基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例

针对贫困区生态环境与资源的地表覆盖精细化调查需求,本文利用高分辨率遥感影像开展了土地覆盖信息提取的方法和应用研究.重点分析了高分辨率影像均值漂移分割,多特征提取与分析,对象级样本采集以及监督分类等技术,并综合实现了流程化的对象级土地覆盖分类.结果表明,本文串联的高分辨率影像分类技术能生成较精细的土地覆盖专题图,可及时为贫困区生态资源环境评价,碳核算等应用提供较可靠的地表覆盖数据.     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进：① 在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;② 在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;③ 在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到87.3%、90.2%、88.4%、96.4%,均高于UNet-EF、FC-Siam-conc、Siam-DeepLabv3+网络和N-Siam-DeepLabv3+网络,检测结果较为完整,对边界的检测也更为平滑,且对尺度变化具有更高的鲁棒性。     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。     

遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法

混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。     

无人机影像的面向对象水稻种植面积快速提取

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。     

小波变换与FCM聚类的QuickBird影像特征空间识别分析

遥感影像分类是应用遥感影像进行地学分析等其他应用的重要准备工作,它的精度将直接影响到后续的分析工作。纹理特征对于提高高分辨率遥感影像的分类精度具有重要意义,小波变换的"时-频"分析方法在遥感影像纹理分析方面有着独特的优势。本文采用QuickBird影像,利用小波分解得到影像的纹理特征,结合光谱响应值组成特征空间,再利用模糊C均值聚类方法对影像进行分类。实验结果显示:加入了纹理特征的影像分类精度有所提高,同时,同一类地物的内部均一性有所改善。小波分析对于细微纹理特征的提取效果比粗纹理要好。     

基于深度信念网络的遥感影像识别与分类

高分辨率遥感影像具有高维、多尺度、非平稳的内部特性和海量、多源、异构的外部特征,具有丰富的空间信息。探讨了利用新兴的深度信念网络研究高分辨率遥感影像的智能提取与分类,通过大量实验对比分类精度、Kappa系数以及参数敏感度分析,提出了网络层数、隐含层神经元个数、迭代次数等参数的最优设置方案,相比传统的浅层网络分类器,改进后的深度信念网络更好地拟合了样本的内在结构,遥感图像分类精度达到92%左右,取得了很好的分类效果。      

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

基于高分辨率遥感目标特征库的地震灾情快速评估方法

高分辨率遥感影像已逐步成为地震灾害快速评估的主要数据源之一,但现有的遥感地震灾害信息提取方法存在对研究人员目视解译经验依赖性强和利用高分辨率影像提取结果精度不高的问题。因此,本文提出了一种基于目标特征库的高分辨率遥感灾害信息快速提取方法,用于提升遥感影像灾害信息提取的效率和自动化程度,并对基于目标特征库进行地震灾情快速评估的几项关键技术（目标特征库构建、样本匹配方法和自动分类方法）进行了阐述,最后,以云南鲁甸地震龙头山镇地区为研究区,基于高分辨率遥感影像在目标特征库支持下开展了地震灾情快速评估实验。通过与灾后调查数据的对比分析发现,基于高分辨率遥感灾害目标特征库的地震灾情快速评估结果在精度上可以满足灾情快速评估的业务需要,同时还具有更好的时效性。     

基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究

基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2) 进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明：① 相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;② 非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③ 非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。     

面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例

本文对面向对象影像分析方法做了初步的探索和应用研究,通过建立多尺度影像空间和分类规则库对四川理县"5.12"震后的航空影像进行土地覆盖分类,并在此基础上提取了房屋和居民地的空间分布矢量信息。将土地覆盖分类的结果与传统的基于像元的方法进行对比,结果表明:面向对象方法的分析结果更接近于人工解译的效果,对试验区的分类精度也远远高于基于像元的影像分类的精度,有效克服了传统分类方法所存在的"椒盐噪声"问题,与基于像元分类的栅格数据相比,面向对象的方法可直接提取GIS分析的矢量信息,展示了面向对象技术应用于高分辨率影像信息提取的广阔前景。     

江西省都昌县山地与平原植被界线提取

由于生长环境、地带性分布规律和垂直差异,山地与平原地区的不同植被类型在遥感影像上存在“同物异谱”及“异物同谱”现象,易导致土地类型的误分。为避免此类错分,在进行土地覆被类型解译之前,应首先确定平原、山地植被的边界。本文在遥感影像聚类分析、GIS空间分析及数理统计分析技术的支持下,以江西省都昌县北部地区为研究区域,基于高分一号（GF-1）遥感卫星影像及地形要素,完成了山地植被与平原植被的界线提取。实验结果显示,本研究得到的植被界线精度高达99.47%和96.28%。与单纯基于遥感影像分类得到的植被边界成果相比,精度提高了近25%和23%。研究证明,高分辨率遥感影像与地形因子结合后,计算得到的山地平原划分界线精度有明显提高,可以满足高分辨率遥感影像土地覆被类型解译研究的需要。     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

