基于开源数据和条件生成对抗网络的地形重建方法

如何使用少量的地形特征复原地形地貌一直为地学领域的难题。本文使用开源数据集提取地形特征要素,使用地形特征要素作为约束条件构建了用于生成DEM的条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN),设计了基于开源DEM、开源DEM与遥感影像组合、以及5m高精度DEM提取地形特征要素生成DEM的对比实验,并对结果进行视觉效果、相关性分析以及地形因子的对比与评价。结果表明:(1)在视觉效果上,3种不同方式生成的DEM在视觉效果上均十分逼近原始5 m DEM,都远好于传统插值方法生成DEM,基于开源12.5m DEM提取要素和1m遥感影像的重建效果最接近于原始5 m DEM;(2)在相关性上,三种不同方式生成的DEM与原始5m DEM相关性均能达到0.75以上,组合开源数据提取要素重建DEM与原始5 m DEM相关性可达到0.85以上;(3)在地形因子方面,基于开源12.5 m DEM和1 m遥感影像提取要素重建DEM的坡度和坡向的分布趋势与原始5 m DEM最为一致。本文为高精度DEM建模提供了新的思路,在高精度DEM难以获取...     

基于地形特征融合的卷积神经网络滑坡识别

滑坡严重威胁着人民群众的生命财产安全。完整、准确的滑坡编录图是研究滑坡的重要资料。深度卷积神经网络方法由于众多优势而备受关注,然而卷积神经网络结构复杂,需要大量的训练样本,制约了其在滑坡制图上的发展。提出了融合地形特征的卷积神经网络建模方法。首先在遥感影像上叠加地形因子构建新的滑坡样本,然后设计提取并融合空间与光谱特征的轻量级卷积神经网络(FF-CNN),最后训练最优模型进行滑坡识别。在四川汶川地区进行的消融实验证明：在空间特征基础上融合光谱特征的FF-CNN模型滑坡识别评价指标F1分数和平均交并比(MIoU)分别提高0.020 2和0.014 4;在遥感影像上叠加地形因子后,FF-CNN模型滑坡识别评价指标F1分数和MIoU值分别提高0.066 4和0.048 2。在湖北省三峡库区和四川省都江堰市虹口乡的实验说明FF-CNN模型表现出较强的适用性和迁移能力,在滑坡识别上具有较大潜力。     

基于卷积神经网络预测南海海底地形

针对南海区域,使用3种重力信号(垂线偏差、重力异常、垂直重力梯度异常)训练卷积神经网络模型,并将预测结果与船测数据和国外模型结果进行对比分析。将3种重力信号分成4组数据：重力异常,重力异常与垂直重力梯度异常,重力异常与垂线偏差,以及重力异常、垂线偏差和垂直重力梯度异常。4种组合方式的反演结果与船测水深之间的标准差分别为104.780 m、102.778 m、93.788 m、88.289 m,表明随着不同类型重力数据的加入,水深预测精度明显提高,并且在深度大于2 000 m时,反演结果精度提升效果更为显著。将训练集占总数据集的比例分别设置为80%、70%、60%和50%,反演结果与船测水深之间的标准差分别为88.289 m、91.256 m、92.833 m、96.022 m,表明数据量的增多可以有效提高模型学习结果的精度。     

一种基于学习型特征的多模态影像匹配方法

多模态影像在辐射特征和几何特征方面存在的显著差异,会造成高精度匹配困难。因此,本文提出了一种融合多尺度深度学习特征的多模态影像匹配方法,主要利用深度残差神经网络结构自主训练学习影像的学习型特征,得到多模态图像之间更为丰富和更为准确的同名特征点对,实现了对多尺度、多时相影像的协同稳健匹配。结果表明,本文方法对于多组实验均能够得到数量丰富且分布相对均匀的同名特征点对,并具有高效、稳健的匹配性能。     

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

基于特征增强和ELU的神经网络建筑物提取研究

近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用.本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为EL...     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

一种基于TIN的地形特征点生成方法

介绍了一种在不规则三角网上进行地形特征点生成的方法,可以自动实现地形特征分析、特征信息提取、地形正负向趋势判断、以及地形细节精细化等,较好地解决了用等高线做数据源构建不规则三角网时出现的地形细节信息不足以及地形细节信息丢失等问题,可以广泛应用于DEM数据更新精化、水文分析、地学分析等领域。     

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...     

基于条件生成对抗网络的电子地图可视水印去除方法

水印对于电子地图版权的保护十分重要,开展可视水印的去除研究有助于从攻防对抗的角度评价可视水印的有效性,进而提高电子地图可视水印的抗攻击研究水平。针对已有基于深度学习的可视水印去除方法存在训练样本量大、效率低、可视水印去除后有残留或要素丢失等问题,本文提出一种基于条件生成对抗网络(CGAN)的电子地图可视水印去除方法。该方法的模型主要由一个生成器和一个判别器组成,其中生成器采用U-Net结构,保证去除可视水印后生成的地图区域的真实性,判别器则采用基于区域判别的全卷积网络,通过对抗训练来区分生成的地图瓦片与真实地图瓦片之间的差异,使得可视水印去除后重建的电子地图更接近真实地图。实验表明,本文提出的方法简单易行,模型训练速度比基于全卷积网络的算法快4倍,能够去除文字、彩色图像及二者混合等模式的可视水印,可实现Google、高德、百度等国内外地图厂商提供的导航电子地图、遥感影像等多种地图瓦片上的可视水印批量去除,无需人工干预,且水印去除后的地图瓦片与原始真实地图瓦片有着良好的结构相似性。     

