注意力引导特征融合与联合学习的遥感影像场景分类

为充分利用遥感影像的多尺度特征，解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难，本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先，利用深层卷积神经网络提取影像不同层次的特征图；然后，利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息；最后，使用全局均值池化获取不同层次特征图的全局信息以构建特征向量，并将不同层次的特征向量融合，3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数，采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明，本文方法显著改善了对相似场景及类内差异显著场景的辨识能力，与使用多尺度特征的同类型场景分类方法相比，总体分类精度分别提高0.84%、4.04%和4.43%。     

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。     

融合多尺度特征注意力的遥感影像变化检测方法EI北大核心CSCD

深度学习技术已经成为遥感影像变化检测研究的主流方法,现有的基于深度学习的变化检测方法主要是获取单一尺度的变化特征,而在现实场景中,变化区域的尺度具有多样性。为此,本文提出了融合多尺度特征注意力的遥感影像变化检测方法,通过关注多尺度融合策略来解决变化检测存在的多尺度问题。首先,利用特征金字塔网络自身的多尺度特性,使网络学习到不同尺度的变化特征,为了提升网络感受野和利用全局特征信息,在特征提取网络末端引入扩张卷积空间金字塔模块;然后,在不同变化特征融合时,使用变化特征融合模块来控制信息传播以减少特征融合时的差异性;最后,使用门控机制,将不同尺度预测的变化特征图进行加权求和,最终产生具有高精度的变化特征图。本文方法不仅能获取多尺度变化特征,还能利用全局信息和精确的空间细节来提升预测特征图的空间精度。对比试验表明,本文方法在变化检测基准数据集CDD和LEVIR-CD上取得了较好的结果,召回率分别提高了6.58%和5.26%。     

像元与对象特征融合的高分辨率遥感影像道路中心线提取

提出了一种融合像元-多尺度对象级特征的高分辨率遥感影像道路中心线提取方法。首先在像素级上提取影像的纹理和形状结构特征,在构建的多尺度分割集影像上提取对象的区域光谱特征。然后,将像元级特征与多尺度对象特征进行决策级融合,完成道路网的粗提取。最后,结合本文所提出的非道路区域自动去除算法和张量投票算法,实现道路中心线的精提取。不同场景、不同分辨率数据下开展的试验结果表明,该方法可有效改善传统道路提取方法易产生的"盐噪声"和非道路地物粘连现象。     

多尺度多准则的遥感影像线状地物信息提取

针对传统低层次单个像元纯光谱的信息提取方法存在的不足,以ZY-3高分辨率遥感影像为数据源,依据"种内一致性最大、类间异质性最大"原则,提出了基于多尺度多准则的ZY-3影像线状地物信息提取方法。利用基于最优分割尺度的影像分割、面向对象线状地物目标信息的提取方法,实现了河流、水渠、道路等线状地物信息的提取,并通过实验分析验证了可行性、有效性。结果表明:构建的RMAS指数指标,可以作为多尺度分割中选择最优分割尺度的一种很好的指示器,所提方法不仅有效避免了分割斑块面积对分割结果评价的影响,还能够有效识别ZY-3影像中的线状地物信息,研究结果对高分辨率遥感影像处理尺度依赖的技术难点及线状地物信息提取等研究具有重要的参考价值。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

从高分辨率遥感影像中提取道路信息的方法综述及展望

道路作为城市的重要组成部分,是衡量城市发展的重要标准之一,研究基于高分辨率遥感影像的道路信息提取具有重要的现实意义。一直以来,从高分辨率遥感影像中提取道路特征信息都是研究的热点和难点。本文首先阐述了道路信息提取的思想和基本方法,列举并分析了几种比较有代表性的道路特征提取方法,并指出了其中所存在的问题,最后对高分辨率遥感影像中道路信息的提取研究前景进行了展望。     

基于缨帽变换影像融合的遥感影像植被信息提取

充分结合缨帽变换、遥感影像融合以及归一化植被指数(NDVI)的优点,提出了一种基于缨帽变换的遥感影像融合与NDVI相结合的植被信息提取方法,并与传统的NDVI方法进行了对比。实验表明,该方法很好地改善了遥感影像植被信息的提取精度,特别是提取道路两旁的行道树以及居民小区中的绿地信息,效果更好。     

