结合模糊度和形态学指数约束的深度学习建筑物提取

基于高分辨率遥感影像的建筑物提取一直是研究的热点问题,深度学习的深层次特征提取方法,非常适合高分辨率影像中建筑物的提取,但使用深度学习提取建筑物时,大多以改变网络结构为主进行算法优化,很少与其他方法结合。本文研究在改进深度学习网络结构的基础上,结合影像模糊度约束增强、形态学建筑指数约束增强等方法,对建筑物提取方法进行更全面更有针对性的改进。本文主要改进内容为：① 提出PwDeepLab网络,该网络基于DeepLab v3+网络结构,在特征融合方式和损失函数等方面进行了改进。② 提出模糊度约束方法,在固定影像块大小的情况下,通过影像模糊度约束对影像进行上采样增强。③ 提出形态学指数约束方法,通过形态学建筑物指数（MBI）约束范围拉伸增强的方法,在较少改变原始影像特征的情况下,突出建筑信息。本文在Massachusetts数据集和武汉大学的Satellite Dataset Ⅱ(East Asia) 数据集上进行验证, 2个数据集的主要建筑类型存在较大区别。本文提出的方法在2个数据集上的精度相对于DeepLab v3+分别提高了10.9%和3.8%,相对于U-Net分别提高了10.0%和9.6%。实验结果表明本文提出的方法对建筑物提取效果有明显提升,且具有很好的鲁棒性和通用性。     

结合E-YOLO和水体指数约束的大面幅影像水利设施检测

水利设施对水资源与水量调度、自然湿地生态保护与修复、资源和生态功能的利用及经济效益发展有重要作用。传统方法统计水利设施位置、数量等依赖于汇编资料,存在耗时长、资料更新不够及时以及具体地理位置不详等缺点,遥感为大规模监测水利设施提供了新的可能。本文以YOLO v3网络为基础,结合水利设施的特点,提出了一种基于大面幅影像快速检测水利设施的算法,主要分为两个方面：（1）改进的YOLO算法（E-YOLO）。E-YOLO提出PPA特征融合方法和等比预测框与四特征图交叉预测方法,对小样本等问题进行优化;改进损失函数,突出置信度损失;同时使用迁移学习的方法,读取特征提取部分的预训练模型参数。（2）基于E-YOLO算法和水体指数约束的大面幅水利设施检测算法。通过水体指数约束滑动步幅来解决影像面幅大、目标尺度小的问题,同时降低漏检率和误检率,再结合轮廓合并方法,优化检测结果。本研究中采用高分二号影像数据实现大面幅影像水利设施检测,实验结果表明：E-YOLO算法可以明显提高水利设施检测效果,相比平均F2精度相比YOLO v3提高了1.25%。且有更好的稳定性;水体指数约束的大面幅检测方法可以在保证效率的情况下提高检测精度,其F2精度相比大步幅和小步幅方法分别提高了3.72%和2.70%,为遥感水利设施检测提供了良好方案。     

复杂场景下小农经营区地块级苹果园模块化制图方法框架

实现复杂场景下地块级苹果园的精准制图,是中国苹果产业精细化管理面临的迫切需求。然而,传统的地块级分类制图框架在处理小农经营区内的大量细碎地块时,可靠性大幅度降低。本文提出一种适用于复杂场景下小农经营区的地块级苹果园模块化制图方法框架。(1)基于模拟人类对目标场景视觉感知的分层策略,从深秋季的单幅超高空间分辨率（Very High Resolution, VHR）影像中提取冗余的候选地块;(2)利用非对称瓶颈网络（Depth-wise Asymmetric Bottleneck Network, DABNet）模型与长短期记忆（Long Short-Term Memory, LSTM）模型,分别从VHR影像与时间序列影像中提取苹果园的空间特征像素与时序特征像素。然后,构建元特征描述特征像素在候选地块中的分布情况,与地块的内在特征共同组成苹果园地块的分类特征;(3)使用随机森林（Random Forest, RF）将候选地块分类为苹果园地块和非苹果园地块。以山东省栖霞市西城镇为研究区,从43238个候选地块中提取出30 292个苹果园地块,分类总体精度达到92.7%。利用RF算法自带的平均...