增强型遥感影像SRGAN算法及其在三维重建精度提升中的应用

遥感影像是地形测绘、三维重建等任务的主要数据源之一,分辨率影响着被测目标在影像上的表示能力,对后期三维模型的定位精度及重建效果起着重要作用。针对遥感影像像幅较大且目标特征表现复杂、细节丰富的特点,结合实景三维模型重建的需求,提出了一种增强型遥感影像SRGAN算法。克服了传统方法进行超分重建时易出现边缘效应、产生模糊重建的情况,改进了简单卷积网络仅能提取影像中较为浅层的特征信息,无法在提高分辨率的同时保留影像丰富细节的局限。本文所提算法在生成模型中使用密集剩余残差块进行深层特征提取,在判别模型中引入多尺度判别思想,从而保证遥感影像重建时特征纹理、细节信息、高频目标的完整与精确。实验构建不同时间、不同类型区域的遥感影像数据集,在此基础上将本文算法与Bicubic、SRGAN、ESRGAN算法进行对比分析,在超分重建中PSNR较对比算法提升约3个单位,渗透指数PI更趋向且稳定于1,SSIM与清晰度指标Q同样得到较好改善;在三维重建中影像密集匹配点数量得到提升,同时误差减少,模型精细程度和定位精度得到提高。结果表明,本文算法适用于遥感影像超分辨率重建问题,并在实景三维模型重建中对精度的提升表现较好。     

基于Faster R-CNN深度网络的遥感影像目标识别方法研究

遥感影像目标识别在众多领域中具有极高的理论意义与应用价值,更快速、更精确的目标识别方法研究是目前遥感及图像研究领域的热点与难点。本文将深度学习的方法应用于遥感影像目标识别中,提出基于Faster R-CNN深度学习网络的目标快速精确识别方法。该方法采用了包括基于RPN的建议区域提取方法和VGG16训练卷积网络模型,构建了面向遥感影像目标识别的深度卷积神经网络。为验证该方法的精度及性能,在Caffe深度学习框架上,选取高分辨率遥感影像中飞机、油罐、操场及立交桥目标进行验证实验。结果表明,基于Faster R-CNN的深度学习方法能够实现对遥感影像目标的快速、准确识别,同时具有较好的推广性。通过本文的研究,证明基于Faster R-CNN深度学习的高分遥感影像目标识别方法具有显著优势和潜力,对基于其他深度学习方法的目标识别研究也有一定的参考意义。     

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。     

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

基于遥感影像的变化检测研究动态

变化检测是遥感应用的重要领域之一,同时也是遥感科学研究的难点问题.随着对地观测技术的不断发展,影像分辨率的逐渐提高,基于遥感影像的变化检测在理论方法和技术手段上也有了显著的进展.本文以第21届国际摄影测量与遥感大会(ISPRS)中的变化检测相关文章为主,参考相关文献,从理论模型、技术方法、应用实例及平台这三个方面介绍基于影像的变化检测研究动态.     

不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响

高光谱遥感由于其精细的光谱分辨率,在定量分析物质成分上独具优势,因此广泛应用于提取蚀变矿物信息.探讨了不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响,采用最邻近插值法、双线性插值法和三次卷积插值法３种重采样方法对美国 Cuprite矿区空间分辨率为２０m 的 AVIRIS影像做空间尺度扩展,分别扩展到空间分辨率为２５,３０,３５,４０,４５,５０m.采用SAM 分类方法从不同空间分辨率影像中提取蚀变矿物信息,使用混淆矩阵评价提取结果.一方面比较不同重采样方法对后期蚀变矿物信息提取精度产生的影响;另一方面比较不同空间分辨率对高光谱遥感影像蚀变矿物信息提取精度的影响.结果表明:①采用不同的重采样方法做
空间尺度扩展,会影响后期蚀变矿物信息提取的精度,但是数值变化相对较小.相比之下,最邻近插值法重采样下影像蚀变矿物信息提取的精度稍好一些.②在中等空间分辨率(２０~５０m)范围内,基于５０m 空间分辨率的高光谱影像,蚀变信息提取的总体精度和 Kappa系数较２０m 的明显下降.其中最邻近插值法重采样下的总体精度和 Kappa系数分别下降了７．９４％,０．０９;双线性插值法重采样下的总体精度和 Kappa系数分别下降了６．８７％,０．０８;三次卷积插值法重采样下的总体精度和 Kappa系数分别下降了６．６８％,０．０８.较高空间分辨率影像的总体精度和 Kappa系数整体上均高于较低空间分辨率的情形.      

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

基于GEE和U-net模型的同震滑坡识别方法

地震滑坡解译是震后重建的重要基础工作,主要通过室内人工遥感解译和室外野外调查确定。地震滑坡相比其他地物来说更为复杂,很难通过简单指数识别。室内遥感解译通过滑坡后壁、侧壁和堆积等纹理特征进行识别,大面积同震滑坡解译工作往往耗费大量人力和物力,且耗时长,难以满足灾害应急需求。本研究利用U-net神经网络模型,结合Google Earth Engine（GEE）云平台和人工智能学习平台Tensorflow,以地震局解译的汶川滑坡作为样本数据,以震后30 m分辨率的Landsat影像、高程、坡度以及NDVI数据作为模型输入参数,自动识别并获取了汶川地震后的同震滑坡数据,同时比较了不同参数组合情况下U-net神经网络模型的分割识别精度。研究表明：① U-net模型可以用于以Landsat影像为基础数据的同震滑坡快速自动识别;② 随着高程、坡度以及NDVI等输入参数增加,模型分割精度在逐渐提高,但假阳性结果也会出现增多,震后滑坡影像+高程+坡度+NDVI的输入参数组合精度最高;③ 在细节上,模型在多参数组合的情况下,大型滑坡能够很好被识别,一些较小型的滑坡受制于影像分辨率的影响,分割精度较差。为了更好识别小型滑坡,后续研究可能需提高影像的分辨率。此外,GEE云平台大大提高了训练样本获取的效率,为科研人员快速进行基于神经网络与遥感数据的地物识别研究提供了条件。     

基于北斗与InSAR的地质灾害监测关键问题探讨

针对我国南方地区在地形复杂、植被覆盖度高的特殊条件下,地质灾害监测成本高、精度低的难题,提出 了基于北斗联合光学、雷达等多源卫星遥感手段的地质灾害监测技术体系.充分利用北斗的高时间分辨率、雷达 卫星的高空间分辨率,结合高分率光学遥感手段,探讨了面向复杂地形和植被覆盖的 CR 和 PSInSAR 联合监测、 基于多源遥感数据的地表覆盖信息提取与变化监测以及集成北斗与多源遥感的地表形变监测等关键技术问题, 建立地质灾害区域的高时间分辨率＋高空间分辨率的地表形变场,耦合地表覆盖物的变化场,建立了一套基于地 表形变的地质灾害监测技术方法.相比于传统方法,此技术方法成本相对低廉,监测精度相对较高,可为今后复 杂地区的地质灾害监测提供一种新的方法.      

遥感影像理解智能化系统与模型集成方法

智能化遥感影像分析理解是当前遥感地学分析中的研究热点。本文通过分析当前智能化方法在应用中存在的两个主要问题,指出了智能化遥感影像分析向基于多特征单元为分析对象转变的必要性以及如何在分析过程中更好的融合知识。在此基础上,介绍了多特征单元遥感影像分析和基于神经网络的知识处理的基本思想。并对如何建立基于知识智能计算的多特征单元遥感影像分析理解方法体系进行了探讨,给出了概念框架图。