基于高光谱影像的瞿昙寺壁画颜料层脱落病害评估

瞿昙寺因寺内所藏巨幅彩色壁画而闻名,但由于受到自然因素及人为因素的影响,寺内51间壁画廊中有些壁画已经发生褪色、龟裂、卷翘、起甲、颜料层脱落等病害,尤其是颜料层一旦脱落,对于不可再生的壁画来说,损失无法弥补。因此在壁画的保护修复过程中,对壁画病害的识别与评估就变得十分关键。以瞿昙寺西回廊的高光谱图像数据为研究数据,利用支持向量机(Support Vector Machine,SVM)方法对壁画病害识别分类;以此提取的病害矢量数据为基础,构建壁画病害的评估指标要素,进而提出基于多元统计回归的LS-SR-AIC评估模型,实现壁画病害严重程度的评估。实验结果表明:利用该方法颜料层脱落病害的SVM提取精度达95%以上,同时为颜料层脱落病害工程评价提供了一种新的方法指导,为文物的健康评价走向定量化评估提供参考与借鉴。     

一种基于改进U-Net的高分影像公路线路提取方法

高质量的公路网信息在区域经济发展、灾害应急管理和土地规划中发挥着重要作用。本文提出一种基于改进U-Net(u-shaped network)模型的高分影像公路线路提取方法。首先,从功能、路线设计、分级标准和构造及横断面四个方面剖析公路线路特征,厘清公路与道路的区别;然后,联合通道与空间注意力模块,提出了一种改进的U-Net网络模型;最后,以重庆市南岸区和巴南区为研究区,建立数据集并进行公路线路信息提取实验。结果表明,与已有方法相比,精确度、F1分数、IoU指标有明显提升。本文方法在高分辨率影像提取公路信息方面具有可行性与有效性。     

基于改进U-Net网络的高分遥感影像水体提取

传统基于光谱信息的水体提取未能考虑水体形状、纹理、大小、相邻关系等问题,且存在同物异谱、异物同谱现象,导致水体提取精度较低。而传统基于分类提取水体方法设计特征过程较为繁琐,且不能挖掘深度信息特征。因此,本文提出改进的U-Net网络语义分割方法,借鉴经典U-Net网络的解编码结构对网络进行改进：① 将VGG网络用于收缩路径以提取特征;② 在扩张路径中对低维特征信息进行加强,将收缩特征金字塔上一层的特征图与下一层对应扩张路径上的特征图进行融合,以提高提取结果分割精度;③ 在分类后处理中引入条件随机场,以将分割结果精细化。在保持相同训练集、验证集和测试集的情况下,分别用SegNet、经典U-Net网络和改进的U-Net网络做对照试验。试验结果表明,改进的U-Net网络结构在IoU、精准率和Kappa系数指标上均高于SegNet和经典U-Net网络,与SegNet相比,3项指标分别提升了10.5%、12.3%和0.14,与经典U-Net网络结果相比,各个指标分别提升了5.8%、4.4%和0.05。改进的网络水体提取结果较为完整,对小目标水体能够准确提取。改进的U-Net网络能够有效地实现水体提取任务。     

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...     

基于深度学习的甘蔗种植区域遥感提取方法研究

文章针对甘蔗种植区域提取的精度和效率等问题,提出了一种基于深度学习的高分辨率卫星遥感提取甘蔗种植区域的方法,设计了一种高效、准确、自动化的卷积神经网络(Sugarcane Extraction Convolutional Neural Network,以下简称SE-CNN).SE-CNN无需人为设计规则,能够自动学习甘...     

