基于最小外接矩形的遥感影像建筑物轮廓优化方法

深度学习提取高分辨率遥感影像中的建筑物信息容易受到物体周围的阴影、植被等噪声干扰而使结果存在边界锯齿化、建筑物整体不规整等问题.本文提出了利用符合建筑物边界轮廓的最小外接矩形最大限度地拟合建筑物轮廓的思路.首先利用深度学习和建筑物验证处理得到的建筑物信息,对建筑物边界利用垂距法进行多边形的拟合;然后对多边形的最小外接矩...     

基于高分辨率遥感影像的建筑物轮廓信息提取

针对许多领域对建筑物信息更新的迫切要求,提出并发展了一套完整的基于高分辨率遥感影像的建筑物二维轮廓快速提取流程。首先介绍一种利用数学形态学理论进行边缘检测和边缘连接的新方法,然后利用了模式识别和图像分析领域的相关技术(区域标识和特征量测等)进行建筑物二维信息的提取。最后通过Quickbird影像进行了方法验证,试验证明该流程可以快速有效的提取建筑物轮廓信息。     

高分辨率遥感影像的建筑物轮廓信息提取方法

针对高分辨率遥感影像分割方法提取的建筑物边缘不准确和不规则等问题,提出了一种新的边缘轮廓信息提取方法:首先,通过一维Gabor滤波器获取建筑物的角度纹理特征,并结合光谱特征构造待分割的特征矢量,在运用高斯混合模型(Gaussian mixture model,GMM)构造图的基础上,利用图割法(graph cuts)获取建筑物候选点,经数学形态学处理得到建筑物斑块;然后,根据Radon变换检测建筑物主方向,构建最小二乘匹配模板,并利用该模板在建立的轮廓缓冲区内精确地提取建筑物拐角点;最后,连接拐角点,完成了轮廓信息的提取。采用合成图像和高分辨率遥感影像提取建筑物轮廓信息的实验证明了该方法的可行性。     

多时相遥感影像变化检测方法综述

遥感影像变化检测一直是国际遥感领域研究的热点和难点,尽管各国学者对变化检测问题进行了大量深入的研究,但是目前尚未出现一种普适性强、适用于所有情况的通用方法。随着遥感对地观测技术的快速发展和应用,变化检测技术体系也在不断地发展和演化。回顾了多时相遥感影像变化检测技术的发展历程,对多时相遥感影像变化检测方法的分类体系进行了归纳总结,从变化检测预处理、变化检测方法、精度评价3个方面详细总结了变化检测研究的最新进展,并指出了变化检测面临的核心困难及可能的应对措施,以期推动遥感影像变化检测研究更加深入的发展。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

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%。     

高分辨率遥感影像中建筑物轮廓信息矢量化

针对高分辨率遥感影像的特点,提出了基于多类分割与模板匹配的建筑物轮廓矢量化方法:首先对影像进行多尺度SVM分割获取建筑物候选点;然后在Radon变换结合主轴分析获取建筑物主方向的基础上,引入多类分割思想,构建用于分割的能量函数,基于α-扩展算法解算能量函数,将轮廓线分割为3类边缘线段;接着构建形状先验的边缘模板,进行精确定位以获取边缘线的实际位置,去除锯齿状变形,降低提取结果的影响;最后相邻边缘线相正交得到拐角点,依次连接每一个拐角点,得到规则化的建筑物轮廓。相比于同类其他方法,此方法考虑了边缘点的方向信息和相邻边缘点趋于同一类的先验知识,可得到近似全局最优的边缘线段分割结果,避免了规则化过程中选择初始点和处理顺序的麻烦和不利影响,同时充分利用了影像特征,对边缘线段进行精确定位,减弱建筑物提取结果误差的影响。对不同影像的实验结果证明此方法可得到规则化的建筑物外轮廓线,不考虑提取过程中遗漏的建筑物,矢量化结果平均准确度为89%、完整度98%、几何形状相似性87%、整体质量85%。     

利用高分辨率遥感影像提取建筑物方法研究

随着航空航天技术的发展,人们获取的遥感影像数据的空间分辨率不断提高,同时获取难度大幅降低。在遥感数据日益普及的今天,利用影像处理与分析技术对高空间分辨率遥感影像中的感兴趣目标进行自动提取已经成为目前遥感领域研究的热点之一。建筑物作为与人类生活密切相关的主要人工地物,是城市发展的重要标志。目前,通过对高分辨率遥感影像进行建筑物自动提取已经成为建筑物信息获取的重要手段,而建筑物信息可用于进一步研究城市的扩张与发展、城市土地利用现状与变化、城市规划、城市热岛效应、人口估计与预测、灾害监测预警与评估等。     

