多特征加权融合的高分SAR影像建筑区提取方法

机载SAR影像分辨率的不断提高使得图像纹理信息更加丰富,对地物分类和提取具有重要意义。针对建筑区的纹理特点,该文提出了一种综合统计和结构多特征加权融合的建筑区提取方法。分别采用经典的灰度共生矩阵方法提取统计纹理特征和采用变差函数方法提取结构纹理特征,并考虑方向信息;然后利用提出的巴士距离特征权值计算方法,将所选特征进行加权融合;利用K均值聚类算法对融合后的特征图像进行非监督分类,对分类图像进行后处理并提取外部轮廓。以国产机载P波段全极化SAR影像为数据源进行了实验,并对结果进行了定量分析,表明该方法能够高精度地有效提取高分辨率机载SAR影像中的建筑区。     

利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。     

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.     

一种高分影像建筑区分块表示与合并提取方法

建筑区是一种重要的人工地理要素,利用高分辨率卫星影像可以在更精细的尺度上获取建筑区信息。针对建筑区这类结构复杂、面积相对较大的地物类,提出一种分块表示与合并提取方法。首先,通过角点上下文约束来划分图像,并将获得的图像块作为影像处理的基本单元;然后,利用空间变异函数来建模每个图像块并提取特征描述参数,进一步通过主成分变换实现建筑区图像块的结构特征表示;最后,根据图像块空间结构特征的相似性实现建筑区的判别。实验结果表明,该方法能够有效实现高分影像建筑区的提取,并且对不同分辨率的高分影像表现出良好的适应性。     

高分辨SAR相干系数图像的开采沉陷区提取

针对煤矿区开采沉陷下沉迅速、地表变形大、容易形成低相干区的特点,该文采用神东矿区2012年1月至2012年12月RADARSAT-2 MF5多视精细波束模式图像,经相干性计算、对低相干区进行数字图像处理、人机交互解译等过程获取研究区内沉陷区的数量和规模。将基于InSAR相干系数图像提取的沉陷区与DInSAR结果进行叠加对比,空间位置能够很好地吻合,由此获得连续变化的开采沉陷区39处。实验表明:不需要复杂的干涉测量,仅使用相干系数图像也可以提取开采沉陷区,可以实现大范围、高强度开采活动造成的地表沉陷灾害的快速评估。     

深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

高光谱图像稀疏流形学习方法研究

<正>高光谱图像是由成像光谱仪记录地物对电磁波的反射值而获取,包含从可见光到近红外范围内的数十上百个连续且狭窄的波段。高光谱图像光谱分辨率高,可辨识细微差异的地物,目前已广泛应用于环境监测、精准农业、目标识别和地物分类等领域。在高光谱图像分类中,传统分类方法因数据量大、波段数多、波段间的相关性强而导致"维数灾难"。因此,如何减少波段数且不丢失有用信息是目前高光谱图像分类领域的研究前沿与热点。     

基于SAR相干系数图像的城市边界提取

相干系数图像对SAR散射体特性的变化十分敏感,对于城区表面特殊物理结构的探测、城市演化和灾害评估等有研究价值。采用豫北地区时间基线为70 d的ENVISAT ASAR雷达干涉相干系数图像,通过分析相干系数图像遥感物理特征,采用二值化、滤波去噪、连接外边界、区域填充、人工干预去噪、边界修整等一系列图像处理方法,最终用MATLAB软件的边界提取函数和算子提取出豫北地区8个县市的最外边界。经过与光学影像分类结果对比,吻合度较好。     

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。     

利用GLCM纹理分析的高分辨率SAR图像建筑区检测

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

利用改进三分量分解与Wishart分类的极化SAR图像建筑提取方法

本文针对基于Freeman分解的建筑提取方法存在的问题,提出采用圆极化相关系数实现选择性去取向,同时引入广义体散射模型,构建了面向建筑提取的改进三分量分解模型,以准确分析地物的散射特性。在此基础上,发展了一种综合利用改进三分量分解与Wishart迭代分类算法的极化SAR图像建筑提取方法。使用E-SAR全极化数据的试验结果表明,本文方法能够有效减少建筑与植被的误分,并提高建筑信息提取的准确性。     

基于高分SAR影像的城市用地变化检测

SAR技术的发展使得该技术在人们生活和生产中发挥着越来越重要的作用,而且高分辨率SAR影像的使用推动了SAR技术在各个方面的研究和应用,其中对城市用地的变化监测效果十分明显。本文采用4景前后时间相差11个月的Terra SAR-X数据,运用对数比值法构造差异影像,最后使用马尔科夫随机场模型提取出城市建筑物用地变化区域。最终得到的结果与人工目视解译结果的重合率达到80%以上,表明该方法行之有效,可以推广生产。     

