基于对象上下文信息的无人机影像建筑物提取

针对全卷积网络进行遥感影像语义分割时存在的空间信息和上下文信息缺失问题,本文提出一种基于对象上下文信息的无人机遥感影像建筑物提取方法。该方法首先采用高分辨率网络(HRNet)作为主干网络提取空间信息完整的多尺度高分辨率特征;然后依据主干网络提取的特征在真实标签的监督下划分对象区域,并计算每个像素与对象区域之间的关系得到像素与对象区域的上下文信息;最后将主干网络提取的高分辨率特征与对象上下文信息组合实现特征增强,依据增强后的特征实现无人机遥感影像中建筑物的提取。两个数据集的实验结果均表明,本文方法有效提高建筑物提取精度。     

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。     

U-net模型在高分辨率遥感影像水体提取中的应用

选择安徽省巢湖流域为研究区,采用U-net模型和随机森林模型,对高分一号(GF-1)高分辨率遥感影像进行水体信息提取,并对比分析了2种模型的水体提取结果和效率。结果表明:①对于大面积水体,2种模型的水体提取结果均具有较高的精度;②对于小面积水体,随机森林模型水体提取结果存在较多细碎图斑,U-net模型水体提取结果和人工目视解译结果更加符合;③对于遥感影像中城市建筑物阴影和山体阴影,U-net模型能较好地消除阴影影响,正确提取水体,而随机森林模型存在较多将阴影误分为水体的现象;④总体来看,在复杂地表覆盖类型条件下,U-net模型提取水体的总体精度为98. 69%,Kappa系数为0. 95,均高于随机森林模型,在2种模型漏分误差相当的情况下,U-net模型错分误差远小于随机森林模型。U-net模型避免了人工提取分类特征的过程,自动化程度更高,训练效率较高,适用于遥感影像中水体高精度提取。     

建筑物变化的多特征融和及随机多图综合检测法

针对遥感影像建筑物变化检测过程中存在构造的差异影像凸显建筑物效果不理想 、提取训练样本质量差及分类精度低等问题,本文从差异影像构造、高质量训练样本提取及分类方法等3方面进行研究,提出一种基于多特征融合及随机多图的遥感影像建筑物变化检测方法.首先,把通过CVA获取不同时相遥感影像光谱特征差异图、纹理特征(灰度共生矩阵法)差异图及通过求差获取不同时相遥感影像形态学建筑物指数特征差异图、最佳尺度分割后的形状特征差异图按照一定比例相加来构造差异影像,从而有效凸显建筑物变化信息;然后采用构造的变分去噪模型对差异影像进行去噪处理,利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值算法对显著性图选取阈值得到的粗变化检测图进行预分类,从而获取高质量建筑物及非建筑物训练样本;最后,把从遥感影像及特征影像上提取建筑物和非建筑物训练样本的邻域特征引入随机多图分类模型中进行标签训练,并利用训练好的随机多图分类器对粗变化检测图进行建筑物变化检测,从而得到高精度的建筑物变化检测结果.为了验证本文方法的有效性,选择同源及多源遥感影像进行试验分析.试验结果表明,本文方法可以检测出更多建筑物变化信息及较少的非建筑物变化信息,同时Com值、Cor值及FM值也明显高于其他比较方法.     

基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA＿UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示：该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.     

融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取EI北大核心CSCD

遥感影像建筑物准确、高效的自动提取方法有着广泛的用途。针对现有遥感影像建筑物提取方法难以兼顾不同大小的建筑物,导致小尺度建筑物不同程度上漏检及提取的建筑物轮廓边界模糊等问题,本文提出一种融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取方法(MBRef-CNN)。首先采用融合分散自适应注意力机制的遥感影像多尺度特征提取网络(SA-FPN)学习多尺度建筑物的特征,然后利用区域候选网络(RPN)预测单个建筑物实例的目标框位置,最后使用边界细化网络(BndRN)迭代获取精确的建筑物掩膜。在WHU aerial imagery dataset数据集上,通过与现有主流方法进行对比试验表明,本文方法的建筑物掩膜提取精确度比其他表现优秀的主流分割算法更高,在多尺度的建筑物提取上表现出良好的综合性能,且在小尺度的建筑物提取上具有明显的精度优势。     

数学形态学在遥感影像云层识别中的应用

针对传统遥感影像质量评价中云层覆盖量无法定量评价的问题,文章提出采用利用边缘信息的阈值分割结合数学形态学方法来提取遥感影像云层覆盖范围。利用边缘信息的阈值分割方法能够有效利用影像自身信息来改善分割结果,再结合形态学方法,进而能消除道路、房屋等大部分噪声信息,最终实现遥感影像上不同特征云层覆盖范围的自动提取。基于浙江全省高分辨率遥感影像的实验结果表明:该方法能够快速有效地识别出遥感影像上云层覆盖范围,研究结果对于遥感影像云层覆盖的自动评价具有参考价值。     

一种改进U-Net的遥感影像建筑物提取方法

针对高分辨率遥感影像信息复杂浅层网络难以对其目标物特征信息充分学习,图像因裁剪导致边缘信息损失使得模型对图像边缘预测效果较差的问题,该文将U-Net收缩路径加深以增强网络对特征信息的学习能力,并加入随机失活函数(Dropout)层抑制过拟合现象的发生,扩张路径中加入批量归一化层以提高网络训练速度,并将忽略边缘交叉熵函数与骰子函数结合构建联合损失函数作为本文模型的损失函数以提高模型对图像边缘的预测效果。实验结果表明：该文方法对建筑物边缘能够进行有效预测;对建筑物轮廓以及较小建筑物的提取较之SVM、主干网络为VGG的U-Net提取效果有所提高;并在应用扩展研究数据集中有着较好的表现。     

结合阈值分割和数学形态学的建筑物阴影检测

随着高分辨率遥感影像技术的不断发展,从高分辨率遥感数据中提取建筑物信息将会成为城市数字化的重要信息来源。建筑物阴影包含了建筑物的高度、形状及位置等信息,准确提取建筑物阴影对后续影像的处理具有重要的意义。在阈值分割和数学形态学两种算法原理的基础上,结合两种算法实现了建筑物阴影的提取及优化。试验表明,两种算法的结合能够比较准确的提取出建筑物阴影信息,排除小阴影区域的干扰,并能较好地检测出阴影的边界,保证建筑物阴影的形状和大小。     

一种深度学习的无人机影像道路自动提取方法

针对无人机影像道路提取自动化程度低、道路信息不完整及道路交叉口不连通等问题,该文提出了一种结合拓扑结构和全局上下文感知的无人机影像道路提取方法,通过构建一种编码/解码模式的深度学习方法实现自动化提取.在网络模型中,设计了聚合特征模块及增强型扩张卷积模块以获取更多的道路信息,并引入拓扑感知损失函数以保证道路的连通性,实现道路拓扑结构特性的反演.实验结果表明,基于改进后的网络模型对道路信息的提取效果较好,在无人机影像测试集上的准确率、召回率、F1得分和交并比(IoU)分别达到了89.07％、84.74％、86.86％和72.45％;在马萨诸塞州道路公共影像集通用性测试中,提取原始遥感图像的道路信息也表现了出色的提取性能.