基于深度学习的遥感影像目标自动提取技术研究

为研究重要目标信息的自动化快速提取,本文基于PyTorch、CUDA等环境并在GPU运行下,利用CycleGAN算法进行深度学习的模型训练.通过GeoServer对谷歌影像进行地图切片等处理,制作上海市浦东新区的船舶、机场、岸线的训练数据集.模型训练后其模型测试的结果实现了基于高分辨率遥感影像的目标信息自动化提取的科学目标.比较目标地物如船舶、机场、岸线等的信息提取效果,结果表明3种瓦片等级尤其17级瓦片下进行的多种目标信息自动化提取效果均较好,且在地物目标监测及军事应用方面具有重要意义.     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影...     

基于MAEU-CNN的高分辨率遥感影像建筑物提取

从高空间分辨率图像（HSRI）中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN(Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint)。首先,在设计的网络编码部分加入多尺度特征融合（MFF）模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块（MFEF）,以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络...     

以光谱信息熵改进的N-FINDR高光谱端元提取算法

端元提取是高光谱混合像元分解的关键步骤,也是高光谱影像分析的重要前提。N-FINDR算法是一种经典且有效的端元提取算法,但其需遍历所有可能的像元组合,计算量巨大,时间效率不高。本文以光谱信息熵和凸面几何学理论,利用高光谱影像像元,在光谱特征空间形成的单形体顶点附近为相对纯净像元,单形体内部为混合像元的特性,提出了一种结合光谱信息熵的N-FINDR改进算法。该方法根据各波段像元灰度概率计算影像中每个像元的光谱信息熵,将大于光谱信息熵阈值的像元作为混合像元被剔除,在保留的像元组成的单形体上搜索最大体积,并提取最大体积顶点处像元作为端元。最后,使用美国EO-1卫星获取的江西省德兴某铜矿的Hyperion数据,对改进后的算法进行验证。结果表明,改进后的N-FINDR算法在确保较高端元提取精度的同时,大大提高了数据处理的时间效率。     

基于改进的主成分分析法提取GRACE时变重力场信号

针对主成分分析法提取时变重力场模型信号中存在信号泄漏和去条带噪声不明显的问题,提出对球谐位系数主成分分析的改进方法。首先对球谐位系数进行主成分分析,提取主要的模态,再对不同模态根据其自身噪声特点选择合适的滤波方法和参数,最后在此基础上进行信号提取。以CSR发布的2005-01~2013-12(108个月)GRACE时变地球重力场模型进行实验,提取2006-06和2006-12等效水高数据和改进前的主成分分析进行比较,表明此方法在有效地剔除条带误差的同时又使得信号泄漏减小。     

一种改进的车头SURF特征提取和匹配

通过对加速鲁棒性算法特征关键点提取和匹配的研究,提出一种改进的车头加速鲁棒性特征点提取方法,该方法在车头图像像素梯度变化较大的范围内提取关键点,然后采用最近邻比例算法进行特征点匹配。实验结果表明,提出的改进方法不仅能够筛选出鲁棒性较强的关键点,同时提高了特征的提取速度和匹配效率,在总时间上比尺度不变特征变换算法提高了3~6倍;比加速鲁棒性算法提高了近1/4。     

基于信息损失量的坡度精度分析

从DEM中可获取众多地形因子。其中,坡度作为基本的地形因子,其精度对于退耕还林、水土流失评估等研究具有重要影响。但是,由于DEM只能是真实地表形态的近似表达。如何模拟坡度误差的规律成为研究的热点。本文在黄土高原地区选取代表不同地貌类型的神木、绥德、延川、富县和宜君5个研究样区,以1:1万地形图为基本数据源,建立不同分辨率的DEM,用以分析坡度信息损失量随DEM分辨率变化的规律。故此,提出了基于单个栅格方式的坡度信息量损失指标,并在每一样区随机选取的20个子实验样区得到了其与DEM分辨率的函数关系,以及相关的经验公式,据此求得所需的最适宜DEM分辨率,并在每一样区随机地选取16个子样区进行了检验。     

