利用GLCM纹理分析的高分辨率SAR图像建筑区检测

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%；随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

多特征加权融合的高分SAR影像建筑区提取方法

机载SAR影像分辨率的不断提高使得图像纹理信息更加丰富,对地物分类和提取具有重要意义。针对建筑区的纹理特点,该文提出了一种综合统计和结构多特征加权融合的建筑区提取方法。分别采用经典的灰度共生矩阵方法提取统计纹理特征和采用变差函数方法提取结构纹理特征,并考虑方向信息;然后利用提出的巴士距离特征权值计算方法,将所选特征进行加权融合;利用K均值聚类算法对融合后的特征图像进行非监督分类,对分类图像进行后处理并提取外部轮廓。以国产机载P波段全极化SAR影像为数据源进行了实验,并对结果进行了定量分析,表明该方法能够高精度地有效提取高分辨率机载SAR影像中的建筑区。     

综合Span图和纹理特征的高分三号影像建筑区提取

建筑区的识别和提取是城市环境规划与研究至关重要的工作。本文采用高分三号全极化SAR影像,提出了一种综合Span图和纹理特征的建筑区提取方法。首先基于Span图利用灰度共生矩阵算法提取图像的7种原始纹理特征,通过目视解译选择出4种纹理效果较好的统计量,然后利用主成分分析法去除他们之间的相关性,筛选出2个最佳纹理特征与Span图结合,最后对组合影像进行分类提取。本文将提取结果与综合灰度和纹理特征建筑区提取、无纹理特征提取方法结果进行对比,实验结果表明:本文方法提取建筑区边界轮廓更加清晰,精度可达92%,提取效果明显得到了优化。     

面向城市地物分类的SAR图像纹理特征提取与分析

合成孔径雷达(SAR)图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

面向城市地物分类的 SAR 图像纹理特征提取与分析

合成孔径雷达（ SAR）图像含有丰富的纹理信息,特别是进行城市地物分类时,纹理特征对于图像的解译具有重要的意义。本文对基于灰度共生矩阵和Gabor变换两种纹理特征提取方法进行了研究,将灰度和不同纹理特征组合应用于SAR图像城市地物分类,并以ALOS PALSAR影像为数据源进行了实验。通过对不同分类结果进行定性和定量分析,结果表明,引入纹理特征后的SAR图像分类结果要优于无纹理信息参与的分类结果,基于不同纹理特征组合的SAR图像分类结果要优于基于单一纹理特征的分类结果。     

SAR图像纹理特征相关变化检测的震害建筑物提取

SAR图像变化检测是遥感震害信息识别中的重要方法之一,常规的SAR图像变化检测方法主要以强度图像为主,易受图像中地物目标方位变化、表面粗糙度变化和图像中涵盖地物目标信息量庞大的影响。针对震后强度图像变化复杂无规律、纹理特征参数繁多且难优选的问题,以熊本地震益城町区域的ALOS-2数据为例,提出了一种基于纹理特征主成分变换的相关性变化检测方法,该方法首先提取图像的多个纹理特征参量,其次采用主成分变换的方法获取多个纹理特征参量的第一主成分分量,然后计算第一主成分分量的相关性,最后根据实地调查样本统计分类阈值对图像中不同程度震害建筑物进行检测,并与基于强度图像相关性变化检测方法、强度图像差值变化检测方法结果进行了对比。结果表明,基于纹理特征主成分的相关性变化检测方法能够有效地检测不同震害程度建筑物的分布,总体提取精度可达87.2%,高于基于强度图像的两类变化检测方法检测精度,在保持较高提取精度的同时,也有效降低了震害建筑物的错分概率,证明了该方法的可行性,提出的方法可用于震后灾损评估、救援决策制定、指导灾后重建。     

