面向对象的喀斯特地区石漠化遥感信息提取研究——以贵州省大方地区为例

针对现有基于像素的监督和非监督分类方法在地质环境复杂、地形起伏较大、阴影明显的喀斯特石漠化地区难以满足石漠化信息提取精度要求的问题,采用基于纹理特征数据和地形数据辅助面向对象方法进行喀斯特地区石漠化信息的提取。该方法首先依据石漠化分布在TM/ETM+影像面积大小不均匀的特征,利用纹理和地形因子计算最优分割参数进行多尺度分割;然后根据植被覆盖率、岩石裸露率以及坡度因子构建石漠化分级指标;最后参照石漠化分级标准、光谱信息以及纹理特征等建立的分类规则提取喀斯特地区石漠化信息。选取贵州省石漠化严重的大方县时序TM/ETM+影像进行石漠化信息提取试验,结果表明:与基于像素的监督分类和非监督分类方法相比,基于面向对象的分类可以有效地减少因复杂地形导致石漠化信息提取结果"椒盐化"现象,提取精度明显优于基于像素的监督分类和非监督分类方法。      

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

面向对象的遥感影像承灾体边缘提取方法

承灾体是研究地质灾害的一个重要方面,基于高分辨率遥感影像的地物自动提取将成为地质灾害承灾体识别的重要途径。依据面向对象思想,对高分辨率遥感影像进行分割获得承灾体对象;通过对分割后的图像提取图像梯度,进行二值化,去除毛刺等方法处理,获得完整的承灾体边缘。实验结果表明:提取的承灾体边缘完整且准确,在实际应用中具有广泛的适应性,优于传统的提取方法。     

Classify-normalize-classify

Changing atmospheric conditions often result in a data distribution shift in remote sensing images for different dates and locations making it difficult to discriminate between various classes of interest. To alleviate this data shift issue, we introduce a novel supervised classification framework, called Classify-Normalize-Classify (CNC). The proposed scheme uses a two classifier approach where the first classifier performs a rough segmentation of the class of interest (COI) in the input image. Then, the median signal of the estimated COI regions is subtracted from all image pixels values to normalize them. Finally, the second classifier is applied to the normalized image to produce the refined COI segmentation. The proposed methodology was tested to detect deforestation using bitemporal Landsat 8 OLI images over the Amazon rainforest. The CNC framework compared favorably to benchmark masks of the PRODES program and state-of-the-art classifiers run on surface reflectance images provided by USGS.     

基于国产高分辨率光学遥感影像的水体提取

遥感图像中地表水体同山体、建筑物等地物产生的阴影在光谱特征上存在较高的类间相似性,导致提取过程中容易出现混淆和错分的情况。针对此问题,提出一种基于面向对象和人工蜂群的地表水体提取方法。该方法首先对遥感图像进行分割以获取分割对象的光谱、比率、几何形状等统计特征,以弥补高分遥感图像波段数目少,信息量不足的缺陷;并借助人工蜂群算法在解决复杂问题最优化方面的优势,选取水体同阴影二值分类的几何平均正确率作为算法的适应度函数,最终获取地表水体的最优化提取规则。选取厦门市大嶝岛和湖南省资兴市部分区域,基于国产高分一号、二号遥感数据进行水体提取,并与传统SVM分类结果进行比较。实验结果表明本算法提取水体的总体精度和Kappa系数均优于传统SVM分类器,表明该方法可应用于高分遥感图像的地表水体提取。     

一种改进的高分辨率遥感影像分割方法

分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高,而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.      

