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。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

多尺度特征孪生神经网络的建筑物变化检测方法

针对从多时相高分辨率遥感影像上做建筑物变化检测出现的细节特征丢失、变化检测结果模糊的问题,该文提出了一种基于多尺度特征孪生神经网络的遥感影像建筑物变化检测算法。以孪生神经网络为基础网络,将Inception v2结构加入网络特征提取层中,获得遥感影像多尺度特征,并对其进行多特征融合,更好地还原建筑目标的细节信息。与全卷积孪生神经网络网络相比,在WHU和LEVIR-CD建筑变化数据集下的实验结果表明,overall accuracy、F1-score和Kappa系数指标都有所提高,本文的多尺度孪生神经网络方法更利于建筑物变化检测,并获得了良好的测试结果。     

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。     

基于HRNet的高分辨率遥感影像建筑物变化信息提取

建筑物图斑变化检测是遥感影像信息提取的重要内容之一,对于土地调查、自然资源常态化监测、土地执法监测等具有重要意义。岭南地区建设结构复杂,高分辨率遥感影像信息丰富,包含建筑结构细节多种多样,加上成像的季节不同、时间不同等因素导致建筑物变化信息的自动提取十分困难。针对此问题,本文提出了基于HRNet的语义分割模型,通过筛选保留高分辨率的特征层,从而保留更细节的图像信息。此外,结合图像分割二值化对结果进行优化,在一定程度上提高了高分辨率遥感影像建筑物变化自动检测的能力。     

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。     

全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。     

基于双模态高效特征学习的高分辨率遥感图像分割

遥感图像因具有丰富的语义信息和空间信息,增加了语义分割的难度。然而已有提取双模态特征的分割方法采用相同的主干网络,没有考虑互补特征的差异,存在特征提取、特征融合和上采样恢复细节信息不足等问题,无法准确高效的学习高分辨率遥感图像信息。因此,本文提出基于双模态高效特征学习的高分辨率遥感图像分割算法。首先,针对不同模态的遥感图像设计合适的编码器,高效的提取双模态特征,并通过交互加强模块减少不同路径特征之间的差异。其次,提出双模态特征聚合模块和深层特征提取模块进一步融合和提取双模态特征,使网络能够充分学习互补信息。最后,提出多层特征上采样模块,利用语义信息丰富的高层特征对细节信息丰富的低层特征进行加权操作,逐步上采样实现特征高效恢复,提升分割性能。实验结果表明,所提算法在ISPRS Potsdam和Vaihingen数据集上的总体精度分别达到了94.52%、90.45%,能够高效的提取并融合高分辨率遥感图像的双模态特征,提高遥感图像分割的准确率。     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。     

基于多特征融合的遥感影像土地利用分类

高分辨率遥感影像因其所含较为丰富的影像信息,在城市规划、环境评价、林业测量等领域得到了广泛应用。然而,由于遥感影像具有背景复杂、地物结构多样、细节丰富等特点,往往存在分割精度低的问题。此外,遥感影像中目标如建筑物、河流和林地等地物通常存在尺寸大小不一致的问题,难以做到精细化分割。针对以上问题,本文提出了基于多特征融合的卷积神经网络模型。该模型分为编码器和解码器两部分。在编码阶段,本文使用跨卷积层级的多尺度特征融合策略提取特征;在解码阶段,为了准确地恢复影像的细节信息,本文设计了能够融合不同层级卷积特征的解码器。同时,本文对成都市的高分系列遥感卫星影像标注,设计对比实验验证了本文模型的有效性。     

结合残差编解码网络和边缘增强的遥感图像去噪

高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点,针对以上问题本文提出了一个基于边缘增强的残差编解码去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层,然后将含噪声信息的高频层输入到带残差模块的编解码网络中,通过采样运算在多尺度空间上学习残差映射生成残差图像,最后使用跳跃连接得到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成,逐像素损失使用传统的均方根误差学习像素级信息,感知损失学习语义特征上的差异可以保留更多边缘信息,最终得到更清晰的结果,其中感知损失是由级联在后的语义分割网络提取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法,不仅提高图像的峰值信噪比,得到最高的平均梯度值,还在视觉上取得了最清晰的结果。实验结果表明,本文提出的基于边缘增强的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题,保留更多遥感地物信息,提高图像视觉效果。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

