基于多光谱影像和DEM的泥石流堆积扇识别研究——以白龙江流域武都段为例

选取中国泥石流多发区白龙江流域武都段作为研究区,在对该区域泥石流堆积扇的形态特征和堆积范围进行实地调绘的基础上,利用高分辨率影像(SPOT)进行目视解译,获得研究区部分泥石流堆积扇和非泥石流堆积区的分布范围,将其作为已知样本区。利用该区域多光谱遥感影像(ASTER)和数字高程模型(DEM),提取包含波段比和主分量的几十种特征指标。通过运用方差分析和聚类分析等方法对各指标进行分析计算,选取对区别泥石流堆积扇最具显著意义的指标进行输入,进而采用基于像元的分类方法识别泥石流堆积扇。得到如下结论:SPOT与ASTER融合影像的波段比、主分量指标可以有效地突出土壤岩石中的矿物成分,对泥石流堆积扇的识别具有显著意义;利用筛选出的遥感指标和地形指标作为输入,进行监督分类识别泥石流堆积扇,能够有效地将遥感指标和地形指标相结合,提取的堆积扇覆盖范围与实际情况较为接近。     

结合Gabor纹理与几何特征的高分辨率遥感影像城区道路提取方法

在充分考虑道路频谱在不同频带、不同方向上能量分布的基础上,提出一种基于Gabor纹理与几何特征相结合的高分辨率遥感影像城区道路提取方法。首先通过Gabor滤波器组得到遥感影像不同频带、不同方向上的Gabor纹理特征,并利用K-means方法对遥感影像进行分割;然后利用形态学方法分割与道路相连的地物,并选取适当的几何特征剔除非道路地物;最后利用形态学方法对道路网进行修整。实验结果表明,该方法可以有效、便捷地从高分辨率遥感影像中提取城区主干道路网。     

利用频谱能量进行高分辨率遥感图像地物识别

提出了一种基于频谱能量的高分辨率遥感图像地物识别方法。首先将预处理后的典型地物的遥感图像通过傅立叶变换从空间域转变到频率域,然后用位于频谱中心的一个矩形窗口提取频谱图上对能量贡献起主导作用的低阶频谱能量系数作为目标识别的主要特征值,并利用该特征值结合SVM分类方法对目标地物样本进行识别和分类。研究结果表明,每种地物样本均获得了较高的识别结果,总体精度达到了88.96%。     

一种频域高分辨率遥感图像线状特征检测方法

高分辨遥感图像中线状特征等的自动识别与提取是进行遥感图像分析与理解等高层次图像工程的前提和基础,但由于高分辨率遥感图像中细节信息异常丰富,这给特征的提取带来很大干扰。本文引入了一种基于方向和频率特征的遥感图像频域线状特征检测方法,该方法首先通过傅氏变换将图像变换到频率域,在详细分析线状特征和谱线的关系,线状特征和图像频率之间关系的基础上,基于分析得到的方向和频率的参数构造Gabor滤波器进行图像线状特征的提取。并以Quick bird高分辨率遥感图像进行相关提取实验,实验结果表明该方法较好地提取了图像的线状特征,为基于具体频谱分析的高分辨率遥感图像特征的精确提取提供了新思路和方法上的借鉴。     

高分辨率遥感影像道路提取方法综述

从高分辨率遥感影像的特点出发介绍了道路在高分辨率遥感影像上所具有的特征,介绍了道路提取的基本方法和研究现状,对现有几种代表性的道路提取方法进行了详细地分析,并对高分辨率遥感影像上道路提取的研究前景进行了展望.     

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。     

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。     

纹理频谱分析的高分辨率遥感影像最佳尺度选择

基于对纹理频谱的分析提出了一种高分辨率遥感影像最佳尺度的选择方法。首先,分析四种典型地物在傅里 叶变换频域的频谱响应特性。然后,采用点扩散函数对原始影像进行尺度扩展,进而根据地物纹理的径向与角向曲线 随尺度扩展的变化选择最佳尺度。最后,通过分析四种地物在6个尺度下的纹理特征可分性,说明本文方法能客观反映 出地物的尺度效应,具备最佳尺度选择的可行性。利用支持向量机对QuickBird全色影像进行面向对象的分类,实验结 果表明在最佳尺度下可取得较高精度。     

一种基于高分辨率遥感影像的建筑物提取方法

在总结各种传统基于像素统计特征建筑物提取方法优缺点的基础上,本文结合高分辨率遥感影像的特点,通过对高分辨率遥感影像房屋的光谱特征和几何特征的分析,提出了一种基于高分辨率遥感影像的建筑物提取方法;并采用ERDAS,PCI等遥感软件,结合VC编程工具对该方法的可行性和有效性进行了实验分析与验证。     

基于频域滤波的高分辨率遥感图像城市河道信息提取

提出一种基于频域滤波的城市河道信息提取方法。首先对高分辨率遥感图像进行傅里叶变换得到频谱图, 并利用径向和角向分布图分析城市河道的频谱特征。其次, 基于城市河道的双线型特点, 将其分为边缘特征和低频信息两个部分, 并根据周期性纹理的频谱模型和地物频谱能量分布规律确定两个部分的频域识别标志。然后设计相应的扇环形带通log Butterworth滤波器和低通Butterworth滤波器分别对城市河道的边缘特征和低频信息进行提取, 并根据该两部分信息实现城市河道信息提取。最后对城市河道信息提取结果进行定量评价, 结果表明, 本文方法可以有效地实现城市河道的信息提取。     