基于多源遥感影像的长春市城市建成区提取

夜光遥感影像记录的城市灯光与人类活动密切相关,已广泛应用于城市信息提取。珞珈一号作为新一代夜光遥感数据源,比以往的夜光数据具有更高的空间分辨率和光谱分辨率,可以更清晰地表达城市建成区范围和内部结构。本文利用珞珈一号夜光遥感影像,通过人类居住指数（human settlement index, HSI）、植被覆盖和建筑共同校正的城市夜光指数（vegetation and build adjusted nighttime light urban index, VBANUI）及支持向量机（support vector machine, SVM）监督分类3种方法对长春市城市建成区进行提取,并与利用NPP/VIIRS（suomi national polar-orbiting partnership/visible infrared imaging radiometer suite）夜光遥感影像、采用同样方法得到的结果对比。结果显示：本文提出的VBANUI提高了传统植被覆盖校正的城市夜光指数（vegetation adjusted nighttime light urban index, VANUI）的提取精度,使用珞珈一号夜光遥感影像通过VBANUI提取的城市建成区结果最优,其Kappa系数为0.80,总体分类精度为90.74%;使用珞珈一号和NPP/VIIRS夜光遥感影像通过HSI按最佳阈值提取城市建成区的Kappa系数分别为0.75和0.72,总体分类精度分别为88.27%和86.54%;复合数据的SVM监督分类法中Landsat-NDBI、Landsat-NDBI-VIIRS、Landsat-NDBI-LJ和Landsat-NDBI-LJlog的Kappa系数分别为0.602、0.627、0.643和0.681,总体分类精度分别为81.11%、81.52%、82.25%和84.48%。研究结果表明：3种提取方法下,均为使用珞珈一号夜光遥感影像的结果优于使用NPP/VIIRS夜光遥感影像的结果,证明相比于NPP/VIIRS夜光遥感影像,珞珈一号夜光遥感影像更适用于城市尺度的建成区范围提取。     

基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。     

Classification and Extraction of Urban Land-Use Information from High-Resolution Image Based on Object Multi-features

INTRODUCTIONWith the rapid development of industrialization,urbanization,andinformation technology ,as well asthe practice of “digital city”and “digital earth”( Gore , 1998) , many administrators and decision-makers are realizing the i mportance of high-resolution i mage information to urban planning andmanagement . Especially in recent years , with thefast development of remote sensing technology ,remote sensing data can be obtained that are complementaryin spatial andti me resolution…     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

面向对象的遥感图像分类方法研究

影响遥感图像分类效果的主要因素之一是空间分辨率。通过融合多分辨率遥感图像,引入面向对象的思想,有效地克服了多光谱图像空间分辨率低的问题。该方法由图像分割和分类等一系列技术组成,首先用基于区域分割法则对正射校正SPOT图像进行分割,然后把它作为参考用最大似然法分类器和其他一些经验规则对TM图像进行分类。对土地覆盖图分类进行精度测试,取得了良好的应用效果。     

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.      

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考。结果表明：非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取。     

基于分形特征的高标准农田遥感分类方法研究

目前全国高标准农田面积数量已具一定规模,由于人工解译的工作效率较低,如何实现对全国大面积的高标准农田建后利用情况进行实时、精准遥感监测成为亟待解决的问题。由于监测面积大,精度要求高,迫切需要研究一套遥感自动监测方法在全国推广。以广东省东莞地区作为研究区,选择2017年2月15日的高分二号遥感影像,基于分形图像分割并结合BP神经网络对区域高标准农田进行分类,并加以人工解译和实地验证。 结果显示,该分类方法总体精度为 80112 2%,Kappa 系数为0761 1。表明分形图像分割结合BP神经网络的遥感分类方法总体精度较高,能较好地满足高标准农田建后利用情况遥感监测的需求。此方法可以在全国范围推广应用,为高标准农田建成后的实时监管提供技术支撑。     

基于随机补片和DeepLabV3+的建筑物遥感图像变化检测

为有效解决传统遥感图像变化检测预处理复杂的问题,提出一种基于随机补片和DeepLabV3+的建筑物遥感图像变化检测方法。以ResNet50特征提取网络为基础,创建DeepLabV3+语义分割网络,并在图像和标签中创建大小为224像素×224像素的随机补片作为网络输入,训练建筑物提取网络;修改建筑物提取网络输入层为6通道,通过矩阵运算将两期遥感图像转换为一幅6通道非RGB图像,利用转换后的非RGB图像进行网络训练并验证变化检测精度。实验1利用ENVI5.3软件,采用马氏距离法进行变化检测;实验2采用改进的U-Net网络和随机补片,完成网络训练和精度验证;实验3使用实验2的训练数据和验证数据,采用随机补片和DeepLabV3+网络进行变化检测网络训练及精度验证。实验结果表明,该方法实验1、实验2、实验3建筑物变化检测平均交并比分别为24.43%、83.14%、89.90%,边界轮廓匹配分数分别为61.47%,80.24%、96.51%。     

