基于语句模板的遥感影像地物空间关系语义理解

空间关系作为连接地物目标的纽带,是遥感影像语义理解的重要内容.基于编码-解码模型的图像字幕网络能使用自然语言对目标间的空间关系进行表达,但其结构复杂,且需要为训练RNN提供大量语料样本,生成的空间关系描述语句准确率不高.因此,文中提出基于语句模板的遥感影像地物空间关系语义理解方法,该方法的模型结构简单,不需要大量语料样本进行训练,且能生成合理的空间关系描述语句.实验结果表明,该方法生成的描述语句相比编码-解码模型,定量评价的分数相近,定性评价的准确率高约30％,且该方法泛化性能较好,能应用于不同领域的遥感影像中,为遥感影像添加语义信息.     

基于深度属性学习的光学遥感图像分类研究EI北大核心CSCD

遥感技术革命性地拓展了人类观测地球的手段和能力，遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石，在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签，然而图像特征与类别标签之间存在较大的语义鸿沟，面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。     

多源遥感影像湿地检测概率潜在语义分析

提出了一种基于概率潜在语义分析的多源遥感影像湿地检测方法。首先提取高分辨率影像的光谱、纹理和湿地场景的地物组成成分,并结合由多光谱遥感数据提取的湿地地表温度、土壤含水量,组成湿地场景的特征空间;然后利用概率潜在语义分析将湿地场景表示成多个潜在语义的组合,并用潜在语义的权值向量来描述湿地场景的特征空间;最后利用SVM分类器实现湿地场景的检测。试验表明,概率潜在语义分析能够将湿地的高维特征空间映射到低维的潜在语义空间中,地物组成成分和定量环境特征的加入能更加有效地表征湿地特征空间,提高湿地检测精度。     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

基于视觉特征的高分辨率光学遥感影像多任务分类研究

正计算机技术的进步推动了高分辨率遥感图像空间信息智能提取相关研究的发展,如何利用计算机视觉领域的特征表达有效地描述高分辨率遥感图像,并采用高效的分类模型融合不同的特征,是当前遥感图像自动化解译的一种有效思路。遥感影像分辨率的提升使得遥感场景越来越复杂,但同时地面目标也越来越清晰。由于遥感地物种类繁     

多特征融入的自适应遥感影像多尺度分割

针对现有遥感影像分割未充分利用丰富的地物属性信息,且分割模型采用全局固定参数未考虑特征维度空间的局部统计特性的局限,提出了一种多特征融入的自适应遥感影像多尺度分割方法.实验表明,本方法能有效利用基元的多维特征和特征维度空间局部统计信息,得到更合理的影像分割结果.     

顾及全局特征和纹理特征的遥感影像超分辨率重建方法

由于遥感设备的性能限制,使得采集的遥感影像质量受到影响,低分辨率的遥感影像限制了遥感解译应用的精度。当前针对遥感影像的超分辨率重建研究仍然存在重建后的遥感影像地物全局信息和纹理细节不足的问题。因此,本文提出顾及全局特征和纹理特征的遥感影像超分辨率重建方法,该方法利用生成对抗网络的特征学习能力,并对模型全局和纹理进行增强。一方面,地物全局特征增强部分用于解决当前研究中超分辨率重建模型对低分辨率遥感影像中全局遥感地物信息没有重视和利用的问题。在生成网络中引入自注意力模块,以获取全局地物注意力图的方式将遥感影像中相距较远的地物信息作为重建过程的参考。另一方面,遥感影像纹理增强部分用于解决超分辨率重建模型中超分辨率影像纹理信息不足的问题。本文方法引入纹理损失以优化生成网络参数并增强超分辨率重建后影像中的纹理信息。另外,为避免重建结果中的“伪影”现象,研究采用权值归一化代替批量归一化方法。试验结果表明,本文方法在遥感影像超分辨率重建过程中能增强遥感地物特征,同时可以实现地物的纹理细节精细化恢复,而且超分辨率重建结果的图像质量评价指标SSIM、FSIM和PSNR值分别达到了0.756、0.595和...     

基于像斑空间关系的遥感图像分类

为充分挖掘遥感图像本身包含的空间关系信息,弥补基于光谱信息的传统图像分类方法的不足,提高分类精度,提出了一种基于像斑空间关系的遥感图像分类方法.通过图像分割获取像斑,利用最大似然法获取初始分类结果,引入马尔科夫随机场对像斑的空间关系予以描述,通过地物的类别邻接矩阵定量地描述各地物类别之间的空间关系,从而对图像的分类结果进行修正,最后采用条件迭代的方法获取最终的图像分类结果,精度较好.实验结果表明,该方法应用于高分辨率遥感图像可取得较好的分类效果.     