一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法

海陆分割对于合成孔径雷达(synthetic aperture radar,SAR)图像海洋目标检测、海岸线提取等任务具有重要意义。针对实际应用中多分辨率SAR图像海陆分割难题,提出了一种基于上下文与边缘注意力的海陆分割方法。该方法利用通道注意力机制融合不同尺度和层次的上下文特征,设计了边缘提取支路提供边缘信息,进一步提高了海陆边界的分割准确率。同时,构建了基于高分三号卫星数据的多分辨率SAR图像海陆分割数据集,该数据集涵盖了多个分辨率,包括港口、岛屿等多种海陆边界类型。并基于所构建的多分辨率SAR图像海陆分割数据集,对所提网络的有效性和各模块的作用进行了实验分析。实验结果表明,所提网络的整体预测准确率和平均交并比分别达到了98.21%和96.47%,能够较好地完成海陆分割任务。     

利用纹理特征的SAR与光学图像融合方法研究

针对SAR与光学图像的融合问题,提出一种基于SAR图像中纹理特征的Contourlet变换融合方法。利用灰度共生矩阵法提取SAR图像的纹理特征,分析各个纹理特征间的相关性,得到重要纹理特征图。用HSV变换提取光学图像的强度分量。将重要纹理特征和强度分量利用改进的Contourlet多尺度变换融合,得到新的强度分量。通过HSV逆变换得到SAR与光学的融合图像。利用Landsat8和Cosmo-SkyMed图像进行融合实验,并与小波、HSV、Brovey、Contourlet变换融合方法对比分析,实验表明该方法能够较好的保持光学图像的光谱特征和SAR图像的纹理、强散射特征,增加图像细节信息,提高图像可解译性。     

基于流形学习的高分SAR图像建筑区提取方法

高空间分辨率(简称"高分")SAR图像具有高维非线性特点,以高维空间蕴含的低维流形描述SAR图像,会更有利于目标识别。将流形学习应用到高维SAR目标识别的特征表达中,提出一种新的高分SAR图像建筑区提取方法。首先,对高分SAR图像进行预处理;然后,采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取8种纹理特征,与灰度图像共同构建SAR图像的高维特征集;利用自适应邻域选择的邻域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法对高维特征集进行特征提取,提取出新的特征;最后,通过阈值分割及后处理提取建筑区,并进行精度评价。选择Terra SAR-X数据进行实验研究,结果表明,ANSNPE算法能够从高分SAR图像中有效提取建筑区,并具有较强的泛化能力;通过训练数据获得的投影矩阵可直接应用到新样本中,建筑区提取精度达85%以上。     

一种高分影像建筑区分块表示与合并提取方法

建筑区是一种重要的人工地理要素，利用高分辨率卫星影像可以在更精细的尺度上获取建筑区信息。针对建筑区这类结构复杂、面积相对较大的地物类，提出一种分块表示与合并提取方法。首先，通过角点上下文约束来划分图像，并将获得的图像块作为影像处理的基本单元；然后，利用空间变异函数来建模每个图像块并提取特征描述参数，进一步通过主成分变换实现建筑区图像块的结构特征表示；最后，根据图像块空间结构特征的相似性实现建筑区的判别。实验结果表明，该方法能够有效实现高分影像建筑区的提取，并且对不同分辨率的高分影像表现出良好的适应性。     

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。     

京津冀城市群1990—2015年城区时空扩展监测与分析

城区作为城镇化表征的重要指标,在城镇化时空扩展分析中有着重要的意义。然而,目前城区边界存在相关概念混杂导致对其认识缺乏统一、划定标准和数据来源缺乏一致性、遥感监测所用影像分辨率较低、以建设用地（不透水面）替代城区等问题。针对上述问题,参考住房和城乡建设部的建成区概念和城区地域分布范围,充分挖掘高分辨率遥感影像展现的城市景观和形态等空间可视化特征,从城市实际建设完成情况出发,本文提出了基于高分辨率影像和地理信息资料辅助的城区半自动化提取方法。获取了京津冀城市群153个县级以上城市的1990、2002、2015年的遥感影像、多元地理信息参考资料,开展了该区域的城区边界提取,并从时空扩展过程、城区空间形态及结构变化、城区扩展协调性、城区扩展占用土地类型4个方面对京津冀城市群1/4世纪的城镇化过程进行了统计分析。提出的技术方法和监测分析结果对于城镇化发展监测和城市规划实施评估具有重要的参考价值。     

纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测

合成孔径雷达(SAR)影像具有明显的斑点噪声,在变化检测中,一般需要考虑空间邻域信息。本文结合SAR影像丰富的纹理信息,提出一种考虑空间邻域信息的高分辨率SAR影像非监督变化检测方法,用基于灰度共生矩阵(GLCM)的32维纹理特征向量构造差异影像。通过最大化熵法自动选取阈值,对精度指标随窗口大小的变化进行回归分析,得到适合于变化检测的窗口为11×11。试验表明,本文方法优于马尔科夫随机场法,可以减小斑点噪声的影响,有效提高高分辨率SAR影像变化检测的精度。     

A cognitive framework for road detection from high-resolution satellite images

Road network extraction from high-resolution satellite (HRS) imagery is a complex task. It is an important field of research and is widely used in various cartographic applications such as updating and generating maps. The objective of this research work is to develop a novel framework, emulating human cognition, for detection of roads from HRS images. Roads network from HRS images are detected using support vector machines within the different stages of cognitive task analysis. In the first stage, basic information about the cognitive parameters which are required for image interpretation is collected. In the second stage, the rule-based method is used for knowledge representation. Lastly, during knowledge elicitation, the developed rules are used to extract roads from HRS images. The proposed method is validated using 16 HRS images of developed suburban, developed urban, emerging suburban and emerging urban region.     

指数型多尺度影像序列的C-V模型SAR岸线快速自动分割

为提高SAR影像岸线自动分割的精度和效率,针对传统二进制(影像序列生成的金字塔步长底数为a=2)多尺度C-V模型对初始条件敏感、收敛速度低的问题,提出指数型(影像序列生成的底数为a≥1)多尺度影像序列生成方法,本方法将传统多尺度影像序列的生成方式的底数2量化为a≥1的任意数,并应用筛选因素进行自动地快速识别海岸线。从海岸线分割结果和所需时间方面与已有传统二进制C-V模型算法进行对比,实验表明本文算法在保证精度的条件下单次迭代逼近海岸线的计算量上小于传统即二进制多尺度C-V模型的单次迭代计算量,总迭代次数有所减少,时间效率有所提高,提高了岸线自动分割的精度和效率。     

一种从SAR图像中提取城市道路网络的方法

提出一种从高分辨率SAR图像中提取城市道路网络的算法.在高分辨率SAR图像中,道路在空间结构上表现为一细长的且宽度基本恒定不变的均匀区域.利用模糊C均值聚类方法对高分辨率SAR图像进行聚类分析,将道路类像素从原始图像中分离出来.为突出道路形状特征,减少冗余信息,对聚类结果进行细化,同时利用跟踪算子消除短线段;以提取道路中心线二值图的像素值作为图像能量,应用Snakes模型检测道路网络.通过实际SAR图像验证,该算法可以准确提取复杂的城市道路网络.     

SAR图像多尺度积增强的目标检测算法

合成孔径雷达（SAR）成像系统的热噪声和海杂波严重影响SAR图像自动目标检测的性能,去噪和均匀背景杂波是提高SAR图像目标检测性能的重要课题。根据SAR图像噪声功率一般存在于信号小尺度,没有跨尺度特征,而目标信号的边缘具有跨尺度的特点,本文提出了一种多尺度积信号增强和去噪的SAR图像船舰目标检测算法。本算法对SAR图像进行小波变换,应用多尺度积在小波域增强SAR图像船舰信号和均匀背景杂波,再对SAR图像进行目标检测。ERS SAR图像用于验证本文算法。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、基于K-分布背景杂波的检测算法以及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。