面向对象的高空间分辨率遥感影像道路信息的提取

遥感影像的道路信息提取是构建及更新地理空间数据库的一个重要组成部分。针对高空间分辨率遥感影像丰富的地物细节信息和突出的结构、纹理信息的特点,采用一种面向对象技术,实现了高空间分辨率影像道路信息提取。首先,利用面向对象的影像分割技术得到道路均值对象,然后挖掘高空间分辨率遥感影像中描述道路的光谱特征、几何特征及纹理特征,构建道路对象的知识库,实现了城郊重要道路信息的提取。与最大似然法相比,提取结果充分利用道路形状和纹理信息,能克服光谱特征的噪声现象,提取道路准确率高,为高空间分辨率遥感影像道路信息提取提供了一种新的途径。     

基于数学形态学和Hough变换的高分辨率遥感影像道路提取

城市交通是经济社会发展的重要推动因素和枢纽,因此道路信息的提取与更新显得尤为重要。利用遥感图像来提取道路信息已经成为近年来道路提取的主要方法,但高分辨率遥感影像的快速发展与应用,在提供丰富信息的同时使道路提取变得更加困难。针对目前基于高分辨率遥感影像提取道路存在的问题,提出一种基于数学形态学和Hough变换的道路自动化提取方法。基于Hough变换确定道路的走向,在此基础上选定线性结构元素,利用数学形态学进行道路提取。分别选择IKONOS影像和Quickbird影像验证本文提出的模型。实验结果表明,本文提出的模型能有效地提取弯曲型道路与直线型道路,取得了较好的结果。     

一种基于小波变换的遥感影像道路自动提取方法

遥感影像上道路的自动提取是摄影测量与遥感、计算机视觉等领域的重要课题。本文通过对图像小波系数的分析,完成道路节点的提取。随后利用基于小波变换的边缘提取算子,对道路进行边缘提取。边缘提取出来之后,以道路节点为种子点,对道路进行Snake跟踪。为保证提取效果,对图像进行了预处理。实验表明,利用本文提出的理论与方法能为道路网的自动提取与识别提供一个可靠的依据,同时也对其他地物(如建筑物)的自动提取提供一个有价值的参考。     

基于双注意力残差网络的高分遥感影像道路提取模型

高分辨率遥感影像中,道路光谱信息丰富,且空间几何结构更清晰。但是,基于高分遥感影像的道路提取面临道路尺寸变化大、容易受树木、建筑物及阴影遮挡等因素影响,导致提取结果不完整。此外,高分遥感影像中同物异谱和异物同谱现象较为严重,从而影响道路提取结果连续性及细小道路信息完整性,而且难以区分道路和非道路不透水层。因此,本文提出基于双注意力残差网络的道路提取模型DARNet,利用深度编码网络,获取细粒度高阶语义信息,增强网络对细小道路的提取能力,通过嵌入串联式通道-空间双重注意力模块,获取道路特征图逐通道的全局语义信息,实现道路特征的高效表达及多尺度道路信息的深层融合,增强阴影和遮挡环境下网络模型的鲁棒性,改善道路提取细节缺失现象,实现复杂环境下高效、准确的道路自动化提取。本文在3个实验数据集对DARNet和DLinkNet、DeepLabV3+等5个对比模型进行对比试验和定量评估,结果表明,本文DARNet模型的F1分别为77.92%、67.88%和80.37%,高于对比模型。此外,定性比较表明,本文提出模型可以有效克服由于物体阴影、遮挡和高分影像光谱变化导致道路提取不准确与不完整问题,改善细...     

基于行道树的道路快速提取和面积计算研究

在城市遥感中,道路自动(半自动)提取一直是研究的霞点.本文在现有道路自动(半自动)提取技术的基础上,结合高分辨率遥感影像中行道树的分布特点,从地学知识出发,利用归一化筹值植被指数、阀值分割、数学形态学算子及地理信息系统的分析功能等实现基于行道树的道路自动(半自动)提取和道路面积快速、自动计算.结论表明基于行道树的道路提取和面积计算方法具有一定的实用性.     

基于亮度补偿的遥感影像阴影遮挡道路提取方法

在基于高分辨率遥感影像的道路提取中,阴影遮挡是导致提取的部分或整段道路缺失的重要因素,严重制约了道路提取的自动化过程,因此探索适用性强的阴影情况下道路提取方法对地图数据生产和地理大数据研究具有重要意义。本文针对传统的阴影系数修正方法难以消除植被、建筑上的阴影对道路提取带来的干扰,选用路面颜色不一、地物干扰少的郊区影像与地物丰富、路面地物阴影干扰严重的市区影像开展研究,提出了基于亮度补偿的阴影遮挡道路的提取方法。首先,在图像预处理的基础上,利用HSI阈值分割获取阴影区域;其次,在削弱蓝色分量信息后采用亮度补偿方法实现像素点空间域增强以及阴影区信息的恢复,在增大道路面阴影与周围环境差异的基础上,借助高效的分割算法实现阴影道路提取;最后,通过和由K-means聚类分割获取的非阴影道路进行合并,经细化处理最终实现阴影遮挡道路的完整提取。实验结果表明,此方法提取郊区与市区影像中阴影道路的正确率在80%以上,该方法能有效地提取阴影遮挡道路,消除其他阴影的干扰,降低阴影道路提取时的斑块破碎度,较好的保留道路的主体。     