基于图像描述的煤岩裂隙CT图像多尺度特征

基于煤岩孔隙系统多尺度结构特征对深入认识多尺度流体运移机制的重要性,提出了基于图像描述的煤岩CT图像孔隙结构的多尺度精细描述方法。采用了图像的多策略分割技术提取目标,利用Freeman链码对目标的边界进行表达,研究了由形态学、统计矩、链码、计盒维数构造目标之间的关系、目标占有区域与边界的图像描绘子、以及分形描绘子;综合运用上述方法对煤岩CT图像中的大尺度宏观裂纹目标、小尺度细观裂隙目标进行了识别。结果表明,宏观裂纹可由灰度阈值法实现目标提取;小尺度细观裂隙需采用较复杂的分割策略,如基于索贝尔梯度算子的分水岭变换;进一步应用链码表达、图像描绘子和分形描绘子,实现了煤岩孔隙结构在欧氏空间与分形空间的多尺度精确描述。     

一种基于多特征波段岩土层次分类方法

岩土分类与一般地表的地物分类相比难度大得多,针对已有的分类方法（监督分类和非监督分类）对于岩土分类精度不高、分类效果欠佳问题提出一种基于多特征波段岩土层次分类方法。它是一种自顶向下、逐步求精的层次分类方法,该方法结合无监督分类和监督分类两种分类方法的优势,利用多个特征波段组合,有层次地将不同类型的岩土体逐步分开,实现对岩土的精确分类。对北京市怀柔山区附近的ASTER影像数据进行的岩土分类实验结果表明,基于多特征波段岩土层次分类识别方法能显著提高岩土分类精度,总体精度提高10%,Kappa系数提高了0.1,并且能识别以往分类识别方法难以区分的岩石阴影和水体等地物,能够有效地克服“同物异谱”现象。     

甘肃华亭地区铀矿化信息遥感提取方法

从分析ETM各波段图像的信息特征入手,在黄土覆盖等环境因素干扰严重的地区,利用遥感技术对其铀矿化的信息进行了提取.在ERDAS软件的支持下,应用图像融合、波段比值、主成分分析、光谱指数等技术方法,对ETM遥感影像数据进行增强处理.其中,图像融合与传统的图像融合略有不同,是在进行图像融合前将原始图像（ETM1～5,7）进行低通滤波处理,使得融合后的图像既保留高分辨率数据的空间信息,又保留低分辨率数据的光谱信息.在对研究区的遥感数据进行增强处理后,选取有利波段组合,圈定了有利铀成矿的远景区.     

喀斯特地区遥感影像解译新算法——支持向量机算法

现行的遥感影像解译方法有监督分类和非监督分类。在监督分类中有平行算法,最小距离算法、最大似然算法等,而支持向量机是监督分类中的一种新的算法。本研究选择贵阳市花溪区小碧乡局部地区为研究对象,采用SPOT数据,分别运用最大似然算法和支持向量机算法对研究区遥感影像进行解译。通过建立混淆矩阵,来计算分类精度和Kappa系数。结果表明:支持向量机具有分类精度高,分类图斑完整等优点;但在时间的消耗上,支持向量机算法要比最大似然算法长。对于这两种算法而言,都存在地物光谱特征明显相异的地物易于区别,光谱相似的地物容易造成错分的现象,然而支持向量机分类精度要比最大似然分类精度高一些。支持向量机对样本数量具有敏感性,样本数量过多将导致运算时间过长。因此在实际运用中应根据实际情况,选择适合的算法。      

An adaptive framework for spectral-spatial classification based on a combination of pixel-based and object-based scenarios

Remotely sensed image analysis using spectral-spatial information plays a key role in modern remote sensing applications. This article presents a new semi-automatic framework for spectral-spatial classification of hyperspectral images. The proposed framework benefits from a combination of pixel-based and object-based classification scenarios in which the main parameters are adaptively tuned. In order to reduce the complexity of the method, an unsupervised band selection technique is used as well. Meanwhile, the wavelet thresholding is applied in order to smooth the selected bands. The classification results after applying the proposed method to well-known standard hyperspectral datasets are better than those of the most of the other state-of-the-art approaches. As an example, the overall classification accuracy achieved by applying the proposed semi-automatic spectral-spatial classification framework to the Salinas dataset is more than 99% for 10% training samples per class. Moreover, the vital parameters are adaptively set in our approach.