一种飞机目标的遥感识别方法

高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。     

融合主题语义特征的高分辨率遥感影像建筑物自动化识别

建筑物提取是高分辨率遥感影像解译领域的一项重要工作,由于遥感技术的宏观性、实时性和周期性特点,基于遥感影像的建筑物识别对于城市管理与国土规划等领域具有非常大的应用潜力。本文介绍了一种基于影像主题语义特征建模的高分辨率遥感影像建筑物提取方法并通过具体的影像场景加以实践应用,该方法首先对影像进行对象级的分割,然后利用LDA模型对分割影像提取语义特征,最后使用SVM分类器综合光谱-空间-语义特征开展建筑物提取。实验表明,该方法能实现较高的建筑物提取精度。     

基于面向对象方法的高分辨率遥感影像道路提取方法研究

随着遥感影像分辨率的不断提高,基于高分辨率遥感影像的目标自动提取逐步成为研究热点。本文采用面向对象的图像分析方法,基于Ecognition遥感图像处理平台,对IKONOS影像进行道路提取实验,重点对图像分割方案、道路提取规则、后处理方法等进行探讨。     

基于密集卷积神经网络的遥感影像超分辨率重建

针对传统遥感影像超分辨率重建方法依赖同一场景多时相图像序列且需预先配准等缺点,本文提出了一种基于密集卷积神经网络的遥感影像超分辨率重建的方法。该网络直接将低分辨率遥感影像作为网络的初始输入,通过密集卷积神经网络学习影像的高阶表示,获得更具有表达能力的深层特征;同时,在网络中采用并行的1×1卷积滤波器结构,通过该结构减少模型参数;在重建网络中使用亚像素卷积可以更快地实现特征图的重建。在UCMerced_LandUse公共数据集上的实验表明:本文的网络模型提升了传统深度网络的影像重建性能,增强了重建图像的纹理细节并改善影像边缘失真,提升了重建影像的性能。     

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。     

高空间分辨率遥感影像建筑物提取方法综述

高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设"智慧城市"等方面具有极其重要的意义。本文首先介绍了高空间分辨率遥感影像中建筑物的特点,然后介绍了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法,即多尺度分割提取方法;基于边缘和角点检测与匹配的提取方法;基于区域分割的提取方法和基于数学工具;新理论以及多种方法结合的提取方法,分析讨论了各种方法的研究进展以及各方法的优缺点,同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。最后对高空间分辨率遥感影像建筑物提取研究前景进行了展望,认为可以从多源或多时相数据、边缘检测以及阴影辅助作用等方面提取建筑物,提高建筑物提取精度和高分遥感影像的利用率。     

基于显著性图像与纹理特征的遥感影像云检测

遥感影像云检测是遥感影像处理中非常关键的环节,准确识别影像含云区域能够提升影像的利用价值。根据遥感影像的成像特点,将阈值法和纹理特征结合实现云和下垫面的分割。首先将影像从RGB(red-green-blue)空间转化为HSI(hue-saturation-intensity)空间,进而构建影像的显著性图像,利用Otsu法对显著性图像进行粗分割,再基于灰度共生矩阵分析云和下垫面的纹理特征,进一步提取出准确的云区。实验表明,该算法复杂度较低,提取效果良好。     

面向高分遥感影像提取光伏板模型的构建方法

针对由光伏板复杂特征导致的已有遥感自动提取光伏板方法精度较低的问题,该文利用高分辨率遥感影像基于CNN及U-net神经网络提出一种并行集成网络模型用于光伏板提取。通过多种精度评价指标对2021—2022年不同时间场景下模型识别结果进行精度验证。实验结果表明,相比传统单一网络模型,该文提出的并行集成网络模型拟合速度更快,模型稳定后精度及损失函数均达到最优水平,不同时间场景中,该文模型识别光伏板像元数更接近真实像元数,识别误差最小。因此,该文提出的模型具有更好的泛化能力及可靠性,可为实现自动高效识别提取光伏板信息提供新思路。     

基于高分影像的光伏电场自动化提取应用研究

随着高空间分辨率遥感影像数据急剧增多,传统的监测分类方法很难适应海量遥感数据的解译需求.本项目以宁夏中卫市沙坡头区光伏电场为例,通过设计适合遥感地物识别的卷积神经网络和构建目标样本的最佳特征表达,让计算机经过深度学习,具备观察和理解的能力,挖掘潜在的有用地物特征,实现光伏电场的自动化信息提取,并且验证了利用高分影像自动化提取的高效性和准确性.     

