迁移学习支持下的遥感影像对象级分类样本自动选择方法

面向遥感大范围应用的目标,自动化程度仍是遥感影像分类面临的重要问题,样本的人工选择难以适应当前土地覆盖信息自动化提取的实际应用需求。为了构建一套基于先验知识的遥感影像全自动分类流程,本文将空间信息挖掘技术引入到遥感信息提取过程中,提出了一种面向遥感影像对象级分类的样本自动选择方法。该方法通过变化检测将不变地物标示在新的目标影像上,并将过去解译的地物类别知识迁移至新的影像上,建立新的特征与地物关系,从而完成历史专题数据辅助下目标影像的自动化的对象级分类。实验结果表明,在已有历史专题层的图斑知识指导下,该方法能有效地自动选择适用于新影像分类的可靠样本,获得较好的信息提取效果,提高了对象级分类的效率。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

面向对象的LiDAR数据多特征融合分类

针对单源遥感数据分类精度不高的问题,提出一种基于多特征融合的面向对象分类方法.该方法利用LiDAR点云数据的高程信息,并融合地物粗糙度特征,以及航空影像的地物光谱、形状和上下文信息等多种特征,再基于SVM分类器构建面向对象的分类方法,以提高城区环境下遥感数据分类的可靠性.试验表明,该方法可有效地提高城区地物的分类精度,且分类结果更符合人的视觉认知规律.     

基于BP神经网络的高分辨率遥感影像分类

为了能有效地从高分辨率遥感影像中提取地物信息,本文通过影像的光谱和纹理特征,利用BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源,然后根据影像和地物特征,建立BP神经网络,用于样本训练和分类处理,实现地物分类。为验证该方法的可靠性,以2006年11月获取的成都平原某区域的Quickbird影像为实验数据,进行高分辨率遥感影像的地物分类实验。实验结果表明,结合影像光谱和纹理特征的BP神经网络分类算法,不仅可以有效保证BP神经网络分类训练的稳定性和收敛速度,还能达到较高的分类精度。     

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。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

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...     

基于对象影像分析方法支持下的多源遥感影像光伏电场提取

以光伏电场为代表的新能源在我国尤其是西部荒漠地区发展迅猛,利用遥感信息分析方法自动、快速、准确获取该类能源用地具有重要现实意义。以宁夏中卫市沙漠光伏产业园为研究区,在基于对象影像分析方法的支持下分析了光伏电场在Landsat 8 OLI、World View Ⅱ和高分-1号(GF-1)遥感影像上的光谱、纹理等特征并进行了提取试验。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。