壁画照片采集的分区块方法研究

壁画的数字照片采集是壁画数字化保护的基础工作。针对当前壁画采集过程中出现的问题,本文提出了一种可有序采集壁画照片信息的"分区块"采集方法。实验以北京某寺庙壁画数字化照片采集为例,使用本文提出的"分区块"壁画采集方法,有效消除了壁画照片残影、画面畸变、分辨率不足、色彩失真等问题。实验结果表明,本文提出的"分区块"壁画采集方法是一种行之有效的实用方法。     

基于改进SVM分类法的SAR图像水体面积提取研究

在复杂地表环境下的多云多雨地区,基于合成孔径雷达（SAR）图像提取水体时容易受到其它地物如水田、山体阴影等干扰,传统的灰度阈值法和SVM法未能考虑水体与其它地物在纹理和地形上的差异,因此水体提取结果精度较差。研究首先用Refined Lee滤波对SAR图像进行预处理;其后通过DEM建模和坡度计算提取地形特征,通过计算图像灰度共生矩阵以提取纹理特征（包括均匀性、角二阶矩和熵）,并结合SAR图像极化信息以及SDWI指数形成针对水体提取的特征空间,通过融合地形特征和图像纹理特征发展了改进SVM分类法的水体提取模型。在使用Sentinel-1 SAR数据对所发展模型与SDWI水体指数法、传统SVM法水体提取结果进行比对后发现,改进SVM分类法提取的水体结果较好地剔除了水田和山体阴影,且提取的水体水面比传统的SVM法更加完整;该方法在总体精度、Kappa系数、漏分率和错分率指标上均优于SDWI法和传统的SVM法,总体精度达到98.06%,比SDWI法和传统的SVM法分别提高了23.24%和5.49%,有效提高了复杂环境下地表水体的提取精度。研究最后将所发展模型应用于2018年马哈韦利河流域逐月水...     

基于多光谱LiDAR数据的道路中心线提取

针对城市三维激光点云中,道路与地面高程相差小、激光反射强度相近使得道路提取困难;广场、停车场等地物的高程、反射强度与道路极为相近,容易产生错误提取的问题。本文设计了一种描述道路条带信息的局部二进制特征（Stripe Local Binary Feature, SLBF）,结合LiDAR数据中的三维信息和多光谱信息获得基于强度、密度和平坦度等统计特征（Statistics-Based Feature, SBF）,并采用随机森林分类器实现了机载点云中道路面点云和非道路面点云的有效提取。通过欧式聚类精化道路点云和迭代腐蚀边界细化中心线,进而获得矢量化的道路中心线。以Waddenzee区域的多光谱机载点云数据进行实验验证,道路中心线提取结果的完整度达到94.15%,准确度达到97.95%,精度达到92.28%。实验结果表明,该方法可以有效地提取道路中心线,同时由于设计的特征具有不变性,能够适用于城市和林间小路等各种环境。     

基于DEM的火山口地貌识别方法探讨

本文以吉林省靖宇县西南部的龙湾火山群为例,进行了火山口地貌图像识别方法探讨。在提取过程中,根据研究区内火山口均位于熔岩台地上的特点:首先,将研究区划分为平原和山地等地貌类型;然后,将生成的坡度数据与DEM高程数据相乘,实现对DEM数据按照地形高低起伏的加权,以突显火山口在高程数据上的表现。根据火山口"中间低,四周高"的形态特点及在DEM上的表现,建立了火山口识别模板,对火山口进行识别。最后,参照研究区内的遥感影像,对提取的结果进行验证和修改。     

基于决策树模型的湿地信息挖掘与结果分析

目前湿地成为地学、生态学研究热点,如何快速获得区域内湿地基础信息,对实现湿地的动态监测及其他领域研究具有重要意义。本文在引入地学知识的基础上,设计并实现了两景研究区不同时相影像的湿地信息提取决策树模型。评价结果显示Kappa系数均较高,分别为0.88和0.91,表明该模型快速提取湿地信息有一定应用价值。