高分辨率遥感影像林地边界提取方法

由于高分辨率遥感影像上的信息高度细节化,加之噪声的影响,会导致基于像元级纹理特征的林地边界提取方法的效果不理想。为此,提出一种基于种子纹理基元合并的半自动林地边界提取方法。首先利用基于图模型的影像分割算法获取初始基元;然后定义了一种针对非规则基元统计基元级灰度共生矩阵(GLCM)纹理特征的方法;最后在人工给定种子基元的基础上合并具有相似纹理的基元,并对基元合并的结果进行边界提取,得到高分影像上的林地边界。利用多源高分影像对所提方法进行验证及对比分析。实验结果表明,该方法对高分影像上大片典型林地的边界可取得较高的提取精度和计算效率。     

多特征融入的自适应遥感影像多尺度分割

针对现有遥感影像分割未充分利用丰富的地物属性信息,且分割模型采用全局固定参数未考虑特征维度空间的局部统计特性的局限,提出了一种多特征融入的自适应遥感影像多尺度分割方法.实验表明,本方法能有效利用基元的多维特征和特征维度空间局部统计信息,得到更合理的影像分割结果.     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

融合IR-MAD与超像素分割的遥感影像变化检测方法

针对迭代加权多元变化检测（IR-MAD）方法提取高分辨率遥感影像变化结果存在信息分散、“椒盐噪声”现象,提出了一种融合IR-MAD与超像素分割的高分辨率遥感影像变化检测方法。该方法利用卡方分布概率密度函数与超像素分割方法技术对IR-MAD算法改进,通过IR-MAD算法获取初始变化检测结果;然后,采用多尺度的超像元分割方法生成多尺度超像素对象;最后,对IR-MAD算法提取的初始变化检测结果,利用多尺度超像素分割对象结合众数规则判断分割对象属性,获取最终变化区域。实验结果表明：本文提出方法能有效提取变化区域,减少“椒盐噪声”现象,能较好地保存地物边界信息,提高整体变化检测精度。     

基于U-Net3+的高分遥感影像建筑物提取

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.902 7,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

形位相似的影像分割质量评价方法

针对传统遥感影像分割质量评价方法缺少定量评价,该文在顾及参考对象与分割对象之间形状和位置关系差异的基础上,提出一种基于形位相似的遥感影像分割质量评价方法。采用该文提出的评价方法对多尺度分割算法和分水岭分割算法的分割结果进行评价。结果表明:该方法能客观定量评价分割影像质量,得到最佳影像分割结果对象与参考对象的边界具有较高形位相似;并且该文评价方法能确定遥感影像最佳的分割尺度参数,有利于提高后续基于面向对象分类方法的精度。     

规整化策略的面向对象变化检测研究

为了提高高分辨率遥感影像变化检测的精度,该文提出一种基于规整化策略的面向对象迭代加权多变量变化检测算法。该方法利用多尺度分割法对两期影像进行了分割并提取了影像对象的各种特征,选择具有代表性的特征参与面向对象的IR-MAD变化检测,并在迭代加权的过程中加入规整化策略,避免广义特征方程可能出现的不稳定性。该方法减少了噪声,提取了研究区大部分变化区域,提高了高分辨率影像的变化检测精度和可靠性。结合人工变化检测和像素级IR-MAD检测结果,并采用新疆边界口岸资源三号卫星影像,验证了该方法的有效性。     

高分辨率影像分类的最优分割尺度计算

针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。     

深度融合网结合条件随机场的遥感图像语义分割

为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。     

融合余弦退火与空洞卷积的遥感影像语义分割

为了捕捉遥感影像中丰富的上下文信息与多尺度的地物信息,改进集成模型的策略,提高语义分割精度,提出一种融合周期递增余弦退火与多尺度空洞卷积的高分辨率遥感影像语义分割方法。方法引入多尺度并行的空洞卷积,有利于捕捉更大范围的上下文信息,在不增加参数的情况下,提高网络对多尺度对象的辨识能力;使用全连接条件随机场引入空间和边缘的上下文信息,提高网络对遥感影像的细节分割能力;引入周期递增的余弦退火策略调整学习率,获得合适数量的局部最优解,集成局部最优解进一步提升网络在像素上的分类能力。在Gaofen Image Dataset数据集上的实验结果表明,多尺度并行空洞卷积可以充分捕捉遥感影像上的多尺度地物信息,能有效辨识复杂对象;空间和边缘上下文信息的引入使语义分割对象的边界辨识更精准;周期递增余弦退火策略能明显减少集成模型的推理时间,模型的总体精度与Kappa系数均优于目前主流的语义分割模型。     

