,且运算速度快,自动识别效率高。     

面向对象的多源数据建筑物提取

建筑物是城市的重要标志之一,综合利用LiDAR数据和高分辨率遥感影像可以充分发挥不同数据源中提取建筑物的优势。本文基于面向对象分类理论,利用机载LiDAR数据和GeoEye高空间分辨率遥感影像,在多尺度分割的基础上对实验区分类并提取建筑物,进而对提取结果进行精度评价。实验表明,将LiDAR数据与高分辨率影像数据结合能够很好地提取建筑物,建筑物提取精度达89.28%。     

基于语义分割的遥感影像建筑物提取

针对在遥感影像的建筑物提取过程中,建筑物密集且离散分布带来提取效果一般的问题,采用一种特征信息增强的U-net网络.模型使用MobileNet主干网络做编码器,用于影像的建筑物特征提取,考虑到下采样时低维信息逐渐丢失,以致边缘提取效果不佳,网络结合形态学的膨胀和闭运算优化提取结果的精度.实验结果表明,在多场景高分辨率的武汉大学遥感影像建筑物数据集上,结合形态学后处理的M-Unet(MobileNet U-net)提取结果不仅在视觉效果上表现优异,而且在精确度、召回率、F1-score、平均交并比MIou(Mean Intersection overunion)4个指标上分别达到96.2％、76.6％、84.6％和74.5％,均优于相同主干网络下的Pspnet和Segnet.     

基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例

城市受人类活动影响比较大,结构组成比较复杂,对该区域进行分类研究存在一些问题。甚高分辨率遥感影像,以其丰富的细节信息为城市土地覆被分类研究提供了可能。本文结合使用甚高分辨率QuickBird遥感影像和激光扫描LIDAR数据,论述了利用多尺度、多变量影像分割的面向对象的分类技术对马来西亚基隆坡市城市中心区的土地覆被分类研究。针对特定地物选择合适的影像分割特征和分割尺度、按照合理的提取顺序逐步进行城市土地覆被信息提取。在建筑物的提取过程中构建了归一化数字表面模型nDSM,使用成员函数将建筑物信息提取出来。精度评价结果表明,利用该方法得到了理想的城市土地覆被分类结果,其分类总精度从常规面向对象分类方法的83.04%上升到88.52%,其中建筑物生产精度从60.27%增加到93.91%。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

基于面向对象的建筑物轮廓协同提取方法

机载LiDAR虽然可以获取精确的地表高程信息,但地物边界线表示欠准确,而高分辨率遥感影像则能够提供高清晰度的地表纹理和光谱信息。因此,综合利用LiDAR数据和遥感影像多源遥感数据,可以充分发挥不同数据源的优势、拓展时空分辨力。本文基于面向对象分类理论,建立了一种利用机载LiDAR数据和GeoEye高空间分辨率遥感数据的建筑物轮廓协同提取方法,使所获得的综合信息具有更高的精度及可靠性。实验结果表明,该方法提取的农村居民建筑物的总体精度达到了95.94%,能够更好地表征居民地要素信息。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题，本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先，将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本；然后，利用优化的U-Net网络进行模型训练得到最优模型；最后，利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明，本文方法引入nDSM数据用于U-Net模型训练和分类，可有效提高影像分类精度，得到更加真实可靠的分类结果。     

面向对象的多尺度高分影像建筑物提取方法研究

近年来,随着航空航天事业的高速发展,带动了遥感对地观测技术的进步,为高分影像的获取奠定了基础。作为地物类别中的主要内容和地形图中的重要成图元素,建筑物的识别与提取,直接影响到地物提取的自动化水平。因此,高分辨率遥感影像中建筑物的提取是图像处理领域中的主要研究内容之一。为了提高城市建筑物信息提取精度,本文改进了常规的面向对象方法,以航空遥感影像和SPOT-6影像为对象针对其下垫面结构复杂的特性,采用多尺度分割和多规则结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较。研究结果表明,面向对象的多尺度分割对高分影像中建筑物的提取具有较好地效果,KIA精度达到了0.76,为城市建筑物信息提取的应用提供了新思路。     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取