城郊高分影像中利用阴影的建筑物自动提取

提出了一种充分利用阴影实现自动分类与后处理相结合的建筑物自动提取方法:首先根据阴影和植被自动检测结果并选定裸地样本确定预分类CMap图,并设计了基于偏移阴影分析的建筑物样本自动提取方法,结合支持向量机（support vector machines,SVM）分类模型将影像分为阴影、植被、建筑物、裸地4大类以提取建筑物初始结果;通过形态学处理提升区域完整性,区域增长补充漏检区域,利用设计的相交边界阴影比率筛除无阴影的非建筑物等措施,进行后处理优化获取最终结果。实验表明,充分利用阴影信息,不仅能准确、全面地获取各类样本,保证分类精度,与后处理优化策略紧密结合,大幅度提高了正确率和完整度;并且自动化程度得到有效提高,更适用于城郊区域建筑物的提取。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法

针对现有利用阴影长度法提取建筑物高度时存在的阴影间相互遮挡问题,提出了一种基于建筑物侧面轮廓线进行建筑物高度估算的新方法。首先,利用RPC模型计算建筑物像点位移的方向与卫星成像角度,再将遥感影像进行旋转,使建筑物像点位移沿水平方向;然后,利用Canny算法进行轮廓检测,并构建一定长度的矩形形态学结构元素,对轮廓图像进行形态学开运算,以提取侧面轮廓线,再利用Hough变换与建筑物角点约束,对所提取的轮廓线进一步筛选;最后,根据卫星侧视成像时建筑物高度与像点位移的几何关系进行建筑物的高度估算。利用实际的高分辨率卫星影像对本文方法进行了验证,并与阴影法估算建筑物高度进行了对比。试验结果证明,利用建筑物侧面轮廓线进行建筑物高度估算平均误差可以达到0.7 m,且实际精度优于使用阴影法进行建筑物高度估算。     

基于高分辨率遥感影像的耕地地块提取方法研究

针对耕地地块提取问题,提出了一种基于图像分割的耕地地块提取新方法。该方法以高分辨率遥感影像为基础,借助于边缘提取和数学形态学的方法,通过边缘检测、边缘闭合、区域标号和后处理四个步骤,提取耕地地块。该方法在IDL6.3平台下编程实现。将此方法应用于北京地区QuickBird多光谱遥感影像,结果表明此方法有较好的定位精度,又在一定程度上去除了噪声,具有较好的实用性。     

Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data

Very high spatial and temporal resolution remote sensing data facilitate mapping highly complex and diverse urban environments. This study analyzed and demonstrated the usefulness of combined high-resolution aerial digital images and elevation data, and its processing using object-based image analysis for mapping urban land covers and quantifying buildings. It is observed that mapping heterogeneous features across large urban areas is time consuming and challenging. This study presents and demonstrates an approach for formulating an optimal land cover classification rule set over small representative training urban area image, and its subsequent transfer to the multisensor, multitemporal images. The classification results over the training area showed an overall accuracy of 96%, and the application of rule set to different sensor images of other test areas resulted in reduced accuracies of 91% for the same sensor, 90% and 86% for the different sensors temporal data. The comparison of reference and classified buildings showed ±4% detection errors. Classification through a transferred rule set reduced the classification accuracy by about 5%–10%. However, the trade-off for this accuracy drop was about a 75% reduction in processing time for performing classification in the training area. The factors influencing the classification accuracies were mainly the shadow and temporal changes in the class characteristics.     

高分辨率遥感影像建筑物提取多路径RSU网络法

针对卷积神经网络在提取建筑物的过程中,存在建筑物边界不准确和建筑物内部空洞等问题,提出以RSU模块（residual U-block）为核心的MPRSU-Net （multi-path residual U-block network）。该模块利用编码器-解码器结构和残差连接,实现了局部特征和多尺度特征的融合。由于一个RSU模块提取的信息有限,MPRSU-Net进一步通过多路径结构并行了不同尺度的RSU模块,并在这些模块之间进行信息交换,提高了特征聚集效率。在分辨率为0.3 m的WHU和Inria建筑物数据集上进行试验,精度分别达95.65%和88.63%,IoU分别达91.17%和79.31%,验证了本文方法的有效性。此外,本文方法相较于U²Net,计算量明显降低,模型参数量减少68.63%,表明本文方法具有一定的应用价值。     

多源高分辨率DOM批量快速制作方法研究

随着遥感数据在自然资源调查中的广泛应用,对多源高分辨率遥感影像“一张图”批量快速制作有了更高的需求。本文以广西壮族自治区北海市银海区作为试验区,利用Pixel Engine软件的“RS+GIS+Photoshop”算法,首先,针对多源高分辨率遥感卫星数据特点,制定相应的数据处理流程,自动化制作单景DOM;然后,以县级辖区为单位,批量快速制作县级辖区DOM;最后,从制作精度和速度两个方面,将该方法制作得到的DOM成果与人工处理成果进行对比,分析该方法的可行性,提出了一种快速、有效的多源高分辨率DOM制作方法。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。