融合多特征的高分辨率遥感影像震害损毁建筑物检测

为充分利用特征的互补优势提高变化检测精度,本文提出了一种多特征融合的损毁建筑物检测方法。首先通过建筑物线划图获取建筑物对象,然后统计对象的灰度直方图和方向梯度直方图(Histogram of Oriented Gradient,HOG),并用G统计量计算地震前后对象的光谱距离;用震前影像训练基于HOG特征的支持向量机(Support Vector Machine,SVM),计算震后对象的HOG特征的响应值;再用Relief方法对光谱距离和HOG特征响应值进行加权融合,最后用FCM方法分类从而检测出损毁建筑物。实验结果表明,本方法充分利用了各特征的优势,有效提高了变化检测的精度。     

一种融合数学形态学运算的多尺度建筑物分割算法

多尺度分割算法是面向对象的图像分析方法中的一种较为成熟、稳定的分割算法,但存在部分分割不准确和分割效率低等问题.为此,提出一种融合数学形态学运算的多尺度建筑物分割算法:首先利用高斯滤波器对遥感图像进行滤波处理,然后通过数学形态学运算对图像进行腐蚀处理,最后采用多尺度分割算法得到建筑物影像.对昆明市局部区域的QuickBird图像进行多尺度建筑物分割实验的结果表明,该算法具有分割精度高、效率快等优点,对类似工作有一定的借鉴意义.     

多尺度特征融合深度学习建筑物的提取方法

提出一种基于多尺度特征融合的建筑物提取方法,结合新的网络DenseASPP-UNet,以实现影像多尺度特征的融合,进而高精度提取建筑物.通过Inria开源建筑物航空影像数据集进行验证,表明DenseASPP-UNet相比其他深度学习方法建筑物提取精度有很大的提升.     

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

极化分解后多纹理特征的建筑物损毁评估

准确地获知灾区的建筑物损毁程度能为抗震救灾和灾后重建提供决策依据。利用震后极化合成孔径雷达(SAR)数据,该文提出了一种综合利用极化分解后多纹理特征的震后建筑物损毁评估方法。首先,用Pauli分解的π/4偶次散射分量剔除非建筑区;其次,用Pauli分解的π/4偶次散射分量的方差特征、对比度特征和Pauli分解的奇次散射分量的对比度特征识别倒塌建筑物,并分别基于区块计算建筑物损毁指数;最后,综合3个纹理特征完成建筑物的损毁评估。采用玉树震后RADARSAT-2数据和东日本大地震后ALOS-1数据的实验验证了所提方法对建筑物损毁评估的有效性,该方法对玉树城区和日本石卷城区的重度、中度和轻度损毁建筑评估的总体精度分别为74.39%和80.26%。与其他方法的对比实验表明,该方法能减少取向角的影响,对存留有少数与方位向平行的完好建筑物的倒塌区、大取向角的完好建筑区的评估更为准确。     

融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏,使得点云的语义信息提取十分困难,而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题,本文提出了一种结合自注意力机制的多特征融合点云语义分割网络,使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征,并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验,证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征,可以明显提高点云语义分割的精度,本文方法较PointNet++总体精度提升了4.5%。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

新型语义分割D-UNet的建筑物提取

高分辨率遥感图像语义分割在航空图像分析领域中具有重要的理论价值和应用价值。但由于高分辨率遥感图像中建筑物语义的丰富性和图像背景的复杂性,以往的分割方法往往容易产生边缘模糊、细节信息丢失和分辨率低等缺点。为了解决高分辨率卫星图像语义分割边界模糊和信息丢失的问题,本文提出一种端到端的卷积神经网络Dilated-UNet (D-UNet)。首先,通过改进U-Net网络结构,采用Dilation技术拓展四通道的多尺度空洞卷积模块,每个通道采用不同的卷积扩张率来识别多尺度语义信息,从而提取更丰富的细节信息。其次,设计了一种交叉熵和Dice系数的联合损失函数,更好的训练模型以达到预期分割效果。最后,在Inria航空图像数据集上进行综合评估与检验。实验结果表明,本文提出的遥感图像分割方法能够有效地从高分辨率遥感图像中进行像素级城市建筑物的分割,与其他方法相比,分割精度更高,具有较高的实际应用价值。     

多特征融入的自适应遥感影像多尺度分割

针对现有遥感影像分割未充分利用丰富的地物属性信息,且分割模型采用全局固定参数未考虑特征维度空间的局部统计特性的局限,提出了一种多特征融入的自适应遥感影像多尺度分割方法.实验表明,本方法能有效利用基元的多维特征和特征维度空间局部统计信息,得到更合理的影像分割结果.     