高分辨率遥感影像分割方法研究

在遥感应用分析中,遥感影像分割是低层影像处理和中高层影像分析和理解的桥梁,是实现遥感影像信息自动提取的关键步骤,具有重要的意义。随着大量高分辨率遥感影像的出现,传统基于像素的影像处理方法已不能适应高分辨率遥感影像。近年来,国内外研究者们提出了面向对象影像的分析方法,而面向对象影像分析方法的关键就是影像分割,影像分割精度直接影响着高分辨率遥感信息提取和目标识别的精度。首先给出一般图像分割方法的综述;然后分析和总结了当前主要的高分辨率遥感影像分割方法,着重阐述了均值漂移、分形网络进化、马尔科夫随机场等分割方法的特点和研究现状;最后,对高分辨率遥感应用分析中影像分割方法的发展趋势进行了讨论与展望。     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

顾及纹理特征差异性的遥感影像数据分区域多密级加密方法

针对高分辨率遥感影像在网络传输、数据分享及应用过程中的安全性问题,本文从高分辨率遥感影像自身特点出发,提出了一种顾及纹理复杂度的遥感影像分区域多密级加密算法。首先,对大数据量的遥感影像进行分块处理,并将每个子图像块按照纹理特征的复杂度划分为简单、中等和复杂类型;然后,针对不同类型的子图像块采用不同维度的混沌系统分别加密得到密文块;最后,将密文块进行关联拼接,得到整体加密后的密文图像。通过采用真实遥感影像的试验分析结果表明,本文方法能够很好地实现遥感影像的信息隐藏,并且可以兼顾加密的安全性和时间复杂度,在大数据时代面向大众化应用的高分辨率遥感影像数据共享和图像处理领域具有潜在应用价值。     

基于纹理特征融合与核模糊聚类的道路提取

根据高分辨率遥感影像中道路方向上的纹理一致性,提出了一种基于纹理特征融合与核模糊C均值聚类的高分辨率遥感影像道路提取新算法。该算法改进了角度纹理特征的计算方式,首先与Gabor纹理特征进行融合;再利用结合空间信息的核模糊C均值聚类算法对融合特征进行聚类,从而提取高分辨率遥感影像中的道路。实验结果表明,该算法可较高精度地从高分辨率遥感影像中提取具有一定纹理的道路。     

纹理特征与视觉注意相结合的建筑区提取

提出一种有效提取高分辨率遥感影像建筑区的算法。通过模拟人类视觉系统感知环境的过程,引入视觉注意机制,提出基于自信息最大化视觉注意机制的建筑区显著指数。根据建筑区在高分辨率遥感影像中的特点,基于时/频域的纹理分析,提出一种针对建筑区的纹理特征描述方法,实现了建筑区的高效提取。通过对8组高分辨率遥感影像进行试验,验证了本文算法的有效性。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

结合像元级和目标级的高分辨率遥感影像建筑物变化检测

快速、精准的建筑物变化检测对城市规划建设等业务管理具有重要意义。随着卫星遥感技术的快速发展,基于高分辨率遥感影像的建筑物变化检测得到了广泛关注。针对像元级建筑物变化检测方法往往精度不足而目标级建筑物变化检测方法过程烦琐等问题,本文提出结合像元级和目标级的高分辨率遥感影像建筑物变化检测方法。首先综合高分辨率遥感影像的多维特征,利用随机森林分类器进行影像集分类,以获取像元级建筑物变化检测结果;然后对后时相遥感影像进行图像分割,获得影像对象;最后融合像元级建筑物变化检测结果和影像对象,识别变化的建筑物目标。利用双时相QuickBird高分辨率遥感影像进行建筑物变化检测试验,结果表明：本文提出的方法能够削弱光照、观测角度等环境差异对建筑物变化检测的影响,显著改善建筑物变化的检测精度。     

视觉感受与Markov随机场相结合的高分辨率遥感影像分割法

鉴于视觉感受对外界强大的感知与识别能力,模拟视觉神经感知的工作机制,并结合Markov随机场模型,提出一种影像分割方法。首先,分析视觉感知系统的工作机制,将其特性归纳为等级层次性、学习能力、特征检测能力和稀疏编码特性,继而利用小波变换、非监督聚类、特征分析和Laplace分布模拟视觉工作机制,然后结合Markov随机场模型实现高分辨率遥感影像的分割。通过不同卫星的真实遥感影像进行了相关试验。试验结果表明本文提出的方法在高分辨率遥感影像分割任务中有非常良好的表现。     

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...     

高空间分辨率遥感影像的信息自动提取技术分析

随着信息技术和传感器技术的飞速发展,卫星遥感影像分辨率有了很大提高,quickbird最高分辩率达到0.61m,ikonos为1m,spot-5为2.5m,遥感影像数据处理的重要性也日益显现。遥感影像数据处理的主要内容就是对遥感数据(主要是高分辨率遥感影像数据)进行自动(半自动)图像处理分析,从而获取人们需要的信息。本文从遥感影像处理的最基本方法影像增强说起,经过影像分割,最后介绍了一些目标识别与提取的高级算法,基于知识发现、符号知识的逻辑推理等方法,说明了高分辨率卫星遥感影像对人为活动、对环境的影响成为可能。