基于Log-Gabor小波和Krawtchouk矩的遥感图像分类

为了进一步提高遥感图像分类的精度,提出了一种基于Log-Gabor小波和Krawtchouk矩的遥感图像分类算法。首先利用Log-Gabor小波对遥感图像进行多方向、多分辨率滤波,提取遥感图像的纹理特征;同时计算遥感图像的Krawtchouk矩不变量,作为遥感图像的边缘形状特征,并与基于Log-Gabor小波提取的纹理特征构成完整的特征向量;最后依据所提取的特征向量利用支持向量机(support vector machine,SVM)分类器对待分类图像进行分类,得到最终的遥感图像分类结果。实验结果表明,与近年来提出的基于Gabor小波、基于Log-Gabor小波、基于Krawtchouk矩等3种遥感图像分类算法相比,本文算法在主观视觉效果和分类精度等客观定量评价指标上都有了明显的改善,是一种行之有效的遥感图像分类算法。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。     

西藏矿产资源潜力评价遥感专题中典型问题初探

西藏矿产资源潜力评价项目遥感专题通过提取各1:25万标准图幅及全区遥感异常信息和编制遥感推断地质构造图,为项目地质背景编图、成矿规律研究和矿产资源预测提供了基础性图件.因西藏全区面积广阔、涉及的遥感图像时相各异、图像处理软件及方法流程复杂,加之技术人员专业背景和经验等差异,在遥感专题实施中出现了4个典型问题:①对基准面...     

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。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

空间信息感知语义分割模型的高分辨率遥感影像道路提取

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。     

基于子区域多标签学习的露天煤矿区场景识别

露天煤矿开采易对区域生态环境产生不利影响,对其进行高效监管有利于矿区环境保护和可持续发展。随着遥感技术和人工智能的发展,基于高分辨率遥感影像的露天煤矿区场景自动识别成为可能。本文针对单标签学习算法在场景子区域识别中识别率较低的问题,将多标签学习策略和地理学第一定律相结合,提出一种基于子区域多标签学习的露天煤矿区场景识别方法。为了区分露天煤矿区场景与其周边场景,设置了6类矿区标签和7类非矿区标签,对9768张场景子区域图像进行标注,构建多标签数据集,利用该数据集训练基于多标签学习的Inception-v3模型。场景识别时,首先将一幅覆盖研究区的遥感影像划分为相同大小的子区域并进行多标签分类;然后对含有矿区标签的子区域,利用地理学第一定律对其矿区标签的相关性和完整性进行判定,识别出属于露天煤矿区场景的子区域。胜利西露天煤矿区识别实验结果表明：该方法提取的结果最接近真值,显著高于单标签学习的识别精度;其子区域多标签分类F1分数达到0.857,与单标签学习中性能最好的ResNet50模型相比,提高了8个百分点。本文提出的方法能够自动提取子区域内多类标签的有效特征,提高露天煤矿区场景识别的精度,其识别结果可为露天矿区开采管理提供数据支撑。     

面向地震应急调查的遥感应用现状及趋势分析

地震是一种会造成人类生命财产重大损失的突发性自然灾害,震后第一时间启动应急响应并开展灾情的快速评估能有效地减轻地震灾害带来的破坏。空间对地观测技术为宏观性的地震应急与调查工作提供了便捷、经济的途径,随着空间对地观测技术与数据处理技术的不断发展,各国学者对遥感应急调查开展了大量深入的研究工作,相关研究成果已广泛地应用于地震应急的实际工作中。但是,遥感数据类型与处理技术的多样化也带来了应急信息的散乱,导致遥感快速应急响应系统性不强,使得应急服务不持续,一定程度上限制了遥感技术的效能;为此,针对现阶段遥感技术在地震应急调查中的应用情况,在总结地震应急调查常用遥感技术手段的基础上,分析了遥感快速应急响应面临的技术挑战,重点梳理了地震应急不同阶段对遥感数据及应急专题产品产出类型与时效性的现实需求,结合震后灾区影像数据的情况,系统地分析了光学、雷达、激光雷达遥感技术在地震应急调查应用中的技术现状与存在的问题。在实际地震应用案例分析的基础,总结剖析遥感应急工作存在的问题,并重点从海量数据快速处理、震害信息智能化提取、多源数据协同分析3个技术层面论述了遥感地震应急面临的核心困难,基于此,结合在轨数据实时、海量数据快速处理就灾情智能化识别的多技术联合、多源数据协同分析、发展敏捷卫星等几个方面论述了未来遥感技术在防震减灾中的发展趋势,以期推动遥感监测手段提供动态、实时、持续的空间信息应急服务能力,提高地震应急工作的快速响应、精细化与业务化应用能力。本文的研究可以为多源遥感技术在地震应急调查中的科研及业务应用提供很好的参考,更高效的发挥遥感技术在防震减灾工作中的应用能力与水平。     

特征提取策略对高分辨率遥感图像场景分类性能影响的评估

高分辨率遥感图像场景分类方法主要涉及两个环节:特征提取以及特征分类,分类器的设计已经相对成熟,当前工作的重点是特征提取策略的研究。为了进一步推动特征提取策略的研究,将特征提取策略对高分辨率遥感图像场景分类性能的影响进行了定性和定量评估。首先,回顾了高分辨率遥感图像场景分类的发展历程;然后,对现有高分辨率遥感图像场景分类方法的特征提取策略进行分类总结,并从理论上将各类特征提取策略对场景分类性能的影响进行定性评估;最后,在3个规模较大的数据集上对多种特征提取策略进行实验对比,将不同特征提取策略对场景分类性能的影响和各数据集的复杂度进行定量评估。     

融合半监督学习的无监督遥感影像场景分类EI北大核心CSCD

自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题，特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来，使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性，其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状，最后对未来深度学习应用于遥感识别与分类趋势进行了展望。