耦合GF-2遥感影像与街景影像的广州市城中村识别

及时准确地获取城中村的空间分布及其环境质量信息对于优化城市空间、改善人居环境具有重要意义。本文以广州市越秀区为例,提出了耦合GF-2高分遥感影像和百度街景影像的城中村识别方法。首先,从街景影像中提取越秀区的街道空间品质特征;其次,在对高分遥感影像预处理并进行多尺度分割的基础上计算光谱、形状、纹理、场景特征和建筑结构5类共计23个特征;最后,融合两种影像的特征用于构建随机森林分类器进行城中村识别。结果表明,基于高分影像和基于街景影像的城中村识别整体精度分别为94.5%和85.7%,Kappa系数分别为0.58和0.31,而两者融合后的分类精度和Kappa系数为96.1%和0.67;其中基于街景影像获取的度量街道空间品质的5个指标贡献了31.6%的特征重要性。鸟瞰视野高分影像和人本视角街景影像提供的信息综合互补,构建了更有区分度的特征空间,减少了城中村的错分现象。本文证实了高分影像和街景影像在特征尺度的融合提升了城中村识别精度。街景影像中的信息可以融入到高分遥感影像等数据源中,辅助进行城中村等非正规居住空间的识别。     

顾及多分辨率特征的复合字典城中村识别方法

城中村作为一种特殊的城市聚落类型,对其进行精确有效的监控识别有助于实现城乡协调发展、优化城乡生态环境。现有面向对象的城中村识别方法通常需要大量样本数据,导致训练成本较高,数据更新效率偏低。针对以上问题,本文提出了顾及多分辨率特征的复合字典城中村识别方法。首先通过密集格网采样提取尺度不变特征转换(SIFT)全局特征,并与多分辨率颜色矢量角直方图特征融合,形成视觉词典;然后将影像表示为视觉词频率直方图;最后使用随机森林分类器进行分类,以实现场景尺度的城中村识别。以高分二号影像为测试数据对该方法进行验证,结果表明,其总体精度达90.08%,Kappa系数达80.16%,相较于加速稳健特征(SURF)、SIFT、VGG16、ResNet50,总体精度分别高出8.99%、3.51%、4.78%、2.28%。     

基于自适应格网划分的遥感影像感知哈希认证算法

针对遥感影像大数据量和信息分布不均匀的特点,提出了一种基于自适应格网划分的遥感影像感知哈希算法,并将其用于遥感影像的完整性认证。该算法基于自适应策略对信息丰富的影像区域进行粒度更细的完整性认证,首先对原始影像进行波段融合,然后根据信息熵对波段融合结果进行自适应的格网划分,最后提取格网单元的局部特征构造感知哈希序列。影像接收端通过收到的感知哈希序列实现影像的认证。实验表明,本文算法能够识别遥感影像局部细节篡改,并对保持内容不变的操作具有鲁棒性,实现了遥感影像基于内容的完整性认证。     

基于同名点对的小面元影像微分纠正及融合方法

多源遥感影像数据融合是提高海量遥感影像数据利用率，获取更多决策辅助信息的有效手段之一。目前一些商业遥感图像处理软件在进行多源遥感影像融合时，存在效率低、精度难以达到实用要求等问题。本文提卅了基于图像线特征的遥感影像精确配准、纠正、融合新方法，该方法运用线特征算法提取图像边缘特征点作为控制点，然后通过全自动图像匹配获取密集同名点对，由这些同名点对构成密集三角网（小面元）实现影像精确配准；最后进行影像纠正融合处理。大量实践表明，该方法是一种高效实用、高精度的遥感影像配准、纠正、融合方法，能大大改善山区等特殊地区的配准精度。     

地震滑坡高分辨率遥感影像识别

区域性地震滑坡信息获取目前主要通过遥感目视解译和计算机提取,存在主观性强、耗时费力、提取精度低等问题,导致难以满足灾后应急调查、灾情评估等方面的应用需求。采用资源三号、高分一号高分辨率遥感影像,以汶川震区为实验区,在地震滑坡灾害特征分析的基础上,通过多尺度最优分割方法构建多层次滑坡对象,融合光谱、纹理、几何等影像特征和地形特征信息建立多维滑坡识别规则集合,基于高分辨率影像认知模式与场景理解过程提出滑坡分层识别模型,从而实现地震滑坡空间分布及其滑源区、滑移区和堆积区的准确识别。实验区分析结果显示最低识别精度为81.89%,而滑坡的堆积区最容易被分辨,识别方法具有可推广性。研究成果可为灾后应急调查提供技术支撑,并促进国产高分辨率遥感卫星的地质灾害应用。     

