联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。     

融合可变形卷积与条件随机场的遥感影像语义分割方法

当前,深度卷积神经网络在遥感影像语义分割领域取得了长足的发展.标准的卷积神经网络由于卷积核的几何形状是固定的,导致对几何变换的模拟能力受到限制.本文引入一种可变形卷积来增强卷积网络对空间变换的适应能力.由于神经网络架构中使用了池化层操作,这会导致在输出层未能充分地对局部对象进行准确的分割.为了克服这种特性,本文将神经网络输出层的粗糙预测分割结果通过全连接的条件随机场来进行处理,以此来提高对影像细节的分割能力.本文方法易于采用标准的反向传播算法进行端到端的方式训练.ISPRS数据集上的测试试验结果表明本文方法可以有效地克服遥感影像中分割对象的复杂结构对分割结果的影响,并在该数据集上获得了当前最好的语义分割结果.     

全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。     

半监督条件随机场的高光谱遥感图像分类

善于捕捉空间信息的条件随机场模型虽然已被应用于高光谱遥感图像分类,但条件随机场的性能受到了标注训练样本数量的制约。为解决上述问题,本文提出了一种半监督条件随机场模型用于高光谱遥感图像分类。在该模型中,首先,利用空间-光谱拉普拉斯支持向量机定义关联势函数,以利用未标注样本中包含的信息获取样本类别概率;然后,在交互势函数中嵌入未标注的空间邻域样本,以充分利用空间信息实现对样本类别概率的修正;最后,采用分布式学习策略和平均场完成半监督条件随机场的训练和推断。本文在两个公开的高光谱数据集(Indian Pines数据集,Pavia University数据集)上进行了实验。实验结果表明Kappa系数提升3.94%。     

空-谱融合的条件随机场高光谱影像分类方法

高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免“同谱异物”与“同物异谱”的现象方面有较明显的优势。     

条件随机场框架下基于随机森林的城市土地利用/覆盖遥感分类

针对"基于像素的条件随机场(conditional random fields,CRFs)模型能否在m级分辨率的多光谱遥感图像分类中表现良好"的问题,提出了集成图像的光谱、方向梯度直方图和多尺度多方向Texton纹理等多种线索的CRFs模型定义方法。利用上述特征,选择随机森林(random forests,RF)定义CRFs关联势函数;利用特征对比度加权的Potts函数定义CRFs交互势函数,并且建立了多标签的RF-CRFs模型;对该模型进行分项参数训练以及基于图割的α-膨胀算法推理;利用典型城区的Quick Bird多光谱图像进行模型的验证与精度评价。结果表明RF-CRFs模型的分类精度可达82.52%以上,比RF分类器的分类精度提高了3.35%。     

区域多尺度马尔可夫随机场的遥感影像分类

多尺度分析技术广泛应用于高分辨率遥感影像的特征提取和建模。分解层数受制于影像的大小,下采样小波变换实现的影像多尺度表达难以描述大范围的空间模式,导致分类结果出现"胡椒盐"现象;面向对象的影像分析技术虽避免了"胡椒盐"现象,但由于仅利用了单尺度的的特征,也难以描述影像多层次的空间模式,导致分类精度较低。为改善分类结果中的"胡椒盐"现象和提高分类精度,提出了一种结合区域多尺度遥感影像分割和马尔可夫随机场的分类方法。首先,获得原始影像过分割区域,依据区域内亮度均值以及区域间的共享边界长度信息,提取影像低频和高频特征,采用该低频特征波段代替原始影像,重复分割与特征波段提取过程,形成影像的区域多尺度表达。然后,以原始图像为初始尺度,以分割区域为处理单元,以更细尺度分类结果为标记场先验,以当前高频特征建立特征场,逐层分类、投影,获得最终尺度分类结果。合成纹理影像和多光谱遥感影像的实验表明:相比于小波域多尺度建模方法和单尺度区域建模方法,本文提出的方法可以有效提高分类精度,并避免"胡椒盐"现象的产生。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

深度神经网络条件随机场高分辨率遥感图像建筑物分割

高分辨率遥感图像建筑物分割的实质是构建一个输入图像到分割结果之间的高维强非线性映射模型。然而,建筑物可能遍布整幅遥感图像,则在语义分割过程中,当前像素点可能与非邻域的像素点存在直接关系。为了更加精确地逼近建筑物分割的真实映射模型,克服道路、建筑物错层和阴影的影响,提高分割精度,本文以深度残差神经网络为基础,构建Encoder-Decoder的深度学习架构,自动提取建筑物的特征,学习建立高维强非线性分割模型;同时,通过条件随机场的成对势函数调节当前像素点与其他像素点之间的关联关系,从而构成全连接条件随机场对Encoder-Decoder的分割结果进行调节,提升分割精度。在全连接条件随机场的计算过程中,采用循环神经网络的运行机制来完成均值场的计算,这将条件随机场与深度神经网络有机融合,实现了Encoder-Decoder和全连接条件随机场参数的同步训练。实验结果表明,本文采用的深度神经网络条件随机场方法能有效克服道路、建筑物错层和阴影的影响,提升高分辨率遥感图像中建筑物的分割精度;同时,在一定范围内对多分辨率遥感图像具有较好的泛化能力。     

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图...     

深度融合网结合条件随机场的遥感图像语义分割

为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。     

基于自适应马尔科夫随机场的深空探测影像密集匹配

针对深空探测影像纹理贫乏导致的匹配不确定性问题,在传统马尔科夫匹配模型的基础上提出自适应马尔科夫随机场模型,将模型抽象为数据项和空间项的组合,通过自适应视差范围确定、自适应窗口匹配和自适应权重系数的有效结合,实现了深空探测影像的密集匹配。该模型在匹配过程中有效降低了视差搜索范围,在实现全局匹配的同时保留了视差不连续的区域特征。采用勇气号火星车影像与嫦娥影像进行实验,结果证明该方法提高了深空探测影像中纹理贫乏区域匹配的精度。     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。     

An effective ensemble classification framework using random forests and a correlation based feature selection technique

Accurate classification of heterogeneous land surfaces with homogeneous land cover classes is a challenging task as satellite images are characterized by a large number of features in the spectral and spatial domains. The identifying relevance of a feature or feature set is an important task for designing an effective classification scheme. Here, an ensemble of random forests (RF) classifiers is realized on the basis of relevance of features. Correlation‐based Feature Selection (CFS) was utilized to assess the relevance of a subset of features by studying the individual predictive ability of each feature along with the degree of redundancy between them. Predictability of RF was greatly improved by random selection of the relevant features in each of the splits. An investigation was carried out on different types of images from the Landsat Enhanced Thematic Mapper Plus (Landsat ETM+) and QuickBird sensors. It has been observed that the performance of the RF classifier was significantly improved while using the optimal set of relevant features compared with a few of the most advanced supervised classifiers such as maximum likelihood classifier (MLC), Navie Bayes, multi‐layer perception (MLP), support vector machine (SVM) and bagging.