机载LiDAR地形特征信息快速提取

为更有效地获取地形特征信息,提出一种机载LiDAR地形特征信息快速提取算法。首先,通过构建二次曲面拟合模型,建立实测LiDAR地形数据与拟合曲面的几何规则;然后,采用LM算法迭代参数寻优,获得最优化结果下的地形拟合参数,计算拟合时间及拟合精度;最后,以地形拟合模型为基础,进行地形特征信息的快速提取。通过机载LiDAR实测数据验证,当最优搜索半径为2 m时,地形曲面的拟合时间仅为0.02 s,RMSE仅为5.09 cm。该算法保证了地形特征信息提取效率和精度,能够有效满足机载LiDAR科学研究和工程应用的技术需求。     

局部型地形因子并行计算方法研究

 随着分析区域的扩展及需求精度的提高,数据-计算密集型地形分析亟需通过并行化来满足用户的时间响应需求。局部型地形因子是以一定半径的分析窗口(通常为3×3)计算且具有单元计算结果独立性的地形信息,是数字地形分析的基本参数。本文在分析局部型地形因子串行算法特征的基础上,以坡度算法为样本,对局部型地形因子的并行计算方法进行了深入研究。从数据并行的角度,对并行计算环境下的数据划分粒度、方式及结果融合策略进行了分析,构建了局部型地形因子的并行计算方法。利用SRTM陆地表面地形DEM数据,设计了坡度并行计算的实验以验证其方法的正确性和实用性。实验结果表明,本文提出的并行计算方法顾及了任务、数据及计算环境,可快速对局部型地形因子串行算法进行并行化改造,提高算法的执行效率,具有较好的并行性能。     

基于SVG的分布式遥感图像特征提取方法

在遥感图像网络化分布式特征分析与表达过程中,有很多需要栅格数据与矢量数据的混合模型的网络化表达与传输问题,而矢量数据的网络化表达、传输与显示问题则是影响遥感图像分布式处理效率的关键性因素之一。本文首先对SVG技术及其对矢量数据的表达特点作了简介,在介绍遥感图像分布式特征提取系统的运行流程的基础上,对其在遥感图像分布式处理中相关的网络化数据表达与显示问题给出了相应的解决思路,并给出了相应的实例与效果分析。     

基于梯度对称性的无人机影像电力线自动提取方法

针对航空影像电力线提取过程中,背景线特征(电力杆塔、道路和植被等)干扰问题和电力线提取准确性问题,提出一种基于梯度对称性的电力线特征判别方法。采用Line Segment Detector(LSD)算法,对航空影像进行线特征提取;基于电力线附近梯度的对称性特征,实现从大量线段中准确筛选电力线段;采用缓冲区序列化线段连接算法,实现了电力线的自动连接。通过实验证明,提出的方法能够排除背景干扰并准确、完整地提取整条电力线。     

基于四叉树的LOD地形模型及其数据组织方法研究

针对大规模地形可视化中地形数据的组织方法进行了研究,设计了一种基于线性四叉树结构的静态LOD地形模型,采用重采样、分层分块的方法来组织任意格网大小的海量地形数据。在此基础上,对数据动态调度过程中的相关问题进行了分析,地形块的快速索引、边界裂缝消除等方法的运用,提高了地形漫游的效率与可视化效果。实验结果表明,该研究成果可以满足大规模地形数据的实时可视化操作要求。     

基于对偶四元数的不同地形无人机影像区域网平差解算方法

随着对地观测技术的发展,通过各种传感器获取的影像越来越多。无人机遥感技术以其方便、快捷、成本低、可云下飞行的优势正越来越多地运用到铁道沿线信息的获取中,为保证后续分类、信息提取、面积量算的精度,对无人机影像进行区域网平差具有重要意义。考虑到无人机影像具有像幅小、数量多、基线短、重叠度不规则等特点,将对偶四元数引入到无人机影像定向过程中,提出了一种利用对偶四元数进行无人机影像区域网平差解算的方法,并针对不同地形区域的无人机影像进行实验。实验结果表明:本文提出的算法应用到无人机影像区域网平差中,精度与常规光束法区域网平差相当,所需像控点数量及分布与常规光束法区域网平差相当,本文研究为提高无人机影像区域网平差的解算效率探索了一种新思路。     

基于MongoDB海量地形小文件入库优化方法

针对关系型数据库无法满足海量地形小文件存储的高效性和扩展性,非关系型数据库通过最终一致性保证了高效的入库效率和可扩展架构,但存在入库安全隐患的现状。本文提出了基于非关系型分布式数据库Mongo DB的海量地形小文件入库优化方法。该方法充分发挥MongoDB内存文件映射方式带来的性能优势,通过客户端周期性阻塞实现内外存同步,以保证海量地形小文件并发写入的安全性;将入库的文件信息批量写入日志,支持工程级别的数据库回滚,以保持数据库的正确性。通过客户端周期阻塞与日志批量入库的协同,极大地保证了地形高效入库的安全性。