基于分层图像融合的SAR图像可视化增强方法

提出了一种基于分层图像融合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像可视化增强方法。根据SAR图像特点,通过图像灰度级分层、融合等处理,并在图像融合时加入动态范围约束条件进行求解,对SAR图像做了可视化增强处理,处理得到的图像动态范围满足显示打印等设备动态范围约束条件,且与常规方法相比能更多地保留原图细节信息。实验结果表明了本文方法的有效性。     

基于二进小波变换的SAR图像湖岸线提取

本文阐述了一种基于二进小波变换的从SAR图像中提取湖岸线的方法。该方法首先利用边缘和噪声的奇异性在二进小波变换中随尺度变化具有不同的传播规律来检测边缘点，然后利用基于梯度矢量流的主动轮廓模型进行边缘点的连接，实验结果证明，这种方法可以有效的消除SAR图像中存在的斑点噪声对边缘提取的影响，准确的提取湖岸线。     

基于高分七号影像自动提取东北黑土区侵蚀沟的方法

东北黑土区沟蚀严重且分布面积广,目前对其进行监测大多基于目视解译,自动化程度低,急需一种快速提取方法。本文选取沟蚀严重的黑龙江省宾县马蛇子河流域,基于高分七号影像,以目视解译结果为参照,比较流向边缘检测、机器学习、深度学习3种方法自动提取侵蚀沟的精度。结果表明：(1)流向边缘检测方法依赖高精度地形数据,高分七号立体像对生成的地形数据垂直精度低,侵蚀沟整体提取精度仅为6.7%,无法用于切沟和浅沟的自动提取;(2)机器学习方法需要人为设置分割参数并设计分类特征,自动化程度较低,侵蚀沟整体提取精度可达50.7%,对切沟识别精度可达83.1%,但对浅沟识别精度仅为9.2%;(3)深度学习方法采用端对端的模式,无须人为设计特征提取器,自动化程度高,整体提取精度可达60.8%,对切沟识别精度可达68.1%,对浅沟识别精度可达69.7%。     

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。     

基于高分二号的城市绿地提取方法研究

绿地对城市生态系统具有重要的调节作用。利用遥感技术来辅助绿地信息的提取,能够获取绿地空间结构,动态掌握绿地覆盖面积,从而达到调控和监测城市绿地变化的目的。本文分别采用最小距离分类和面向对象的最邻近分类2种方法进行城市绿地提取,实验结果表明,利用高分二号这种空间分辨率较高的遥感影像进行绿地信息提取,面向对象的分类方法要比传统的最小距离分类方法更为适合。     

基于面向对象的高分遥感景观格局提取方法

为了实现对景观连续变化特征与连接特征的描述,并保持与斑块镶嵌特征的空间尺度一致性,该文利用高分辨率遥感数据,采用面向对象分割方法,建立基于Delaunay-Voronoi原理的景观格局定量描述模型,统一表达景观格局的镶嵌、连续以及连接特征;并将此图像分割方法的结果与像素聚合方法的结果进行对比。结果表明:1面向对象的图像分割方法能够更好地保存对景观格局提取至关重要的微细景观特征,并在尺度上推过程中延缓这些细微特征消失;2基于Delaunay-Voronoi数据结构的景观格局模型有利于面向对象影像分析的景观镶嵌、连续和连接特征的混合及其多尺度表达,更适用于高分辨率遥感景观格局信息提取。     

一种从SAR图像中提取城市道路网络的方法

提出一种从高分辨率SAR图像中提取城市道路网络的算法.在高分辨率SAR图像中,道路在空间结构上表现为一细长的且宽度基本恒定不变的均匀区域.利用模糊C均值聚类方法对高分辨率SAR图像进行聚类分析,将道路类像素从原始图像中分离出来.为突出道路形状特征,减少冗余信息,对聚类结果进行细化,同时利用跟踪算子消除短线段;以提取道路中心线二值图的像素值作为图像能量,应用Snakes模型检测道路网络.通过实际SAR图像验证,该算法可以准确提取复杂的城市道路网络.     

迁移学习支持下的高分影像积云提取方法研究

针对传统影像质量检查工作中积云提取存在人工作业量大、操作烦琐等问题,本文通过引入迁移学习机制,将已有数据集训练过程中得到的神经网络参数迁移到解译模型构建中,提出了一种适用于积云的自动提取方法。本文以湖南省不动产统一登记基础数据为实验对象进行了实验,结果表明,本文方法的浓积云提取总体精度可以达到90%以上,淡积云提取的总体精度可以达到87.3%,表明本文研究可用于高分影像积云自动提取。