基于改进DeepLabv3plus算法的遥感图像海岛建筑提取方法

目前海岛经济快速发展,为避免海岛建筑无序扩建,了解海岛建筑分布特征尤为重要。机器学习方法是从高分遥感影像提取地物目标的常见方式,然而建筑物遥感特征复杂,机器学习方法出现鲁棒性差、难以充分挖掘深层次特征的弊端。文章提出基于DeepLabv3plus网络模型的深度学习语义分割方法提取海岛建筑,并对网络结构进行改进,使用组归一化（GN）方法替代批归一化（BN）以适合小batch size下的语义分割操作。针对海岛建筑数据量较少的问题,采用迁移学习策略,设计基于多源数据的国内城市建筑数据集的预训练样本智能采集和标注方法,再人工标注中国部分海岛建筑进行算法实验。结果表明,在batch size较小时,基于GN的DeepLabv3plus语义分割算法的平均精度和mIoU均得到提升,能够获得更为精确的像素级海岛建筑提取结果。     

面向对象解译方法在遥感影像地物分类中的应用

针对高分辨率遥感影像快速高效萃取有用信息这一遥感技术应用的热点问题,探讨了基于面向对象(Object-oriented)解译方法的遥感影像自动及半自动解译和提取的新思路.文中分析了面向对象解译方法在地物信息分类应用中的优势,并提出了基于此方法的高分辨率遥感影像多尺度信息提取技术流程.具体结合广州市新白云机场开发区IKONOS高分辨率遥感数据进行地物快速提取、自动分类的试验,并对解译效果进行了评估分析,证明此方法在高分辨率遥感影像地物分类中确实高效可行.     

一种光学遥感影像建筑区域自动提取方法

提出一种利用光学遥感影像自动获取建筑区域的方法。该方法利用基于结构张量的和算子、乘算子预计建筑区域的概率,按照融合规则将两种概率图融合,通过主动轮廓从融合的概率图中提取建筑区域。选取多幅ALOS影像对此算法进行试验分析,并与基于Gabor滤波法和Harris角点检测法进行比较。试验结果表明,与其他两种方法相比,该方法从光学遥感影像上自动提取建筑区域的结果具有更高精度。     

基于多尺度融合的高分辨率影像城市用地分类

基于面向对象的信息提取技术,针对高空间分辨率遥感影像进行城市用地分类。首先针对不同城市地物,选择适宜的提取尺度;然后探讨不同城市地物类型提取的适宜特征,充分利用光谱、空间结构、上下文关系、纹理等信息描述地物;最后融合不同地物多尺度下的提取结果。以北京市部分地区QuickBird影像为例,实现城市用地类型的自动分类,结果表明:该方法应用于城市用地分类的精度高达86.74%,为高空间分辨率遥感影像城市用地分类研究提供了新思路。     

像元信息分解和决策树相结合的影像分类方法

该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。     

基于多通道数据融合的无人机遥感影像地物目标提取方法

针对仅使用无人机遥感RGB影像进行目标检测时精度不高、高程信息利用不足等问题,该文采用通道叠加和类IHS变换两种多通道数据融合方法对RGB影像与高程数据进行融合,使用DeepLabv3+卷积神经网络语义分割模型提取两种融合影像地物目标,并与RGB影像提取结果进行对比分析.结果表明,基于上述两种融合影像的地物目标识别精度高于仅使用RGB影像的识别精度,其中通道叠加影像的整体像素精度、平均像素精度和Kap-pa系数分别提高了3.52％、1.42％ 和14.99％.由于不同地物目标与周围地物的高程差不同,致使各融合方法对不同地物目标识别精度的提升效果不同,道路、建筑和地面识别精度的提升效果较好.     

遥感影像智能图解及其地学认知问题探索

本文提出遥感地学智能图解模型 (RSIGIM)概念 ,主要内容是如何模拟地学专家对遥感影像的综合解译和分析过程 ,对遥感影像中包含的地物目标进行描述、识别、分类和解释 ,提取遥感影像中地物目标所属的类别 ,判别其大小、结构、相互关系等地学属性及遥感成像机理、内部特征 ,进一步融合地学分析模型 ,预测地理现象和地理过程的发展趋势 ,作出决策性规划。 RSIGIM的核心问题——遥感地学智能图解中的认知模型 ,具有层次结构 ,从低到高包括基于数理统计的影像基本处理和分析模型、基于神经计算模型影像视觉生理认知模型和基于符号知识逻辑心理认知模型等三个层次的分析认知模型。     