多尺度特征孪生神经网络的建筑物变化检测方法

针对从多时相高分辨率遥感影像上做建筑物变化检测出现的细节特征丢失、变化检测结果模糊的问题,该文提出了一种基于多尺度特征孪生神经网络的遥感影像建筑物变化检测算法。以孪生神经网络为基础网络,将Inception v2结构加入网络特征提取层中,获得遥感影像多尺度特征,并对其进行多特征融合,更好地还原建筑目标的细节信息。与全卷积孪生神经网络网络相比,在WHU和LEVIR-CD建筑变化数据集下的实验结果表明,overall accuracy、F1-score和Kappa系数指标都有所提高,本文的多尺度孪生神经网络方法更利于建筑物变化检测,并获得了良好的测试结果。     

融入边界特征的遥感影像多尺度分割

以往的遥感影像多尺度分割方法对边界特征分析运用较少,为此提出了融入边界特征的多尺度加权聚合遥感影像分割方法(edge-incorporated multi-scale image segmentation by weighted aggregation,EIMSSWA)。首先,检测影像梯度特征生成边界图;然后,在基元合并过程中计算相邻基元间公共边界的多种统计特征,并将其同基元的其他区域特征相结合,优化基元间的相似性度量,提高影像多尺度分割结果的精度;最后,通过e Cognition软件的多尺度分割、基于加权聚合的影像分割(segmentation by weighted aggregation,SWA)和EIMSSWA等3组实验来验证方法的分割精度。结果表明,EIMSSWA方法能够取得更高精度、更合理的影像分割结果。     

面向对象的多尺度多特征高分遥感影像建筑物提取

建筑物作为地理信息基础数据,是衡量城市发展的主要指标,如何对遥感影像对建筑物进行的提取是遥感图像处理的热点。本文研究了基于面向对象的高分遥感影像建筑物提取,首先对影像进行多尺度分割,然后对分割以后形成的有意义的图斑进行处理。结合建筑物的光谱、形状等特征对建筑物进行提取,实验结果表明该方法提取结果较好,精度可以达到90.3%。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

基于语义分割的遥感影像建筑物提取

针对在遥感影像的建筑物提取过程中,建筑物密集且离散分布带来提取效果一般的问题,采用一种特征信息增强的U-net网络.模型使用MobileNet主干网络做编码器,用于影像的建筑物特征提取,考虑到下采样时低维信息逐渐丢失,以致边缘提取效果不佳,网络结合形态学的膨胀和闭运算优化提取结果的精度.实验结果表明,在多场景高分辨率的武汉大学遥感影像建筑物数据集上,结合形态学后处理的M-Unet(MobileNet U-net)提取结果不仅在视觉效果上表现优异,而且在精确度、召回率、F1-score、平均交并比MIou(Mean Intersection overunion)4个指标上分别达到96.2％、76.6％、84.6％和74.5％,均优于相同主干网络下的Pspnet和Segnet.     

多特征融合的高分辨率影像建筑物变化检测

为充分发挥遥感影像中各特征的优势,提高遥感影像建筑物变化检测精度,基于面向对象的分析方法,提出了一种基于模糊集合的证据理论特征信息融合的变化检测方法。首先,在影像分割的基础上,利用变化矢量分析法分别计算前后时相对应对象的光谱、纹理特征差异及形态学建筑物指数差异;然后,以Sigmoid函数作为隶属度函数,计算对象属于变化类和非变化类的隶属度并以之构建证据理论所需的基本概率分配函数;最后,利用证据理论对多种特征进行融合并通过规则判定得到建筑物变化区域。利用不同地区影像的试验结果表明,该方法能够有效融合影像的多种特征,提高建筑物变化检测的精度。     

基于RMNE方法的多尺度分割最优分割尺度选取

多尺度分割是面向对象地物信息提取技术中的重要方法之一。最优分割尺度的选取是该方法的研究热点。针对现有最优分割尺度选取方法大多仅利用对象光谱特征的局限,本文提出RMNE(the ratio of mean difference to neighbors (Abs) to entropy)方法,利用纹理特征的信息熵和光谱特征与邻域均值差分绝对值进行对象内部同质性和对象之间异质性的衡量,构建评价函数,通过绘制函数曲线选取最优分割尺度。以北京市城市边缘地区6 m空间分辨率的SPOT6多光谱影像为例进行多尺度分割,获得最优分割尺度组合为30,60和80,并与最大面积法和优度函数法选取的最优分割尺度对应的分割结果进行对比。结果表明,RMNE方法的分割结果最好,验证了该方法的有效性和对高空间分辨率影像的适用性;通过与Google Earth影像对比,发现RMNE方法分割得到的影像对象大小与地物实际大小最为相符。     

融合主题语义特征的高分辨率遥感影像建筑物自动化识别

建筑物提取是高分辨率遥感影像解译领域的一项重要工作,由于遥感技术的宏观性、实时性和周期性特点,基于遥感影像的建筑物识别对于城市管理与国土规划等领域具有非常大的应用潜力.本文介绍了一种基于影像主题语义特征建模的高分辨率遥感影像建筑物提取方法并通过具体的影像场景加以实践应用,该方法首先对影像进行对象级的分割,然后利用LDA...     

基于DCNN特征的建筑物震害损毁区域检测

为了提高基于高空间分辨率遥感影像的建筑物震害损毁评估精度,引入深度卷积神经网络(deep convolutional neural network,DCNN)模型,提出一种利用DCNN全连接层特征结合支持向量机(support vector machine,SVM)进行遥感影像建筑物震害损毁区域检测的方法。首先,利用神经网络前馈方式从DCNN全连接层提取训练样本和待检测区域的特征;然后,基于样本训练SVM分类器;最后,对待检测区域的所有区块进行分类预测和投票确定是否损毁。以2010年海地地震遥感影像为例,建筑物损毁检测正确率可以达到89%,相比于传统的特征提取方法正确率提高了4%。实验结果表明该方法在建筑物震害损毁检测方面具有一定的应用潜力。