引入松弛因子的高分辨率遥感影像自动多层次分割

针对当前高分辨率遥感影像多层次分割尺度参数设置缺少理论框架支持、人为因素影响较多等缺点,提出一种引入松弛因子的高分辨率遥感影像自动多层次分割方法。该方法利用1个松弛因子调节引导区域对象合并的异质性值大小,通过控制每次递归合并区域的对象个数,提高了整体分割的速度;以区域对象间异质性平均值作为基数,引入另一个松弛因子控制分割过程中层次输出的尺度参数,使整个分割过程自动得到不同尺度的多层次分割结果。实验结果表明,该方法具有较高的分割质量,能够满足遥感影像分析及地物提取的精度要求,并且减少了人为因素影响,提高了自动化程度。但是,对于复杂图像内容的地物目标边界处理和减少狭长区域对象的出现还需要进一步深入研究和实践。     

面向对象的高分辨率遥感影像土地覆盖信息提取

利用高分辨率影象提取土地覆盖信息的关键技术在于如何利用丰富的纹理信息来弥补光谱信息的不足。面向对象的图像分类技术改变了传统的面向像素的分类技术:(1)用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征:形状、纹理、相互关系、上下关系等信息。面向对象的土地覆盖分类结果与传统分类方法相比,其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类。     

高分辨率遥感影像城中村提取的景观语义指数方法

城中村是中国一类特殊的非正式居民区。本文从城中村的物理特点出发,采用景观语义指数描述复杂的城中村场景,提出基于景观语义指数的高分辨率遥感影像城中村提取方法,并采用“分类置信度-反馈”机制进行实际可操作的大范围城中村制图。以广州市核心城区为例,城中村检测的总体精度达到了90%以上。试验结果表明相对于传统的光谱、纹理特征,景观语义指数能够更好地描述城中村的根本形态特点,更准确的城中村提取。此外,“分类置信度-反馈”机制能够充分参考机器学习的分类概率,以有限的人工干预生产更加准确的城中村制图产品。因此,本文方法能够有效应用于大范围的城中村提取与制图。     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术：数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能,分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

植被覆盖区高精度遥感地貌场景分类数据集

地貌数据集是实现地貌自动分类和加深对地貌形态学认识的重要支撑数据之一。当前缺乏高精度地貌成因类数据集,制约了地貌遥感自动解译的发展。本文在中国东北地区以沟—弧—盆体系为主的天山—兴蒙造山系中,针对强烈的构造运动和新生代以来的火山作用、流水作用形成的地貌成因类型,制作了构造地貌、火山熔岩地貌和流水地貌3类场景数据集（GOS10m）。数据集覆盖面积约5000 km²,包括哨兵2号可见光遥感影像、SRTM1 DEM及基于DEM提取的7个地貌形态参数（山体晕渲图、坡度、DEM局部平均中值、标准偏差、坡向—向北方向偏移量、坡向—向东方向偏移量和相对偏离平均值）。单张样本图为64像素×64像素,空间分辨率为10 m。采用多模态深度学习神经网络对数据进行训练并分类,平均测试精度可达到82.63%,表明构建的数据集具有较高的质量。可为地貌成因遥感自动分类研究以及推动遥感地貌智能解译的向前发展,提供数据集支撑。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法.首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核...     

面向对象的高分辨率遥感影像地理要素提取

应用面向对象影像分类方法进行空间目标特征提取和分析,实现利用遥感影像建立与更新地理空间数据库,对于正在进行的数字城市建设和国情监测具有重要的意义和作用.本文阐述了高空间分辨率影像特征提取的关键技术,采用面向对象的特征提取技术和影像分类方法,开展了基于ADS40航空影像的地理要素提取实验,获得了比较满意的专题信息.     

基于注意力机制的高分遥感图像采石场识别

采石业对国民经济起到积极作用的同时,给生态、环境和人居安全带来了隐患。目前,石矿区生态修复成为重要的生态文明建设问题。解决该问题的前提是识别采石场且确定石矿区边界。高分遥感对地观测和深度学习技术为高精度识别采石场并确定矿区边界提供了有效的途径。本文基于残差网络,设计了注意力金字塔结构和细节增强模块,以少量参数和极低计算复杂度为代价,从无人机高分遥感图像中有效识别石矿区。试验采用福建省南安市高分遥感图像和人工实地考察获取的石矿区边界真值作为数据源,构建用于卷积神经网络训练的数据集,并对算法精度进行验证。试验结果表明,本文方法速度快、精度高,可为石矿区生态修复提供可靠的支撑材料。     

A Boosted Genetic Fuzzy Classifier for land cover classification of remote sensing imagery

A Boosted Genetic Fuzzy Classifier (BGFC) is proposed in this paper, for land cover classification from multispectral images. The model comprises a set of fuzzy classification rules, which resemble the reasoning employed by humans. Fuzzy rules are generated in an iterative fashion, incrementally covering subspaces of the feature space, as directed by a boosting algorithm. Each rule is able to select the required features, further improving the interpretability of the obtained model. After the rule generation stage, a genetic tuning stage is employed, aiming at improving the cooperation among the fuzzy rules, thus increasing the classification performance attained after the first stage. The BGFC is tested using an IKONOS multispectral VHR image, in a lake-wetland ecosystem of international importance. For effective classification, we consider advanced feature sets, containing spectral and textural feature types. Comparative results with well-known classifiers, commonly employed in remote sensing tasks, indicate that the proposed system is able to handle multi-dimensional feature spaces more efficiently, effectively exploiting information from different feature sources.     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

