遥感影像建筑物提取的卷积神经元网络与开源数据集方法

从遥感图像中自动化地检测和提取建筑物在城市规划、人口估计、地形图制作和更新等应用中具有极为重要的意义。本文提出和展示了建筑物提取的数个研究进展。由于遥感成像机理、建筑物自身、背景环境的复杂性,传统的经验设计特征的方法一直未能实现自动化,建筑物提取成为30余年尚未解决的挑战。先进的深度学习方法带来新的机遇,但目前存在两个困境:①尚缺少高精度的建筑物数据库,而数据是深度学习必不可少的"燃料";②目前国际上的方法都采用像素级的语义分割,目标级、矢量级的提取工作亟待开展。针对于此,本文进行以下工作:①与目前同类数据集相比,建立了一套目前国际上范围最大、精度最高、涵盖多种样本形式(栅格、矢量)、多类数据源(航空、卫星)的建筑物数据库(WHU building dataset),并实现开源;②提出一种基于全卷积网络的建筑物语义分割方法,与当前国际上的最新算法相比达到了领先水平;③将建筑物提取的范围从像素级的语义分割推广至目标实例分割,实现以目标(建筑物)为对象的识别和提取。通过试验,验证了WHU数据库在国际上的领先性和本文方法的先进性。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。     

数字表面模型的建筑物容积率提取

针对阴影长度和阴影面积法计算建筑物容积率误差较大的情况,该文利用航空影像密集匹配生成的点云数据逐点内插生成数字表面模型,提取建筑物三维信息,同时对于复杂建筑物屋顶,利用坡度滤波将其分割成为高度不同的面片,计算每一块屋顶的层数,从而得到较为准确的建筑总面积。实验证明,利用本文方法得到的建筑物容积率准确率高,且具有较高鲁棒性和使用价值。     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译.而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义.提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测...     

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。     

基于DeepLabV3+的遥感图像语义分割方法

遥感图像语义分割在农业、建筑物监测、城市规划等领域发挥着重要的作用,但传统的提取方法无法满足大规模生产且效率低下。针对该问题本文提出一种基于DeepLabV3+的遥感图像语义分割方法。首先,通过对原始数据变换生成多样化的训练数据集;然后,与FCN、U-Net、PSPNet三种语义分割方法比较。实验结果表明,本文方法在总体精度、准确率、交并比指标都达到最优,可实现遥感图像有效的提取,该研究可为遥感图像自动提取提供一定参考。     

一种结合数字表面模型的建筑物提取方法

以数字表面模型(DSM)影像为辅助,提出了一种结合基于对象和基于知识的建筑物提取方法。首先利用DSM辅助多尺度分割,有助于分割完整的建筑区域;然后利用3种规则进行建筑物提取;最后利用国际摄影测量与遥感学会(ISPRS)标准数据集影像进行实验验证。结果表明,该方法可有效提取建筑物,得到高精度的提取结果,错提率与漏提率分别为6.26%与7.43%。     

基于体元分析的三维建筑物模型结构化分割方法

针对现有三维模型分割方法在建筑物基本结构特征识别方面存在的不足,提出一种基于体元分析的三维建筑物模型结构化分割方法。该方法首先通过体元化和内部距离参数计算在模型内部构建分层距离场,然后采用局部极值判别方法从各层距离场中提取出对建筑物结构、形状分布具有代表意义的中心体元,并基于中心体元和内、外部体元聚类找到建筑物在空间组成上相互独立的结构单元,最后依据体元分析结果对原始建筑物模型进行表面分割。试验结果表明,该方法能够对不同风格的建筑物模型进行有效分割,具有极强的稳健性。     

基于AlexNet网络的高分辨率遥感影像建筑物提取方法研究

高分辨率遥感影像的数据源日益增长使得其成为主要的遥感数据源之一。本文研究了一种基于AlexNet网络的高分辨率遥感影像建筑物提取方法,该方法是在卷积神经网络的基础上,建立一种端到端自动提取影像中建筑等物体位置的方法:首先使用图像增广技术增加数据集的丰富性和多样性;再通过超参数搜索选择网络使用的较优参数,最终实现了遥感影像中建筑物的自动提取。实验结果表明,该方法可达到75%的提取精度;与传统方法进行定性和定量对比,该方法具有耗时少、精度高的特性,对后续城市规划、三维建模等应用有着重要意义。     

卷积神经网络GPS坐标转换方法

GPS坐标转换方法对于GPS空间定位系统至关重要。目前已有很多方法被提出用于转换GPS坐标,但效果并不是很显著。究其原因,是因为大多数都存在模型误差和投影误差。针对目前方法的不足,本文利用深度学习对非结构化数据处理的优势,提出了一种基于卷积神经网络(CNN)的GPS坐标转换方法。该方法将GPS数据转化为非结构化图片数据,以其作为CNN的输入层来训练GPS坐标转换模型,这样能够最小化满足对数据的预处理要求,无监督地从数据中学习出有效特征。试验结果表明,该方法与传统坐标转换方法相比,具有更高的转换精度。     