基于超像素的高分辨率影像建筑物提取

建筑物提取对于基础地理数据获取与更新具有重要意义。针对传统的基于像元方法难以利用影像空间、上下文信息以及面向对象方法最优分割尺度难以确定等问题,该文提出一种基于超像素的高分辨率影像建筑物提取方法。首先利用LiDAR点云数据生成归一化高程模型以获取地物的高度特征,并通过Layerstacking方式与高分辨率影像融合;随后基于Simple Linear Iterative Clustering(SLIC)算法分割高分辨率影像的RGB彩色图像生成超像素;继而基于分割所得的超像素中的每个像元对超像素进行特征计算;最后使用基于RBF核的支持向量机方法进行超像素级别分类,得到建筑物提取结果。实验结果表明,该方法能够有效识别出简单场景和复杂场景下的建筑物,显著消除了传统基于像元方法出现的"椒盐效应",同时避免了面向对象方法中最佳分割尺度选择的难题,取得了较好的建筑物提取效果。     

半自动面向对象高分遥感地灾目标提取方法

滑坡与泥石流等类型地质灾害发生后,快速准确的提取地质灾害信息对于灾害评估、救援具有重要意义。随着航空、航天技术的发展,具有宏观、快速、准确优势的遥感技术越来越多的应用于地灾分析。然而,在遥感影像上直接利用人工解译的工作方式费时费力,而计算机自动解译精度低。对此,本文提出一种半自动地灾目标提取方法。首先通过人机交互的方式进行简单的地灾目标标记,然后基于均值漂移算法进行图像分割,基于光谱直方图度量相邻分割块的相似性。最后融合标记信息和相似测度,以最小代价区域合并的方式提取目标。实验结果表明本文方法能够以很高的精度提取地灾目标,整体精度高于95%,Kappa系数优于0.90。     

基于面向对象的城市地物信息提取方法研究

20世纪90年代以来,高空间分辨率遥感影像数据的处理已成为遥感领域中的热点与难点。利用具有人的思维特点的面向对象的信息提取技术,对高分辨率遥感影像中的城市用地进行分类,分析和利用高分辨率影像的空间信息、结构信息与光谱特征等,总结了面向对象解译方法的5个步骤,即影像分割、分类方法的选择、地物种类分类,知识库构建、计算机自动分类。分类结果表明：（1）克服了“椒盐现象”;（2）信息提取的总体精度为92.19％,而且各类地物信息的提取精度均有所提高,特别是利用前期分类的拓扑关系有效提取了城市水体与建筑物阴影。     

基于知识规则的遥感影像土地利用分类研究

以重庆北碚主城区为研究区域,提出一种基于遥感影像的光谱特征、灰度共生矩阵纹理特征和形状特征建立知识规则的方法,对该研究区进行土地利用分类。对QuickBird卫星影像进行分辨率融合,重点分析典型地物的光谱特征和纹理特征,并根据形状特征建立形状指数,综合上述知识建立提取规则对地物进行自动分类。分类结果表明,该方法能够消除单纯利用光谱信息分类的不足,有效解决地物混分现象,达到了较高的分类精度。     

基于ETM+的表观荔枝波谱反射率反演研究

试从现有的大量遥感影像中提取不同环境下地物的反射率,以目前常用的ETM＋影像数据和荔枝波谱数据提取为例,先对影像进行系统校正得到星上反射率,然后采用6S大气校正模型对图像进行订正,反演地物的真实反射率,并采用与野外实测相结合的方法,分析了星上反射率、6S反演的反射率与实测值之间的误差,结果证明6S校正法是一种较高精度的地物波谱反演方法,可以方便、快捷、准确地从现有的大量遥感影像上直接获取荔枝的反射率.为下一步的自动高效从影像反演地物反射率的研究奠定了基础.     

基于指数计算的多层次遥感信息提取模型

指数计算是描述地物波谱特征简单而有效的方法.但单纯依靠指数方法进行遥感专题信息提取,错分、漏分现象严重.该文提出一种"全域一局部"的遥感信息提取思路:对整幅图像进行全域分割、全域分类,实现目标地物与背景地物的初始分离;在目标地物周围建立一定尺度的缓冲区,作为局部分割一局部分类的作用区域,并在局部作用域内选择不同的阈值,通过迭代过程实现目标地物与背景信息的最优分离.选取鄱阳湖地区Landsat 7/ETM+影像,应用该方法进行水体提取试验,精度达95.751%,优于常规的最大似然法.     