针对复杂场景下高分辨率遥感影像中建筑物提取精度低的问题,本文提出了一种融合多特征改进型PSPNet模型,在PSPNet网络的基础上,加入膨胀卷积模块并融合图像的浅层特征。试验结果表明,融合多特征改进型PSPNet模型的预测结果总体精度为95.90%,建筑物提取精度平均为77.77%,均高于其他模型。其在不同场景上的表现有所差异：复杂场景1的预测精度为80.35%;以城中村建筑物为主的场景2的预测精度为75%;以高层建筑物为主的场景3的预测精度为78.11%。因此本模型可有效地提升高分辨率遥感影像中复杂场景下的建筑物提取精度。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度，另一方面影响了道路形态完整性，使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势，提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先，利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取；然后，对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明，与相近网络比较，本文道路提取的精度和形态完整性有了明显的提高，查准率为86.25%，查全率为85.50%，F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析，特别有利于灾后的路径规划，本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

基于实例分割模型的建筑物自动提取

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理，难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型，由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题，本文对实例分割模型Mask R-CNN进行改进，提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先，在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作，以降低上采样造成的混叠效应；然后，在原有掩膜预测结构的基础上增加一个分支，改善掩膜预测的效果；最后，将改进后的网络在建筑物数据集上进行训练。结果表明，本文方法能够准确独立预测每个建筑物顶部，没有目标粘连情况，且mAP值较Mask R-CNN有所提高，能够有效实现遥感影像建筑物精细化提取。     

多尺度全卷积神经网络建筑物提取

针对VGG16网络在高空间分辨率遥感影像中进行大型建筑物提取时存在空洞的现象,提出一种基于多尺度影像的建筑物提取方法。将原始影像进行不同尺度的下采样,提取不同尺度下的建筑物特征,并将这些多尺度特征相加合并,同时为了减少网络参数数量,用全卷积上采样过程代替原始VGG16网络中的全连接层进行建筑物提取。以0.5 m分辨率的上海市嘉定区影像和1 m分辨率的Massachusetts地区影像进行试验,精度分别达97.09%和96.66%,表明本文方法的有效性。     

基于增强DeepLabV3网络的高分辨率遥感影像分类

由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。     

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大，光照、遮挡等情况复杂，目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降，像素类别预测精度降低的问题，本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先，长距离和短距离的完全残差连接既简化了深层网络的训练，又为本层末端融入了原始输入信息，增强了特征融合。其次，不同尺度和方式的特征融合使网络能够提取丰富的上下文信息，应对目标尺度变化，提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验，分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较，结果表明本文所提模型优于对比模型，在两个数据集上的平均IOU分别达到了85%和84%，平均F1值分别达到了92%和93%，能够有效提高遥感图像目标分割的完整性和正确性。     

融合高分影像和LiDAR数据的城市道路提取

为避免由于城市道路复杂及树木建筑的阴影遮挡导致从遥感影像中提取道路信息不准确的问题,本文采用高分影像和LiDAR数据相融合的方法实现城市道路的提取,并使用一种基于最小面积外接矩形（MABR）的后处理改进方法进行完善。首先对试验区进行数据配准;然后应用FNEA算法进行图像分割,并使用随机森林分类法进行分类,将影像融合和对象形状指数等相关算子应用到道路提取中;最后去除植被和建筑物,完善道路填充,提取出道路完整信息。结果多伦多和台安试验区的道路完整度分别为95.41%和90.84%,准确度分别为83.07%和85.63%。本文方法可有效去除伪道路信息,提高道路提取完整度,较好地实现了道路信息提取。     

一种高分辨率遥感影像建筑物自动检测方法

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。