城市绿地信息提取遥感影像尺度效应分析

绿地信息提取精度与影像的空间尺度有关,又与提取目标的特点有关。目前用于绿地信息提取的高分辨率遥感影像主要有QUICKBIRD、IKONOS和SPOT5,不同尺度影像对绿地信息提取精度的影响还缺少相关的研究。本文利用目视解译方法,研究三种尺度遥感影像提取绿地信息的精度。结果表明,三种影像中,由于QUICK-BIRD影像有更详细的空间结构,更适合于城市绿地零星分布特点,在以7层建筑物以下为主的研究区,绿地信息提取精度最高。     

一种深度学习的无人机影像道路自动提取方法

针对无人机影像道路提取自动化程度低、道路信息不完整及道路交叉口不连通等问题,该文提出了一种结合拓扑结构和全局上下文感知的无人机影像道路提取方法,通过构建一种编码/解码模式的深度学习方法实现自动化提取.在网络模型中,设计了聚合特征模块及增强型扩张卷积模块以获取更多的道路信息,并引入拓扑感知损失函数以保证道路的连通性,实现道路拓扑结构特性的反演.实验结果表明,基于改进后的网络模型对道路信息的提取效果较好,在无人机影像测试集上的准确率、召回率、F1得分和交并比(IoU)分别达到了89.07％、84.74％、86.86％和72.45％;在马萨诸塞州道路公共影像集通用性测试中,提取原始遥感图像的道路信息也表现了出色的提取性能.     

矢量数据辅助的高分辨率遥感影像道路自动提取

高分辨率遥感影像上细节信息繁杂、干扰物普遍存在,对其进行自动化道路识别与提取的相关研究仍处在探索阶段。在道路提取过程中引入矢量数据辅助,可解决初始信息获取的困难,得到可靠性较强的训练样本。为此,提出一种矢量数据辅助下的道路提取方法,能够筛选出矢量数据中包含的有效信息,引导实现对高分辨率遥感影像的道路自动提取。利用Mean-shift滤波对图像进行预处理后,首先从矢量数据获取候选种子点,并通过提炼同质区域的形状特征剔除错误候选点;然后,自动获取负样本点以进行朴素贝叶斯分类,并采用邻域质心投票算法从分类影像提取道路中心线;最后,结合像素跟踪与方向判断矢量化道路中心线,并提出一种基于矢量几何分析的断线连接与毛刺剔除方法,对提取结果进行信息修复与规整、优化。实验结果显示,该算法的提取质量达到80%以上,且具备较强的稳健性,能够适应具有不同道路辐射和分布特征的高分辨率遥感影像。     

结合笔画宽度变换与均值漂移的遥感影像道路提取

针对在高分辨率遥感影像进行道路提取时,笔画宽度变换算法受周围地物的影响较大,无法直接获取高精度道路信息的问题,提出一种结合笔画宽度变换与均值漂移的道路提取方法:首先,利用均值漂移算法对遥感影像进行分割,以减少笔画宽度变换的错提取现象;其次,运用笔画宽度变换将不同类别的像素分为道路类和非道路类;最后,为进一步提高道路提取精度,减小斑点和非道路区域干扰,采用数学形态学方法进行提取后处理。实验结果表明:该方法可以从遥感影像中准确完整地提取出道路信息,且比直接使用笔画宽度变换算法和均值漂移算法的提取精度更高。     

城市道路的多特征多核SVM提取方法

针对高分辨率遥感影像中城市道路提取的复杂性及SVM的分类性能,提出了一种城市道路的多特征多核SVM提取方法。首先利用FCM算法将原始影像粗分为建成区和非建成区两类,剔除非建成区;然后根据分水岭分割算法分割建成区并提取分割对象的光谱特征与空间特征,以全局核函数和局部核函数加权组合的方式构建多核SVM对建成区进行二次分类,去除建成区中的建筑物等非道路信息;最后利用数学形态学处理,获得最终的道路提取结果。试验结果表明：文中所提方法能够较精确地提取城市道路信息,分类精度高于单核SVM提取及其他对比方法。     

基于对比度增强和形态学的遥感影像道路提取

提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

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。     

基于Encoder-Decoder网络的遥感影像道路提取方法

针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。     

一种高分辨率彩色遥感影像的道路检测方法

提出了一种采用FLD特征抽取分类和形状特征相结合的道路检测方法。首先,对标记的样本进行颜色信息的抽取;其次,利用Fisher线性判别对抽取的信息进行遥感影像特征分类,将影像分为道路和非道路两类;然后根据分类结果进行阈值分割检测初步道路网;最后利用道路的形状特征和形态学处理去除误提的信息优化检测结果。实验证明,该方法可以实现具有颜色信息的遥感影像主干道路的检测。