融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

武都-文县地区遥感影像线性构造解译

在系统研究遥感信息在地学应用发展概况基础上,总结和分析了在遥感影像上提取线性构造的原理和方法,重点研究线性构造在遥感影像上的表现特征,结合遥感影像数字处理特点来研究各种线性构造影像增强的算法,并通过解译武都-文县地区断裂的具体位置和活动性质,进一步对各算法进行验证,为遥感信息在地学应用方面的研究作了一定的铺垫。     

遥感影像提取数据的后处理技术研究

遥感信息的自动提取是当今空间信息领域的研究难点和重点,常见的提取方法能在一定程度上实现自动提取,但提取后的空间数据如道路、建筑物,存在着属性信息缺失、质量不高等问题,无法直接用于实际生产.为了解决这个问题,本文对遥感影像提取数据后处理过程进行研究,基于自动提取结果,借鉴制图综合领域中的算子和算法,并根据典型矢量要素的自身特征,制定规则库进行制图综合处理.同时引入OpenStreetMap数据进行多源数据融合,解决提取信息属性不足的问题,最终形成一套适合半自动生产加工的遥感影像数据提取后处理方法.与传统后处理方法相比,本文提出的方法可以大大提高系列比例尺地形图制作速度和自动化水平,提升基础地理信息数据快速生产更新效率.     

基于样本自动扩充的街区式农村居民地遥感提取方法

与基于非监督分类机制的居民地提取方法相比较,基于监督分类机制的居民地提取方法具有较高的提取精度。但是,基于监督分类机制的方法依赖于人工标注的训练样本,繁琐的标注工作限制了这类方法在遥感大数据时代的应用。利用监督居民地提取方法具有较高提取精度的优点,同时克服这类方法需要人工标注样本的缺点,能够建立更为实用的居民地提取方法。为此,针对中国华北平原广泛分布的街区式农村居民地,提出一种基于监督分类机制且仅需单个人工标注样本的居民地遥感提取方法。该方法首先根据居民地在遥感影像上的特征设计居民地排除规则,对划分的影像块进行初步分类;然后,从划分为非居民地的影像块中随机挑选一定量的影像块作为负样本,以人工标注的单个正样本为基础进行正样本扩充;最后,采用k-近邻分类法训练居民地分类器,对初步判定为居民地的影像块做进一步分类。试验结果表明,方法能够准确地提取影像中的居民地,对地物背景存在差异的遥感影像具有良好的提取效果。     

地表覆盖工程化自动解译平台设计与实现

随着遥感技术的快速发展,各行业对遥感监测依赖性越来越大,遥感影像自动解译研究越发重要。在浙江省第一次全国地理国情普查的地表覆盖提取中,明确要求采用先自动解译,后人工修正的作业方式。本文以浙江省第一次地理国情普查工作为例,通过研究工程化自动解译工作特点,提出针对性的作业模式,设计和开发了相应的自动解译平台。实践证明,在国普工作中,采用此平台可提高自动解译工作效率。此平台也是浙江省地理国情监测一体化生产作业平台的重要组成部分,可为常态化地理国情监测的地表覆盖动态更新提供服务。     

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。     

基于高分辨率遥感目标特征库的地震灾情快速评估方法

高分辨率遥感影像已逐步成为地震灾害快速评估的主要数据源之一,但现有的遥感地震灾害信息提取方法存在对研究人员目视解译经验依赖性强和利用高分辨率影像提取结果精度不高的问题。因此,本文提出了一种基于目标特征库的高分辨率遥感灾害信息快速提取方法,用于提升遥感影像灾害信息提取的效率和自动化程度,并对基于目标特征库进行地震灾情快速评估的几项关键技术（目标特征库构建、样本匹配方法和自动分类方法）进行了阐述,最后,以云南鲁甸地震龙头山镇地区为研究区,基于高分辨率遥感影像在目标特征库支持下开展了地震灾情快速评估实验。通过与灾后调查数据的对比分析发现,基于高分辨率遥感灾害目标特征库的地震灾情快速评估结果在精度上可以满足灾情快速评估的业务需要,同时还具有更好的时效性。     

遥感影像空间格局变异函数分析研究进展

随着多光谱传感器的广泛运用,利用地物光谱响应特征提取地表信息的技术日益成熟,但是由于地表状况的复杂性和光谱响应的局限性,光谱方法在指示平均大小、空间异向性、空间分布、空间异质性等格局信息方面存在不足,因此挖掘遥感影像的空间格局特征日益受到研究者的重视。已有研究发现,变异参数与地表场景参数存在一定的对应关系,通过变异参数可以实现地表场景参数的提取,因此变异函数分析方法被广泛应用于真实遥感影像格局分析中,具体包括平均尺度提取、周期性格局探测、空间异质性表征与空间异向性描述等地表格局参数量化方面、最佳尺度选择与影像纹理分析等遥感影像信息提取方面。尽管变异函数分析方法在上述应用领域中都发挥了重要作用,但是当前利用变异函数进行遥感影像空间格局分析大多局限于定性描述层面,缺乏精确化的量化描述与分析,限制了变异函数分析方法应用的进一步拓展,究其原因在于对遥感影像格局变异函数分析的内在机制缺乏深入了解。本文回顾了近20年来变异函数分析方法在遥感格局分析领域的主要应用,并对该方法本身的优势和存在的不足进行了总结,可为变异函数这一工具在遥感影像格局分析方面的有效应用提供参考。     

国土调查遥感40年进展与挑战

运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战：① 高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;② 国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③ 对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④ 从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。