基于模板卷积匹配的无人机遥感影像中用户感觉兴趣区域识别方法

遥感影像可用于城市土地规划、地质灾害勘察、监测环境污染等,其应用范围极广,为更加准确地从遥感影像内获取信息,提出基于模板卷积匹配的无人机遥感影像中用户感觉兴趣区域识别方法。该方法利用无人机搭载遥感影像摄像头采集目标区域遥感影像后,使用暗通道假设法还原无人机遥感影像色彩,再通过判断无人机遥感影像几何特征和灰度特征,获得用户感觉兴趣区域,并生成无人机遥感影像用户感觉兴趣区域模板图像;将该模板图像作为输入,利用卷积神经网络输出无人机遥感影像中用户感觉兴趣区域识别结果。实验结果表明：该方法具备较好的无人机遥感影像色彩还原能力,可有效提取遥感影像中用户感觉兴趣区域,且识别遥感影像中用户感觉兴趣区域精度较高。     

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFB Net模型。算法在RFB Net模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFB Net模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。     

运用ULBP的高分辨率遥感影像感知哈希完整性认证算法

针对现有高分辨率遥感影像感知哈希认证算法中特征提取精度和算法稳健性不能兼顾的问题,本文提出一种运用ULBP的高分辨率遥感影像感知哈希完整性的认证算法。首先对遥感影像进行格网划分,将影像划分为多个子块,运用ULBP算法提取子块的纹理特征;然后计算每个子块内纹理特征的直方图分布,将其结果与均值二值化后得到子块的感知哈希序列;最后串联所有子块的感知哈希序列生成整幅影像的感知哈希值。在影像认证时,首先计算原始影像与待检测影像的哈希序列,然后计算两者的感知哈希序列平均汉明距离,完成对高分辨率遥感影像内容的完整性认证与篡改定位。试验表明,该算法能够识别高分辨率遥感影像中地物较为平滑的区域,同时对JPEG压缩、高斯噪声添加、BMP格式转换等操作具有良好的稳健性,为高分辨遥感影像完整性认证提供支持。     

增强型空间像元分解时空遥感影像融合算法

高空间、高时间分辨率的遥感影像对地表与大气环境的实时精细监测具有重要作用,但单一卫星传感器获取的遥感影像存在空间与时间分辨率相互制约的问题,时空融合技术发展成为了低成本、高效生成满足不同应用需求的高时空分辨率遥感影像的有效手段。近年来,国内外学者提出了大量的时空融合算法,但对于复杂的地物类型变化的空间细节修复仍存在挑战,融合影像精度有待提高。对此,本文提出增强型空间像元分解时空遥感影像融合算法(EUSTFM),采用变化检测识别并修复地物类型改变的像元,使空间像元分解过程可同时在已知时相与未知时相进行,以生成空间细节信息准确的中间分辨率影像对,用于最终的邻域相似像元计算,实现了对季节性变化(如植被自然生长)、有形变(如城市土地扩张)及无形变的地物类型变化(如农作物的成熟与收割)等复杂地表变化的一致性预测,提高了融合精度。实验采用两对Landsat-MODIS遥感影像数据集,对比STARFM与FSDAF两种广泛应用的时空融合算法,测试了该算法的影像融合效果。结果表明,本文提出的EUSTFM能够同时实现对季节性变化及复杂的地物类型变化的稳定预测,可生成具有更高精度的融合影像,将有效推动时空影像融合的实际遥感应用。     

东北黑土区侵蚀沟遥感影像特征提取与识别

东北黑土区是中国重要的粮食生产区,而长期的开垦造成了严重的水土流失现象,坡耕地表面出现大量的侵蚀沟。侵蚀沟的识别是土壤侵蚀监测的重要手段之一,目前遥感技术在侵蚀沟的识别中应用广泛,但自动化程度不高。针对特定地物影像的识别,如何选取最能够有效描述该地物的特征是解决问题的关键。本文构建了耕地和侵蚀沟遥感影像的训练样本集,基于样本集分别提取了由光谱特征和纹理特征组成的浅层特征、SIFT特征经编码后得到的中层特征,以及利用卷积神经网络提取的深层特征;再基于不同层次的特征选用合适的分类器对遥感影像进行分类,识别出含有侵蚀沟的遥感影像,形成了一套针对侵蚀沟的特征提取与识别方法,为东北黑土区的耕地保护提供有力支持。测试结果表明:基于中层特征的识别精度最高,为98.5%,但该特征需要人工设计,自动化程度有限;而利用卷积神经网络可自动提取深层特征,其识别精度达到了95.5%,同时大大提高了自动化程度,满足侵蚀沟影像的识别的需求。     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

利用城市公共摄像头分析夜间灯光变化规律

与卫星影像相比,摄像机影像数据具有更高的时间和空间分辨率。互联网共享的摄像头视频提供了丰富的夜间灯光信息,但数据的获取难度较大。针对实时视频数据设计特定爬虫程序进行数据获取,再基于获取的视频进行数据挖掘。通过分析日本东京某实验区的影像,发现城市夜间灯光表现复杂且存在一定的随机性,但是整夜的夜间灯光随着时间呈现明显减弱的趋势,并且部分区域呈现出先增加后减少等更为复杂的变化规律,此外不同建筑物侧面灯光趋势也存在差异。     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

