基于形态分割的高分辨率遥感影像道路提取

基于灰度形态学,提出一种从高分辨率遥感图像提取道路网络的方法.首先利用灰度形态特征对遥感影像进行分割,进而得到基本的道路网络轮廓.然后在此基础上,利用线段特征匹配方法提取道路网络.提出的方法能适应于从道路和背景区别不很清楚的遥感图像中提取道路.实验结果也表明,本文方法能有效地从遥感影像中提取道路网络.     

基于形状先验和图割的高分辨率遥感影像道路提取

给出一种从高分辨率遥感影像中提取道路的方法。先对遥感影像进行滤波预处理获取纹理特征;再以图割解算经典能量函数获取道路图斑,其中利用高斯混合模型构建T链;接着利用直线匹配法获得初始道路段;最后用图割解算融合了两种形状先验的能量函数,结合动态外推的思路连接道路段。对不同遥感影像的实验证明了算法的有效性。     

引入松弛因子的高分辨率遥感影像自动多层次分割

针对当前高分辨率遥感影像多层次分割尺度参数设置缺少理论框架支持、人为因素影响较多等缺点,提出一种引入松弛因子的高分辨率遥感影像自动多层次分割方法。该方法利用1个松弛因子调节引导区域对象合并的异质性值大小,通过控制每次递归合并区域的对象个数,提高了整体分割的速度;以区域对象间异质性平均值作为基数,引入另一个松弛因子控制分割过程中层次输出的尺度参数,使整个分割过程自动得到不同尺度的多层次分割结果。实验结果表明,该方法具有较高的分割质量,能够满足遥感影像分析及地物提取的精度要求,并且减少了人为因素影响,提高了自动化程度。但是,对于复杂图像内容的地物目标边界处理和减少狭长区域对象的出现还需要进一步深入研究和实践。     

基于高分辨率DSM和遥感影像的建筑物提取

提出一种基于高分辨率数字表面模型(DSM)和遥感影像光谱特征的建筑物提取方法。具体步骤是:首先,使用多分辨率分割方法对RGB波段和DSM波段进行组合分割,形成图像基元;然后,利用建筑物高程高于地面其他区域的特点,使用阈值分割将影像对建筑物进行初始分类;由于树木的高程和建筑物像类似,这就造成了对建筑物的混淆,为了解决这个问题,利用树木的辐射不均一所形成的标准差特征较大这一特点,对建筑物和树木进行区分,最终形成建筑物的精确提取。试验结果证明了本文方法的有效性。     

高分辨率遥感影像建筑物提取方法研究

选取了监督分类、植被指数法、支持向量机和面向对象4种方法对资源三号和高分一号影像提取建筑物信息。通过对不同方法的精度评价,探索一种最适合高分一号和资源三号影像的建筑物提取方法。     

基于高分辨率遥感影像的建筑物快速提取

建筑物作为与人类生活密切相关的主要人工地物,是城市问题研究中的重要研究对象。介绍一种基于高分辨率遥感影像面向对象的建筑物快速提取技术,利用对影像多尺度逐级分割分层的方法来提取地物目标,并对遥感影像进行分类,从而提取建筑物信息。通过试验验证,该方法能较完整地提取整个试验区的建筑物,利用性高,具有一定的推广意义。     

基于形状特征的高分辨率遥感影像目标分割

高分辨率遥感影像可以提供更多的地面目标的形状结构与纹理信息,但由于其细节信息特别丰富,因此为相关地物目标的特征检测与提取带来了一定的复杂性.综合梯度边缘检测、区域标识处理与目标形状特征分析技术,提出一种高分辨率遥感影像上建筑物快速提取的方法,并通过试验证明该方法的可行性、快速性和有效性.     

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。     

基于语义分割的遥感影像建筑物提取

针对在遥感影像的建筑物提取过程中,建筑物密集且离散分布带来提取效果一般的问题,采用一种特征信息增强的U-net网络.模型使用MobileNet主干网络做编码器,用于影像的建筑物特征提取,考虑到下采样时低维信息逐渐丢失,以致边缘提取效果不佳,网络结合形态学的膨胀和闭运算优化提取结果的精度.实验结果表明,在多场景高分辨率的武汉大学遥感影像建筑物数据集上,结合形态学后处理的M-Unet(MobileNet U-net)提取结果不仅在视觉效果上表现优异,而且在精确度、召回率、F1-score、平均交并比MIou(Mean Intersection overunion)4个指标上分别达到96.2％、76.6％、84.6％和74.5％,均优于相同主干网络下的Pspnet和Segnet.     

一种基于形状特征进行高分辨率遥感影像道路提取方法

提出一种基于局部灰度一致性的图像分割方法并结合形状特征进行道路提取的方法.该方法首先对图像进行分割,对分割结果使用形状特征进行道路段的选择,可以获取直线和曲线道路段,克服了许多方法只能提取直线道路段的缺点,然后在确定的道路段上选择种子点进行区域增长,从而实现自动选取种子点并提取道路网的过程,最后结合边缘信息和形态学方法规整化道路网.提出的方法能适用于高分辨率遥感图像中直线和曲线道路段的提取.经过实验分析和比较证明:该方法对于路面灰度均匀性较好和路面灰度均匀性较差的图片,都达到了较好的效果.     

