高分辨率遥感影像建筑物提取的空洞卷积E-Unet算法

利用高分辨率遥感影像提取建筑物是目前研究热点之一,但由于建筑物颜色各异、形状大小不同、细节繁多,提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中,引入跳跃连接以减少边缘和转角的细节损失;采用新设计的卷积模块,使其扩大感受野的同时减少参数量;底层增加Dropout模块避免网络发生过拟合现象;遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算,然后合并为多波段张量输入模型（不转换为灰度图像）。为验证网络性能、明确性能提升的原因,本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验,结果表明E-Unet不仅精度评价结果优于Unet和Res-net,而且建筑物边角的细节被完整提取。第2组是消融试验,目的是明确预处理模块对提取精度的提升效果,结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法.首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;...     

一种基于卷积运算的遥感影像道路提取方法

根据遥感影像道路特征,提出一种基于卷积运算和数学形态学的道路提取方法。首先通过拉普拉斯算子对图像行锐化处理;再用卷积运算获得线特征加强系数,在加强道路线特征的同时,背景灰度恒定区域被弱化;然后去除短线和块状噪声,适当地加入人工干预进行道路修剪;最后用数学形态学细化处理得到道路网。实验结果表明,该方法能有地从遥感影像中提取出道路。     

一种双U-Net的遥感影像道路提取方法

针对高分辨率遥感影像道路提取难度大、自动化程度低等问题,设计了一种改进U-Net的道路提取方法。该方法首先构建特征编码器为VGG16的VGGU-Net网络,并采用迁移权值方法初始化特征编码器;其次将提取的特征信息输入到另一U-Net网络,通过双网络联合训练方式提高网络的特征拟合能力;最后结合形态学和滤波算法对提取的道路数据进行后处理。实验结果表明:改进后算法对道路提取效果得到了有效的提升,在测试集上的准确率、召回率和IoU分别达到了93.56%、88.22%和83.17%。     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。     

空间信息感知语义分割模型的高分辨率遥感影像道路提取

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。     

光学遥感影像道路提取的方法综述

道路信息在多个应用领域中发挥着基础性的作用。光学遥感影像能够以较高的空间分辨率对目标地物进行精细化解译,可大幅增强地物目标的提取能力。充分利用光学遥感影像丰富的几何纹理信息,进行道路的精确提取,已成为当前遥感学界研究的热点与前沿问题。鉴于此,本文依据近年来大量相关文献,对现有的理论与方法进行了归类与总结,通过分析不同方法采用的道路特征组合,将道路提取方法划分为模板匹配、知识驱动、面向对象和深度学习4类方法,简要介绍了道路提取普适性的评价指标并对部分方法进行了分析与评价;最后对现有光学遥感影像道路提取的发展提出了建议和展望。     

高分辨率遥感影像道路提取方法综述

从高分辨率遥感影像的特点出发介绍了道路在高分辨率遥感影像上所具有的特征,介绍了道路提取的基本方法和研究现状,对现有几种代表性的道路提取方法进行了详细地分析,并对高分辨率遥感影像上道路提取的研究前景进行了展望.     

Res＿ASPP＿UNet++：结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题,尝试以UNet++网络为基础,通过将编码器的标准卷积及最大池化替换成深度可分离卷积,以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能,并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性,以经过数据增强预处理的WHU和Massachusetts数据集作为数据源,对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估,并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势,能够在大幅压缩模型参数量的前提下,显著提升建筑物提取精度,提取建筑物的边界更加平滑和精确,对不同尺度的建筑物表现出较强的泛化能力。     

基于Encoder-Decoder网络的遥感影像道路提取方法

针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

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。     

基于多特征的人工海岸线提取方法

在中高分辨率的遥感影像中,海岸地物呈现出更多的细节,尤其是受人类影响程度较大的人工海岸。文中针对较为复杂的人工海岸遥感影像,进行基于多特征的海岸线提取方法研究。实验选用SPOT影像作为实验影像,分析实验区海岸带SPOT影像的光谱特征、形状特征和空间关系特征,使用多种特征来提取海岸线,实验结果表明,方法能对海岸带地物进行正确分类并实现海岸线的自动提取。     

结合笔画宽度变换与均值漂移的遥感影像道路提取

针对在高分辨率遥感影像进行道路提取时,笔画宽度变换算法受周围地物的影响较大,无法直接获取高精度道路信息的问题,提出一种结合笔画宽度变换与均值漂移的道路提取方法:首先,利用均值漂移算法对遥感影像进行分割,以减少笔画宽度变换的错提取现象;其次,运用笔画宽度变换将不同类别的像素分为道路类和非道路类;最后,为进一步提高道路提取精度,减小斑点和非道路区域干扰,采用数学形态学方法进行提取后处理。实验结果表明:该方法可以从遥感影像中准确完整地提取出道路信息,且比直接使用笔画宽度变换算法和均值漂移算法的提取精度更高。     

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。     

基于改进U-Net网络的遥感图像云检测

为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题,本文提出了一种改进的U-Net网络模型,并应用于FY-4A数据进行云检测。首先,利用国家气象卫星中心提供的云检测产品生成二分类云标签;其次,将U-Net模型的编码器与残差模块相结合,使得网络参数共享,并避免深层网络的退化问题;最后,在解码器中融入密集连接模块,将浅层特征与深层特征进行连接,便于获取新的特征,并提高特征使用率。试验结果表明,模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%,可以很好地检测出薄云及大量碎云,效果明显优于U-Net模型。     

基于SOM的高分辨率遥感影像道路网自动提取

本文研究基于SOM(Self-Organizing Feature Map)神经网络学习模型的高分辨率遥感影像道路网自动提取算法。首先利用数学形态学提取遥感图像道路的初始道路区域信息,自动对原始图像进行分区并确定神经元初始权值,用SOM网络学习模型对神经元进行训练学习,经迭代获取道路网中心点位置,最后运用"中心点四邻域跟踪判别法"跟踪连接形成道路中心线。实验表明,该方法在高分辨率遥感影像道路网的提取上有较好的效果,特别在主干道路网的提取上效果更佳,对噪声干扰具有良好的鲁棒性。     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

国产“环境一号”(HJ-1)卫星遥感影像桥梁提取研究

基于桥梁与水体的空间关系,结合卫星遥感影像数据包含的多光谱和形态学特征信息,提出一种有效提取国产“环境一号”(HJ-1)卫星遥感影像桥梁目标的方法.利用国产“环境一号”(HJ-1)卫星遥感影像数据进行桥梁目标提取试验.结果表明,该方法能快速、准确、有效地提取“环境一号”卫星影像中的桥梁目标,具有一定的应用价值.