地物空间关系匹配的高分辨率遥感影像检索

从低层视觉特征与地物空间关系特征对影像内容进行描述,建立检索模板与目标影像间的相似性直方图表达,提出一种适用于高分辨率遥感影像检索的新方法。首先,利用Quin+树将大幅面原始遥感影像分解为一系列同尺寸的序列子块;然后,分别提取各子块的低层视觉特征与地物关系特征,并以子块为基元构建候选子块的特征直方图;最后,对比检索模板与候选子块间的特征直方图相似性,实现高分辨率遥感影像的检索。使用多幅多源高分辨率遥感影像进行实验,结果表明本文方法对耕地、水系、建筑物等地类的检索精度大都维持在0.8以上,且各项检索性能指标均优于已有的两种遥感图像检索算法。     

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。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别，但是针对高分影像涵盖的细节多、类别复杂等特点，中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取，然后利用池化层对重要特征进行筛选，最后将提取到的特征进行组合，形成高阶语义特征，利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题，使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率，相比于传统方法，有效地提高了分类精度，同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

顾及混合像元分解的遥感图像光谱模拟

基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。     

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。     

利用MRF方法的高分辨率影像道路提取

高分辨率遥感影像提供了地物更丰富的信息,包括光谱信息、地物结构、形状、纹理以及地物之间的空间关系等多方面的信息。面向对象的影像分析方法以目标地物为研究对象,充分考虑目标地物的形状、结构及空间关系等信息进行目标的提取和分析,是当前高分辨率信息提取技术的主要方法。研究了采用面向对象目标的思想将MRF方法应用于高分辨率遥感影像的道路目标提取中,并进行了道路提取实验。     

考虑时空关系的遥感影像变化检测和变化类型识别

提出了一种基于时空关系的遥感影像变化检测及类型识别方法。该方法通过影像分割获取像斑,利用最大似然法(maximum likelihood method,ML)获取初始分类结果,通过地物的类别转移矩阵(class transition matrix,CTM)和类别邻接矩阵(class adjacency matrix,CAM)定量地描述各地物类别之间的时间关系和空间关系。实验结果显示,本方法优于分类后比较法。     

基于空间共现核的遥感影像分类

采用了基于模糊关系的图像空间共现核来进行高分辨率遥感影像的分类。首先分析了遥感影像的特点,指出其不存在绝对的参考帧。针对该特点,采用了具有较好方向不变性的描述子MROGH（multi-support region order-based gradient histogram）来进行遥感影像底层特征的描述;随后针对图像编码时的软编码情形采用了基于模糊关系的图像空间共现核来构建遥感影像的全局特征汇聚。在公用基准数据集上进行的遥感影像分类实验表明,采用本文方法得到的分类正确率显著优于传统的方式。此外,针对遥感影像分类时采用的不同分类框架进行了评估。     

像元尺度上分类不确定性评价及可视化表达

传统的地物类别尺度上的遥感影像分类不确定性评价仅能实现分类精度的数学度量,无法反映分类不确定性的空间分布,难以完整、准确地描述和理解遥感影像分类信息的不确定性.文章首先在像元尺度上对遥感影像分类的不确定性进行评价,并在此基础上利用计算机技术从彩色可视化、用户交互式可视化和用户选择性可视化模式3个方面在空间域上对分类不确定性进行描述,从视觉感知角度表达遥感影像分类的不确定性信息,从而使用户更加形象直观地理解不确定性信息数据的大小及其空间分布.     

一种结合地理知识的遥感影像目标实体关联方法北大核心CSCD

遥感影像目标识别技术已广泛应用于目标动态监测与定位等领域。但影像目标识别的结果缺乏与目标属性信息的链接,导致分析人员只能依据影像特征进行分析,难以进行更复杂的目标数据关联分析与挖掘。针对遥感影像目标识别语义属性信息缺失的问题,本文利用知识图谱相关技术将影像判别的目标信息与知识语义网链接。首先,提出了一种遥感影像目标知识图谱构建框架;其次,针对遥感影像目标不同的数据类型,构建遥感影像目标知识抽取模型,提出了基于相似度目标实体识别和预定义模式的关系抽取方法;然后,基于多特征Logistic模型的影像目标实体链接方法,实现了遥感影像目标实体与百科知识库的知识关联;最后,针对预定试验区域进行试验,验证了本文方法的可行性。     

遥感影像理解综述

本文通过对近年来遥感影像理解(IU:Image Understanding)研究的分析,本文给出了遥感影像理解的框架流程,讨论了高级语义特征和低级影像特征,针对流程中的各个任务介绍了有代表性的方法应用,并对发展趋势进行预测,特别是基于知识系统和影像认知的应用.     

辅助数据在遥感影像计算机分类中的应用

遥感影像计算机自动分类技术的基本原理,是根据地物类别在遥感影像上反映出来的光谱、纹理和时相等特征而对地物进行分类的,并在影像上确定每一地物类别的平面分布。以光谱特征为基础的模式识别方法,是当前遥感应用中最常见的计算机自动分类方法,它是根据不同地物类别的不同反射光谱特性、以地物影像光谱特征的相似性作为判别