高分辨率遥感影像分割的城市绿地提取研究

城市绿地是生态文明建设的重要组成部分,绿地信息提取是城市绿地规划和建设的基础和前提。遥感影像分割是绿地信息分类提取的关键步骤,选择合适的影像分割方法能有效提高城市绿地提取精度。传统的遥感分割方法分割结果中边缘锯齿现象严重,与绿地实地边界相差较大,不符合绿地信息提取的要求。本文以高分辨率的WorldView影像为数据源,使用深度学习网络DeepLab-v3+对城市绿地进行分割研究,在分割基础上进行城市绿地信息提取。同时,本研究将该网络模型的分割和分类结果与基于Ostu、MeanShift、FNEA分割算法的分类精度进行比较。研究表明：DeepLab-v3+的分割性能最好,其分割边缘光滑,与绿地实地边界吻合度高,有效解决了传统分割算法的边缘锯齿问题;在各种分割分类算法中,DeepLab-v3+的分类精度最高,达到98.01%。     

高分辨率遥感影像分割的城市绿地提取研究

林地是国家重要的自然资源和经济资源,掌握林地分布状况对林地资源调查管理具有重要意义。针对传统林地提取方法精度较低且边界不规则的问题,设计了一种联合多尺度注意力机制与边缘约束的林地提取方法。首先,构建一种端到端的多尺度注意力神经网络模型,充分提取影像中林地的上下文特征,对不同尺度下的林地进行语义描述,实现高精度的林地像素级表达;其次,构建边缘约束规则,对提取结果进行边界优化,提高林地提取结果的可读性。为证明方法的有效性,以中国四川省绵阳市三台县作为实验区,建立数据集并进行林地提取实验,结果显示,所提方法提取的精确度为81.9%,召回率为75.6%,F1分数为78.1%,交并比为64.2%。结果证明,所提方法在遥感影像林地提取应用上效果良好。

     

高分辨率遥感影像的建筑物自动提取

文章结合结构图分析方法,提出一种针对高分辨率遥感影像中建筑物自动提取方法.该方法利用几何限制对线基元进行初连接,解决由于边缘检测无法完整提取建筑外边缘问题;通过构造结构图确立线基元之间连接关系,搜索结构图中闭合路径,建立高级别特征,对过于散列的线基元进行整合;在此基础上,综合考虑建筑物的几何结构、光谱特征等图像信息筛选闭合路径,实现对建筑物的提取.最后通过对天绘一号高分辨率遥感影像进行建筑物自动提取验证了该方法的有效性.     

利用高分辨率遥感影像提取建筑物方法研究

随着航空航天技术的发展,人们获取的遥感影像数据的空间分辨率不断提高,同时获取难度大幅降低。在遥感数据日益普及的今天,利用影像处理与分析技术对高空间分辨率遥感影像中的感兴趣目标进行自动提取已经成为目前遥感领域研究的热点之一。建筑物作为与人类生活密切相关的主要人工地物,是城市发展的重要标志。目前,通过对高分辨率遥感影像进行建筑物自动提取已经成为建筑物信息获取的重要手段,而建筑物信息可用于进一步研究城市的扩张与发展、城市土地利用现状与变化、城市规划、城市热岛效应、人口估计与预测、灾害监测预警与评估等。     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

基于高分辨率遥感影像的建筑物提取方法综述

建筑物的提取是地理数据库更新和建设的重要内容,利用高分辨率遥感影像进行建筑物提取是该项研究的重要方向,也是遥感前沿技术研究的重要内容。本文将相关文献进行归纳分析,将建筑物提取方法分为3种有代表性的类型:基于对象分割的提取方法、基于建筑特征的提取方法和结合辅助信息的提取方法,综述分析了每种类型的提取方法并总结了其优缺点,展望了高分辨率遥感影像中建筑物提取的发展前景。     

密集城区高分辨率遥感影像建筑物提取

建筑物在地理国情监测中是一个重要目标,快速、准确地提取城市建筑物可以带来巨大的经济价值。本文在前人针对城市区域的建筑物提取研究基础上,对现有提取方法存在的问题,提出了一种针对密集城区的面向对象自动化建筑物提取流程。首先利用高分辨率遥感影像得到阴影和建筑物初提取结果;然后利用阴影和建筑物的空间位置关系,建立筛选条件,对疑似建筑物区域过滤;最后通过图割算法来精确建筑物轮廓。通过使用武汉地区的两幅QuickBird影像进行算法验证试验,可得到准确的检测结果。本算法可应用于密集城区的建筑物检测,能够有效减少人工判图的工作量。     

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。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。