基于双层组合神经网络的土地利用自动分类方法

当前土地利用分类样本标签的时效性和样本内部特征对象复合性、分类间界限模糊性和土地利用类型的不平衡性使得国土资源调查遥感影像土地利用分类自动化难度大、精度低。因此,提出一种双层组合神经网络用于土地利用自动分类。首先,利用城市道路交通网络矢量数据裁切影像,生成并标记具有明确土地利用类别边界的标签样本,构建基于第三次全国国土调查土地利用标准的城市遥感影像数据集;然后,组合U-Net的跳跃连接和DenseASPP的密集空洞空间金字塔池化结构,对多尺度上下文信息和抽象空间信息进行聚合,消除类不平衡现象,提升自动分类精度。在自建数据集和ISPRSVaihingen公开数据集上进行实验,将所提方法与U-Net、DenseASPP和Deeplabv3三种典型深度卷积神经网络方法进行比较。在两种数据集上,所提方法的分类总体准确率分别为75.90%和89.63%;F1值分别为74.68%和86.56%,平均交并比（meanintersectionoverunion,mIoU）分别为72.21%和82.23%,其语义分类结果皆优于所比较的方法。总的来说,所提方法提升了土地利用机器学习分类精度。     

使用超像素编码的交互式影像语义分割方法

为了提高语义分割数据集的标注效率,研究人员提出了使用点击正负样本区域的交互式语义分割方法。然而,现有交互信息编码方式并未考虑图像上下文结构信息,当用户交互信息（鼠标点击位置）质量较差时,例如位于物体边缘附近时,易出现分割结果错误。针对该问题,本文提出结合超像素分割的交互信息编码方式。在遥感影像及医学影像数据集上的实验表明,结合超像素的交互信息编码方式,可有效提高交互式语义分割的效果,特别是在交互信息质量较差的情况下。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

基于多源高分辨率遥感影像的典型自然资源要素提取

利用高分辨率遥感数据具有高空间分辨率的特性,本文以青海省西宁市0.3和1m多源高分辨遥感影像为数据源,基于卷积神经网络深度学习算法进行典型自然资源要素提取。结果表明,0.3m遥感影像提取耕地、林地准确率均在85%以上,召回率在89%以上;1m遥感影像提取耕地林地准确率在90%以上,召回率在91%以上,研究成果可用于西宁市自然资源典型要素智能提取。     

Tracking the relationship between changing skyline and population growth of an Indian megacity using earth observation technology

Temporal analysis of Landsat-TM imageries reveals a saturated state of Kolkata (Calcutta) Metropolitan Area. However, the city has witnessed accelerated growth in real estate construction in recent past. This study applies digital photogrammetry to quantify the changes in Kolkata’s skyline. Recently, released SRTM DEM of 1 Arc Second and a digital surface model derived from WorldView-1 stereo images were used to account for the past and recent surface heights, respectively. Consequently, this paper examines whether the sustained addition in housing capacity has been necessarily driven by a growth in the urban population/number of households. Results show that 40.31% of the area experienced vertical growth, majorly by replacing older dwellings with taller apartment blocks. Further analysis reveals that part of these newly added residences has remained unoccupied as they were purchased by non-resident Indians for using as a second home or was never sold due to recent economic slowdown.     

Building extraction from DSM acquired by airborne 3D image

Segmentation and edge regulation are studied deeply to extract buildings from DSM data produced in this paper. Building segmentation is the first step to extract buildings, and a new segmentation method-adaptive iterative segmentation considering ratio mean square-is proposed to extract the contour of buildings effectively. A sub-image (such as 50×50 pixels) of the image is processed in sequence, the average gray level and its ratio mean square are calculated first, then threshold of the sub-image is selected by using iterative threshold segmentation. The current pixel is segmented according to the threshold, the average gray level and the ratio mean square of the sub-image. The edge points of the building are grouped according to the azimuth of neighbor points, and then the optimal azimuth of the points that belong to the same group can be calculated by using line interpolation.     

Building extraction from DSM acquired by airborne 3D image

1　IntroductionAutomaticbuildingextractionistheresearchfocustoobtainthree dimensional (3D)informationofcity .Therearetwomainapproachestoextractbuildingsbyremotesensing :oneisbasedonaerialphotosandtheotherisbasedonstereophotosordigitalsurfacemodels (DSM) .Man madebuildingsgenerallyhavesuchcharacteristicsaslimitedarea ,evidentandregularboundary ,heightdifferencebetweenbuildingandground ,etc .Somemethodsareproposedtoextractbuildingsbyusingremotesensingbasedonthesecharacteristics .Inthe 1 980s ,…     

Geometric-constrained multi-view image matching method based on semi-global optimization

Targeting at a reliable image matching of multiple remote sensing images for the generation of digital surface models, this paper presents a geometric-constrained multi-view image matching method, based on an energy minimization framework. By employing a geometrical constraint, the cost value of the energy function was calculated from multiple images, and the cost value was aggregated in an image space using a semi-global optimization approach. A homography transform parameter calculation method is proposed for fast calculation of projection pixel on each image when calculating cost values. It is based on the known interior orientation parameters, exterior orientation parameters, and a given elevation value. For an efficient and reliable processing of multiple remote sensing images, the proposed matching method was performed via a coarse-to-fine strategy through image pyramid. Three sets of airborne remote sensing images were used to evaluate the performance of the proposed method. Results reveal that the multi-view image matching can improve matching reliability. Moreover, the experimental results show that the proposed method performs better than traditional methods.