An adaptive unimodal subclass decomposition (AUSD) learning system for land use and land cover classification using high-resolution remote sensing

Land use and land cover classification is an important application of remote-sensing images. The performances of most classification models are largely limited by the incompleteness of the calibration set and the complexity of spectral features. It is difficult for models to realize continuous learning when the study area is transferred or enlarged. This paper proposed an adaptive unimodal subclass decomposition (AUSD) learning system, which comprises two-level iterative learning controls: The inner loop separates each class into several unimodal Gaussian subclasses; the outer loop utilizes transfer learning to extend the model to adapt to supplementary calibration set collected from enlarged study areas. The proposed model can be efficiently adjusted according to the variability of spectral signatures caused by the increasingly high-resolution imagery. The classification result can be obtained using the Gaussian mixture model by Bayesian decision theory. This AUSD learning system was validated using simulated data with the Gaussian distribution and multi-area SPOT-5 high-resolution images with 2.5-m resolution. The experimental results on numerical data demonstrated the ability of continuous learning. The proposed method achieved an overall accuracy of over 90% in all the experiments, validating the effectiveness as well as its superiority over several widely used classification methods.     

Urban land-use classification by combining high-resolution optical and long-wave infrared images

Abstract

Multi-sensor and multi-resolution source images consisting of optical and long-wave infrared (LWIR) images are analyzed separately and then combined for urban mapping in this study. The framework of its methodology is based on a two-level classification approach. In the first level, contributions of these two data sources in urban mapping are examined extensively by four types of classifications, i.e. spectral-based, spectral-spatial-based, joint classification, and multiple feature classification. In the second level, an objected-based approach is applied to decline the boundaries. The specificity of our proposed framework not only lies in the combination of two different images, but also the exploration of the LWIR image as one complementary spectral information for urban mapping. To verify the effectiveness of the presented classification framework and to confirm the LWIR’s complementary role in the urban mapping task, experiment results are evaluated by the grss_dfc_2014 data-set.     

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。     

基于SVM的多源遥感影像分类研究

本文通过分析单源遥感影像分类的现状和困难,以SAR和SPOT-5影像为实验数据,提出了基于支持向量机(Support Vector Machine,SVM)理论的多源遥感影像分类方法。研究结果表明,本文的方法能够有效地解决单源影像信息分类效果破碎的问题,正确识别地物,对高维输入向量具有高的推广能力,正确率达到94.97%,比多源影像的最大似然分类(Maximum Likelihood Classification,MLC)方法正确率更高。     

基于CNN-GCN双流网络的高分辨率遥感影像场景分类

高分辨率遥感影像具有复杂的几何结构和空间布局,传统的卷积神经网络的方法仅能提取场景图像中的全局特征,忽略了上下文的关系,导致特征的表达能力受限,制约了分类精度提高。针对此问题,本文提出一个面向高分辨率遥感影像场景分类的CNN-GCN双流网络,该算法包含CNN流和GCN流两个模块。CNN流基于预训练DenseNet-121网络提取高分影像的全局特征;而GCN流采用由预训练VGGNet-16网络得到的卷积特征图构建邻接图,再通过GCN模型提取高分影像的上下文特征。最后,通过加权级联的方式有效地融合全局特征和上下文特征并利用线性分类器实现分类。本文选取AID、RSSCN7和NWPU-RESISC45共3个具有挑战性的数据集进行实验,得到的最高分类精度分别是97.14%、95.46%和94.12%,结果表明本文算法能够有效地表征场景并取得具有竞争力的分类结果。     

面向对象的旱区植被遥感精细分类研究

针对旱区植被分类尺度过大、种群无法准确提取的问题,该文提出了面向对象的CFS-RF分类模型,即利用CFS算法对先验样本数据集进行特征优选,结合随机森林构建分类规则,完成分类过程。以新疆阿勒泰为研究区,利用GF-2数据,通过CFS、ReliefF两种不同特征选择方法和J48、SVM、RF 3种分类算法构造出6种面向对象分类方案来实现小尺度植被种群提取。结果表明,经过特征选择,上述分类方案的精度和效率均得到了提升。其中,CFS-RF算法最优,总体精度达到92.41%,Kappa系数为0.90,更适用于旱区植被遥感精细分类。     

高分辨率遥感影像建筑物提取的注意力胶囊网络算法

高分辨率遥感影像建筑物自动提取在防灾减灾、灾害估损、城市规划和地形图制作等方面具有重要意义。但是,目前常用的传统卷积神经网络模型存在异变性强而同变性弱缺陷。针对该问题,本文提出一种基于通道和空间双注意力胶囊编码—解码网络DA-CapsNet (dual-attention capsule encoder-decoder network)的建筑物提取通用模型。该模型通过胶囊卷积和空间—通道双注意力模块增强高分辨率遥感影像中建筑物高阶特征表达能力,实现建筑物遮挡部分以及对非建筑不透水层的准确提取与区分。模型首先利用胶囊编码—解码结构提取并融合多尺度建筑物胶囊特征,获得高质量建筑物特征表达。之后,设计通道和空间注意力特征模块进一步增强建筑物上下文语义信息,提高模型性能。本文选取3种高分辨率建筑物数据集进行试验,最终的平均精度、召回率和F1-score分别为92.15%、92.07%和92.18%。结果表明,本文提出的DA-CapsNet能有效克服高分辨率遥感影像中的空间异质性、同物异谱、异物同谱以及阴影遮挡等影响,实现复杂环境下的高精度建筑物自动提取。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。