基于特征基元的高分辨率遥感影像城市空间信息提取

结合人类视觉机制和计算机尺度空间理论,设计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模式,即先在大尺度上进行粗分割,再进行精细分割,获得特征基元并进行特征表达,通过样本分类和知识推理等实现信息的提取与目标识别。针对城市空间信息的特点,在特征基元提取的基础上,采用马尔可夫随机场纹理分类方法、直方图阈值分割方法、支撑向量机分类方法等完成对城市水体、建筑区、道路和绿化用地的分类提取,构建了一套从高分辨率遥感影像中提取城市空间信息的方法体系。     

DEM格网与畸变遥感影像的一体化显示研究

遥感影像可以极大地增强DEM的表达效果,然而由于各种因素的影响,通常需对其进行预处理,传统方法是通过同名控制点进行校正。该文提出一种新的自动匹配算法,即提取DEM和遥感影像对应的特征线,利用Douglas-Peucker算法提取对应的特征点,以DEM特征点为离散点进行Delaunay三角剖分,并基于TIN完成纹理映射。实验结果表明,该算法显示效果较好,可有效改善畸变图像引起的错误显示。     

基于形态重建的高分辨率遥感影像城市道路提取

高分辨率遥感影像中,城市道路表现为局部灰度近似、宽度变化缓慢的狭长区域。根据城市道路这些形态特性,提出基于形态重建的道路提取方法。先对原始遥感影像作增强处理,突出影像边缘信息,用Otsu自动阈值分割法对增强处理后的图像进行初步分割;再根据图像中各要素的形态特征构建不同的标记图像,分别对原图像进行形态重构,将道路和建筑物等分别生成新的图像模块;对形态重构生成的道路模块进行轮廓提取和细化,提取出道路轮廓和中心线。实验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。     

基于形态学的多尺度遥感图像分割方法

基于形态学提出了多尺度遥感图像分割方法。首先使用面积形态学算子处理原始图像,构造不同尺度下的遥感图像;然后提取多波段遥感图像梯度,充分利用遥感图像的多波段信息;再在不同尺度的图像上使用区域标记方法提取标记,作为分水岭分割算法的生长点;最后使用分水岭分割实现对遥感图像的多尺度分割。该方法在Matlab中予以编程实现,并将其应用于江苏省海安SPOT影像中,实现对图像不同尺度的分割,能够有效提取出多波段遥感图像中不同尺度下的地物。     

澜沧江流域山区土地覆盖多级遥感分类方法研究

遥感监测土地覆盖是对流域综合开发所引起的有关土地利用状况改变的有效监督控制手段,土地覆盖分类专题信息提取是遥感监测研究的重要内容之一。针对澜沧江流域遥感监测项目,探讨基于地物光谱响应曲线分析提取山区士地覆盖的多级遥感分类方法应用研究。结果表明,基于具体研究区域的典型地物样点光谱响应曲线分析,在多波段间组织设计有关提取具体研究区域土地覆盖类间可分离性明显的算法,分离并提取特定研究区域土地覆盖主要类型,然后再通过结合多级遥感分类方法的应用,可较之单一依靠自动模式识别方法或单一利用目视解译方法获得诸多优越之处和更符合实际的分类效果,是种适合于山区土地覆盖监测的有效、可行而又相对操作简单的方法。     

基于金字塔模型的遥感影像感知哈希认证算法

针对遥感影像数据量较大的特点,提出一种基于金字塔模型的遥感影像感知哈希认证算法。首先,在原始遥感影像基础上通过重采样建立不同分辨率的影像层,并根据认证的粒度要求对各层影像进行格网划分;然后,通过分块DCT变换提取各格网单元的内容特征,进而构造格网单元的感知哈希序列,最终得到原始遥感影像的感知哈希序列。影像认证端可以认证不同分辨率影像层的内容完整性,也可以验证初始影像的内容完整性。实验与分析表明,该算法能够实现不同尺度下的遥感影像内容完整性认证,并对篡改区域进行定位。     

基于光谱和纹理特征的ALOS影像土地利用信息提取

针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。