一种基于分布差异的分形网络演化分割方法

针对分形网络演化多尺度分割方法对高分辨率遥感影像存在的欠分割问题,文章提出以KL散度为核心的区域合并标准,研究出一种基于KL散度原理的改进分形网络演化多尺度分割方法。该方法相对于分形网络演化多尺度分割方法,在合并标准上更充分利用了遥感影像的光谱特征,能够很好地消除因光谱差异造成的欠分割,对同质性较强的地物效果尤为明显。通过WorldView-2高分辨率影像分割实验,比较欠分割率,结果证明该方法更适合于高分辨率遥感影像分割,能够为地物信息提取提供与自然更吻合的实体对象。     

泰森多边形区域高斯连接函数的遥感影像分割

为了更好地描述多光谱遥感影像波段间的相关性,提高影像分割的精度,该文提出基于区域高斯连接函数的遥感影像分割方法。(1)利用泰森多边形划分技术将影像域划分成若干泰森多边形,在此基础上,利用马尔可夫随机场(MRF)模型对标号场进行定义;(2)引进高斯连接函数建立影像子区域像素光谱测度的多变量统计模型,以表达影像特征场光谱波段间的相关性;(3)定义各模型参数的先验概率,在贝叶斯定理的架构下实现影像分割模型的建立;(4)采用M-H算法对分割模型进行模拟,并利用最大后验概率(MAP)得到最优分割。利用所提算法分别对模拟影像和真实影像进行分割实验,结果表明：该文所提方法可以更准确地描述影像波段间的相关性,更有效地提高影像的分割精度。     

多尺度对象高空间分辨率遥感影像谱聚类分割

针对基于像素模型的单尺度或多尺度谱聚类影像分割方法在相似矩阵存储、特征分解效率及分割精度方面存在的不足。该文首先通过给定多组空间及光谱带宽参数,利用mean-shift初分割生成不同尺度的超像素对象层;然后联合像素与超像素对高空间分辨率影像中的不同类别地物进行的多尺度建模表达其空间拓扑关系,即在图割理论框架下建立"像素-超像素"联合的多尺度无向权图模型G(V,E,W),同时根据遥感影像纹理特征丰富的特点,在顶点相似性计算过程中融合纹理特征;最后使用基于normalized cut准则的谱聚类算法,对图模型划分得到最终分割结果。该方法较好地降低了基于像素的谱聚类分割方法的计算复杂度,同时提高分割结果准确率。标准测试数据集和"高分2号"遥感影像分割结果表明了该方法的有效性。     

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。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

奇异值分解和阈值分割的遥感自适应变化检测

针对传统遥感变化检测算法中差值影像构造方法不容易提取弱变化信息,以及变化阈值需要人工干预的不足,提出一种基于奇异值分解(SVD)和最大类间方差法(OTSU)阈值分割的遥感影像变化检测算法。首先计算两期遥感影像的多波段差值影像,对其进行矢量化后所构造矩阵进行奇异值分解,并计算差值影像的变化强度,选取奇异值分解主分量投影和变化强度作为表征两期影像变化的特征量;然后通过最大类间方差法对上述两个特征量进行阈值分割,得到变化检测结果;最后通过对比实验以及精度验证,证明了该变化检测方法相比传统方法能够更精确地提取出变化信息,而且能够自适应获取分割阈值。     

融合谱间特征的高分辨率遥感影像分类

传统影像分类方法仅利用灰度、纹理等谱内特征,未能充分利用谱间特征,针对这一不足,本文提出一种融合谱间特征的高分辨率遥感影像分类方法。采用主成分分析法(Principal Component Analysis,PCA)对遥感影像进行变换,提取前两个主分量作为变换后的数据;通过影像分割方法获取像斑,选取训练样本像斑;利用灰度直方图与联合灰度直方图分别表达像斑的谱内特征与谱间特征,采用G统计量度量直方图距离,依据距离倒数加权计算像斑的谱内概率与谱间概率,依据加权组合谱内概率与谱间概率构建联合概率,在联合概率最大基础上获取影像分类结果。在Quick Bird遥感影像上的实验结果表明了本文方法的有效性,总体分类精度与kappa系数分别达到了90.0%和86.7%。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法。首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各个像素在不同尺度的"软"模糊评判结果进行定权处理和加权融合。实验以两组不同时相的高分影像为例,实现了基于模糊逻辑的多尺度变化检测有效融合,充分利用了多层次的像素特征,得到了整体优于单一尺度面向对象变化检测的结果,为多尺度变化检测提供了新的思路。