顾及邻近关系的NPP/VIIRS序列影像时空插值方法

针对可见红外成像辐射仪(visible infrared imaging radiometer suite,VIIRS)月度夜光遥感影像的数据缺失问题,提出一种利用地物邻近关系相关性的像元时空插值方法,以时、空关系互相作为约束条件,将时序变化一致性较好的像元数据作为空间插值的参考,将空间关系一致性较好的月度数据作为时序插值的参考,通过构建不同的卷积核, 在时序和空间维度分别对初步插值结果进行卷积运算,求得待插值像元的时空插值。以2015年江苏省月度夜光遥感影像修复为例,对不同维度时空插值方法进行对比分析,结果表明, 空间维度插值虽然顾及到像元的空间关联性,仍无法满足数据大范围缺失的插值要求,插值结果整体偏低;时间维度插值考虑到像元的时间趋势性,插值精度较空间维度插值有一定提高,但部分月份插值结果有较大偏差;相对于三次Hermit插值,时空插值方法获得的月度影像灯光亮度总和的最大相对误差、年度影像灯光亮度总和相对误差以及逐像元差值均显著降低。总的来看,所提时空插值方法在插值过程中同时顾及到VIIRS数据的时间趋势平稳性和空间结构稳定性,影像插值精度提高明显,且对待插值月份前后时序数据没有严格要求,更具有广泛性。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...     

一种面向对象分类的企鹅种群无人机影像识别方法

企鹅是南极的代表性生物,监测企鹅的数量及分布对研究南极环境变化有重大意义。以往研究大多基于中高分辨率影像进行企鹅识别,识别精度难以进一步提高,且已有的企鹅种群的时间序列分析都是基于间接识别方法,因此亟需发展基于高分辨率遥感影像的企鹅数量精确识别研究。首先,选取东南极企鹅岛作为研究对象,中国南极科学考察队利用遥感无人机分别于2017-01、2018-01和2019-12对该区域进行航拍观测,获得了厘米级的高分辨率影像。然后,基于面向对象分类法,分别提取了3幅影像的企鹅阴影像元,计算得到企鹅数量,并标记了企鹅栖息地,总体精度达到91%。实验结果表明,企鹅种群动态变化,栖息地分布较固定,但数量出现波动,3幅影像中分别为1 068对、1 003对和1 081对。     

空地协同移动智能服务平台研发及典型应用

面向万物互联时代的移动智能服务需求,亟须建立空地协同智能服务平台。由于核心设备和算法的限制,空地协同移动智能服务平台发展较为缓慢。由此通过攻关传感器实时位置和姿态测量的核心技术与数据处理和分析的关键算法,研制了高精度位姿测量设备,研发了机载和车载空地多平台协同组网遥感观测系统,实现了多源遥感影像质量改善与智能精处理,有效支撑遥感测绘服务,提升遥感信息自动化处理水平,从而解决了空地协同智能服务平台中“准、快、灵”的难题,实现“北斗+位姿测量仪”全球自主“定基准”、空地协同组网快速“找目标”、智能化精处理自动“查变化”。成果已被广泛应用于地理国情监测、智慧城市规划和建设、应急测绘保障等行业。     

基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型

森林郁闭度是森林资源调查中的一个重要因子,对森林质量评价具有重要作用。随着人工智能技术和遥感技术的不断发展,研究如何利用深度学习有效协同不同空间覆盖能力的遥感数据实现区域森林郁闭度的估测具有重要意义。由此提出了一种协同应用高密度无人机激光雷达和高空间分辨率卫星遥感数据,对区域森林郁闭度进行定量估测的深度学习模型（UnetR）。对用于图像分类的Unet模型的损失函数进行改进,并在卷积层后加入批量归一化层,使其具有对连续变量进行定量估测的能力。与全卷积神经网络、随机森林和支持向量机回归模型进行对比实验。结果表明, UnetR模型的均方根误差较低,估测精度较高,为实现区域森林郁闭度遥感监测提供了一种人力成本低、自动化程度高的估测方法。     

精准地理应用驱动的高分遥感协同计算研究

高分遥感智能解译是实现地理信息精细生成与快速更新的重要途径,从基于遥感开展精准地理应用的背景出发,解析了遥感信息产品生产与落地应用中的局限性,阐释了遥感回归地理应用问题的必要性以及其中“精（形态）”“准（内容）”图谱特征耦合的关键性。以地理学指导智能遥感研究为基本认识,提出了基于精细地理场景开展高分辨率遥感地学分析的发展方向和技术思路,以及时空/星地两个层面相协同的智能计算模式,并以中国贵州省关岭县石漠化耕地评价为应用案例,利用分区分层感知/时空协同反演/多粒度决策3个基础模型,在复杂山地区开展精准应用驱动的高分遥感协同计算。结合实验结果,通过对不规则网格空间表达、时序特征多模态重建、多源不确定性解析以及不确定性引导的迭代优化等关键科学问题的探讨分析,给出面向未来的探索方向和研究思路,为地理学指导下的智能遥感研究以及遥感支撑的精准地理应用提出发展路径。