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.     

利用全卷积网络提取Sentinel-2影像高低层建筑区

面向Sentinel-2多光谱数据,依据影像地物空间结构和地表实际功能类型将建筑区分为高层建筑区和低层建筑区,构建了一种基于全卷积网络模型的高、低层建筑区快速提取技术。在此基础上,以雄安新区及其周边为试验区,选取2017年3月获取的4景Sentinel-2多光谱数据进行试验验证和分析。结果表明：本文技术能够实现大范围区域内高层和低层建筑区的快速提取,总体平均提取精度达到95.30%,其中高层建筑区平均提取精度为99.22%,低层建筑区平均提取精度为91.38%,该技术明显优于现有基于纹理结构的高低层建筑区提取方法。通过对提取结果进行统计分析发现：约4.4×10⁴ km²的研究区内高层和低层建筑区分别约为94和7351 km²;雄安新区中心三县内高层和低层建筑区分别约为1.25和312.24 km²。本文技术具有很好的推广性,结合Sentinel-2数据大幅宽高频次观测特点和更多类型建筑区样本,可以实现大范围地表多类型建筑区动态监测。     

一种基于卷积运算的遥感影像道路提取方法

根据遥感影像道路特征,提出一种基于卷积运算和数学形态学的道路提取方法。首先通过拉普拉斯算子对图像行锐化处理;再用卷积运算获得线特征加强系数,在加强道路线特征的同时,背景灰度恒定区域被弱化;然后去除短线和块状噪声,适当地加入人工干预进行道路修剪;最后用数学形态学细化处理得到道路网。实验结果表明,该方法能有地从遥感影像中提取出道路。     

全卷积神经网络用于遥感影像水体提取

提出了一种全卷积神经网络模型用于遥感影像的水体目标提取的方法,介绍了全卷积神经网络的基本原理及构建3种网络模型的过程。为了分析模型效果,首先搜集带有水体的影像数据,并将这些数据标注为水体和背景两类,然后利用构建的全卷积神经网络模型进行推理和学习获取先验模型,最后对测试影像进行水体提取试验。通过与传统的基于影像光谱特征的阈值法和基于图论的Grab Cut算法提取结果进行比较,验证了本文方法的可行性。     

基于残差网络约束的道路提取

遥感图像的道路识别是一个重要研究课题,对GIS平台构建和数据更新有着重大贡献。然而,遥感图像中地表信息丰富,道路建设复杂,这给提取道路造成了一定的困难。本文基于残差网络模块,从以下两方面进行研究：1)构建了数据集,其包含城市、乡村道路,并运用镜像、旋转等手段对数据集进行了扩充;2)针对ResNet提出了一种改进方法,并利用数据集对网络进行了样本训练和特征学习,进行道路提取。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。     

改进特征金字塔网络的遥感影像崩滑体提取

针对大多数网络存在精度低,特征冗余,计算量大,训练时间长等问题,提出密集连接特征金字塔网络(DCFPN),将特征提取网络得到的特征图通过一组并行深度可分离空洞卷积进一步计算其全局语义信息,并搭建解码上采样网络,加入连接组合特征层的结构,对遥感影像进行语义分割实现崩滑体提取,较好地解决了参数量过多,计算时间较长和精度较低等问题.通过特征金字塔网络(FPN)和DCFPN在崩滑体数据集上的大量对比实验表明,DCFPN在崩滑体语义分割方面有更高的精度并且计算量更少,训练时间更短,能够更好地为应急抢险工作.     

基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N（positive-negative）学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法.首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;...     

改进DeepLabV3+网络的遥感影像道路综合提取方法

遥感图像复杂场景道路提取过程受树木和建筑物阴影,以及荒地、空地等因素干扰较多。针对利用DeepLabV3+网络模型进行道路提取时存在的道路信息不完整和细节信息丢失的问题,本文提出了一种改进DeepLabV3+网络的遥感影像道路提取方法。该方法以轻量级的MobileNetV2作为骨干网络进行特征提取,采用空间金字塔池化模块获得多尺度道路信息特征,从而减少道路遥感图像细节的损失,并提高网络模型的道路提取精度。在DeepGlobe数据集上进行道路提取试验的结果表明,该方法在提升准确率的基础上,有效降低了计算的复杂度;像素准确率和交并比分别达79.7%、64.3%,均优于DeepLabV3+网络及其他经典网络模型,表现出更优异的道路提取能力。     

多特征约束的高分辨率光学遥感影像道路提取

针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。     

国产高分辨率遥感影像农村公路核查方法及其应用

传统的农村公路核查需要人工实地抽查或通过GNSS设备进行信息采集验核,存在成本高、效率低等问题。遥感影像具有成像范围广、时效性高、成本低、能客观反映现实情况等优点。相比于传统方法,将遥感影像引入农村公路核查,能客观、准确、高效地对农村公路相关信息进行核查。本文基于国产高分辨率遥感影像,结合农村公路遥感核查业务,采用遥感影像道路提取算法,设计并实现了一种农村公路核查方法。将本方法应用于某中部省份农村公路遥感核查业务,实际应用表明该方法能有效提高现有农村公路遥感核查的工作效率。     

基于分水岭算法的高分遥感图像道路提取优化方法

针对高分辨率遥感图像城市道路提取中存在的问题,在面向对象方法和数学形态学等理论基础上,提出了一种基于改进的分水岭分割算法的道路提取方法.在图像预处理基础上,首先使用改进的分水岭算法分割影像,提取基本的道路信息;然后利用面向对象方法提取道路基元,完善道路信息;最后将道路信息二值化,并采用数学形态学等方法进行优化,去除和修补不完善的道路.结果表明,该方法能有效地提取出城市地区的道路信息,对较复杂的道路环境也有较好的效果.     

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。     

高分辨率遥感图像道路分割算法

为了提高从高分辨率遥感图像(high-resolution remote sensing image,HRI)中提取道路信息的自动化程度和准确性,发展了一种HRI道路分割算法,主要包括光谱合并、边界合并和基于形状特征的道路区域提取等3个步骤。其中,前2个步骤是基于区域生长的图像分割算法。光谱合并综合考虑了区域的均值、方差等统计特征量,以提高分割精度;边界合并采用了基于矢量梯度的边界计算方法,以准确提取多光谱HRI中的边界强度;结合全局最优合并算法实现光谱和边界合并,以得到最优化的分割结果。在道路区域被完整分割出来的基础上,利用形状特征提取道路,采用圆形度特征区分道路和非道路。利用2景Orb View3多光谱图像进行道路提取实验的结果表明,该方法的道路提取结果总精度和Kappa系数分别在97%和0.8以上,明显优于SVM监督分类方法。     

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。     

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。     

基于高分辨率城区遥感影像的道路半自动提取方法研究

遥感影像上人工地物的自动化和智能化采集一直是摄影测量与遥感技术长期探索的一个主要课题。道路是重要的基础地理信息,随着遥感影像分辨率的提高,道路特征的复杂化对道路提取方法形成了挑战。针对高分辨率城区遥感影像道路提取中存在的问题,结合多分辨率分析思想、模板匹配原理和LSB-Snake模型,综合提出了一种适用于城区高分辨率遥感影像的道路半自动提取方法。实验表明该方法可以在很大程度上弥补LSB-Snake模型的不足,同时具有良好的抗噪声能力,可作为一种有效手段应用在城区高分辨率遥感影像的道路提取中,具有很好的交互性、可靠性和高效性。     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。