改进U-Net的遥感图像语义分割方法

利用深度神经网络进行遥感影像语义分割是遥感智能解译的一个重要内容，在城市规划、灾害评估及农业生产等领域具有十分重要的作用。高分辨率遥感影像具有背景复杂、尺度多样及形状不规则等特点，使用自然场景语义分割方法处理遥感图像往往存在分割精度低的问题。针对上述情况，本文在U-Net模型基础上，提出了一种多尺度跳跃连接方法来融合不同层次的语义特征，获取准确的分割边界与位置信息；引入注意力机制和金字塔池化解决复杂背景下的精细分割问题。为了验证本文方法的有效性，在WHDLD和LandCover.ai数据集上进行试验，并与主流语义分割方法进行对比。试验结果表明，本文方法的mIoU分别达到74.28%和82.04%,F₁均值达到84.47%和89.76%,均优于其他对比方法；相比于U-Net的分割结果，IoU在建筑物、道路等占比较少的类别上提升明显，且优于其他对比方法。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN (Region Proposal Network)机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

一种面向对象的遥感影像城市绿地提取方法

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,以及受到城市区域范围尺度限制因素的影响,本文提出一种利用高分辨率遥感影像提取城市区域范围绿地专题信息的方法,结合影像分割、影像面向对象模板统计和基于多阀值的模糊分类技术的优势,林地、密草地和疏草地专题信息被提取出来.研究中提出利用基于面向对象多尺度分割算法...     

基于卷积神经网络的高分辨率遥感影像目标检测方法研究EI北大核心CSCD

高分辨率遥感影像目标检测作为高分对地观测系统中影像信息自动提取及分析理解的重要内容,对高分对地观测系统应用价值的发挥具有重要影响。卷积神经网络作为最热门的深度学习模型,由于其可以根据海量数据和标注自行进行有效图像特征提取和学习,在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性和普适性。因此,基于卷积神经网络的目标检测架构被相继提出,但现有网络架构多是针对自然图像设计的,相对于自然图像,高分辨率遥感影像存在背景更加复杂、目标尺度更小、同类目标尺度变化更大和影像尺寸更大等特点;将这些网络架构直接用于高分辨率遥感影像目标检测会存在网络目标建议框尺度不匹配,待检影像相对于网络输入过大,以及缺乏训练数据等问题。针对上述问题,论文系统性地开展基于卷积神经网络的高分辨遥感影像目标检测方法研究。主要研究内容如下。     

基于标记分水岭分割的高分辨率影像水体信息提取

提出一种基于标记分水岭分割的高分辨率卫星融合影像提取水体信息的方法。首先采用pansharpening 融合法获得光谱扭曲小的高分辨率卫星融合影像;其次利用标记分水岭算法对高分辨率卫星融合影像进行分割;最后在分割基础上利用水体指数模型提取水体信息。采用QuickBird高分辨率遥感影像数据试验,与eCognition多尺度分割提取水体方法的结果相比,表明本文方法更快速有效,具有实用推广价值。     

深度神经网络条件随机场高分辨率遥感图像建筑物分割

高分辨率遥感图像建筑物分割的实质是构建一个输入图像到分割结果之间的高维强非线性映射模型。然而,建筑物可能遍布整幅遥感图像,则在语义分割过程中,当前像素点可能与非邻域的像素点存在直接关系。为了更加精确地逼近建筑物分割的真实映射模型,克服道路、建筑物错层和阴影的影响,提高分割精度,本文以深度残差神经网络为基础,构建Encoder-Decoder的深度学习架构,自动提取建筑物的特征,学习建立高维强非线性分割模型;同时,通过条件随机场的成对势函数调节当前像素点与其他像素点之间的关联关系,从而构成全连接条件随机场对Encoder-Decoder的分割结果进行调节,提升分割精度。在全连接条件随机场的计算过程中,采用循环神经网络的运行机制来完成均值场的计算,这将条件随机场与深度神经网络有机融合,实现了Encoder-Decoder和全连接条件随机场参数的同步训练。实验结果表明,本文采用的深度神经网络条件随机场方法能有效克服道路、建筑物错层和阴影的影响,提升高分辨率遥感图像中建筑物的分割精度;同时,在一定范围内对多分辨率遥感图像具有较好的泛化能力。     

基于数学形态学的IKONOS多光谱图像分割方法研究

利用数学形态学方法,研究与探讨了IKONOS多光谱图像的分割技术.提出一种结合图像边缘特征和纹理特征的混合分割新算法.在高分辨率多光谱遥感图像K-L变换的基础上,采用多尺度多方向形态学梯度算子提取边缘特征.应用数学形态学滤波及局部方差统计特征对图像对象进行标记,最后采用强制最小过程,进行标记控制的分水岭分割.研究结果表明,提出的分割算法优于仅利用边缘特征的分水岭分割算法,同时,该算法能较好地解决分割过程中存在的过分割与欠分割问题,是一种适合高分辨率多光谱遥感图像的分割算法.