自适应滤波的高分辨率遥感影像薄云去除算法

本文在借鉴遥感影像云雾去除相关研究基础上,提出了一种自适应滤波和非线性灰度变换的高分辨率遥感影像薄云雾消除方法,并与现有的几种效果较好的去云雾方法进行了对比研究。结果表明,本文提出的方法不仅能够有效降低薄云雾遮挡干扰影响,而且可以很好地保持原始影像真实的光谱特性,同时针对不同波段地物光谱特性做相应的灰度变换和融合处理,能够在很大程度上减少遥感影像的细节信息的丢失和保持图像的清晰度,是一种有效去除薄云雾覆盖的方法。     

航空与卫星影像数据多尺度分割对比研究

本文从遥感影像多尺度分割的角度分析了同一地区的航片与QuickBird、IKONOS等卫星数据的分割效果,讨论了不同地物和不同影像的最佳分割尺度,以增强对目标物的检测与识别能力,提高现有航空遥感数据及卫星影像数据应用的精度和效率,并对最终分类结果进行了比较。结果表明航片、QuickBird、IKONOS的最佳分割尺度分别为125、100、75,QuickBird的分类精度最高,航片和IKONOS的分类精度次之。因此可认为,航片在实际应用中,可以代替高分辨率卫星影像。     

无人机遥感数据处理与滑坡信息提取

高分辨率的DEM和DOM数据是对地形地貌信息的准确描述,也是滑坡信息提取的重要数据源。首先,针对滑坡信息提取的要求,本文采用无人搭载微型单反相机的影像获取平台,结合野外测量的GPS数据,弥补了无人机POS信息精度低的劣势;针对无人机影像的特点,运用摄影测量基本原理与计算机视觉算法,获取高精度、高分辨率的DEM与DOM影像,保留了丰富的光谱与纹理信息。其次,借助ESP辅助工具获取了DOM影像的最佳分割尺度,并结合研究区地物特征构建了基于模糊分类与SVM算法相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路、疑似滑坡区域的信息提取。最后,依照研究区地物分布的空间特征确定了高风险等级区域,并对该区域进行滑坡的形态与纹理分析以及精度评价,其中提取的疑似滑坡区域用户精度为91.44%、生产者精度为84.65%,结果表明无人机遥感在滑坡信息提取领域具有较高的应用价值。     

面向高光谱影像小样本分类的全局-局部特征自适应融合方法

高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此问题,本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络,分别从全局尺度和局部尺度挖掘影像的潜在信息,实现了标记样本的有效利用。进一步引入极化自注意力机制,在减少信息损失的同时提升网络的特征表达,并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性,在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明,与传统分类器和先进的深度学习模型相比,本文方法兼顾执行效率和分类精度,在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%,平均分类精度分别为99.31%、99.65%、98.89%和...     

蒙古国30米分辨率土地覆盖产品研制与空间格局分析

作为蒙古高原的重要组成单元,蒙古国的土地覆盖格局与变化对于东北亚的资源、环境、生态及可持续发展具有重要意义。针对本区域缺乏高精度、现势性的土地覆盖数据产品的问题,本研究利用Landsat TM影像,采用面向对象的分类方法开展蒙古国土地覆盖遥感数据产品研制与分析。首先针对蒙古国景观格局特征,自主研究了适宜于蒙古国的土地覆盖分类体系,基于面向对象的遥感解译技术方法研究了蒙古国自然地物和人工地物要素的提取算法规则与阈值,建立了一套完整的面向蒙古国的土地覆盖遥感解译技术方案,在分景解译基础上获取了蒙古国2010年土地覆盖分类产品。经验证,数据集一级类分类精度为92.34%,二级类分类精度为80.24%。蒙古国土地覆盖类型以裸地、草地、森林为主,其中裸地的面积最大,占总面积的48.64%,其分布比较集中连片,主要分布在蒙古国南部和西部;草地面积次之,占总面积的42.85%,其分布具有明显的地域性,主要集中在蒙古国北部湿润地区和河流附近;林地最少,占总面积的6.63%,以蒙古国北部及西北部高山地区为主要生长区域。整体上蒙古国土地覆盖空间格局呈现明显的区域差异与地类过渡性,从南向北依次为裸地、荒漠草地、典型草地、森林类型,其中荒漠草地在中部形成一条明显的分界条带。