堆叠降噪自编码器的影像特征融合变化检测

提出一种基于堆叠降噪自编码器的影像特征融合变化检测方法.首先在影像分割对象的像素级特征和对象级特征分析、设计与提取基础上,通过像素级特征主成分分析与特征优选处理算法,实现遥感影像多类型特征融合并构建分割对象的多维特征向量;其次利用堆叠降噪自编码器的高维复杂数据处理能力,实现遥感影像多维融合特征的变化检测.实验结果表明,...     

基于差值PCA的高分辨率影像变化检测

目前,影像变化检测研究主要针对多波段低空间分辨率影像,而多波段高空间分辨率影像的变化检测研究则相对较少。本文以时相为2015年和2016年的资源三号卫星影像为研究对象,采用差值主成分分析方法提取研究区的变化图斑。实验证明,该方法在多波段高分辨率卫星影像变化检测中有效,对影像变化检测的研究和应用具有重要的参考价值。     

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。     

像素级与对象级结合的变化检测方法

提出一种像素级与对象级结合的变化检测方法。通过像素级的主成分分析法获得代表差异信息的主成分影像;再用多尺度分割算法分割主成分影像,得到最终的变化检测结果。最后利用landsat影像进行实验,不仅可以有效抑制由误差造成的伪变化,同时提取的变化区域更加完整。     

一种基于影像分割的城市建筑物变化检测方法

针对高分辨率遥感影像建筑物变化检测精度不高的问题,本文提出了一种改进城市建筑物变化检测方法。首先通过提取像元顶点构造像元图集,并以长宽比与矩形度作为变化检测测度,对后一期影像进行影像分割,识别建筑物轮廓对象。将建筑物轮廓进行几何关系筛选,完成建筑物变化信息提取。实验表明,该方法具有较高的变化检测精度,可明显削弱光照条件和成像角度对建筑物变化检测精度的影响,是一种普适性较强的城市建筑物变化检测方法。     

一种面向地理对象的遥感影像变化检测方法

目的 根据高空间分辨率影像上变化区域呈聚集状分布的特点,提出了一种面向地理对象的遥感影像变化检测算法。在利用 Mean-Shift分割算法的基础上,获得不同时相地理对 象 的 灰 度特征 信息,结合 变 化 矢量 分析,采用最大数学期望算法自动提取变化区域。以 QuickBird、SPOT、TM 三组不同空间分辨率的影像进行算法验证并比较了该方法与单像素变化检测算法的差异。结果表明,三组影像中面向对象的变化检测算法的检测精度分 别 为 91.1%,87.3% 和 84.3%,单像素 的 变 化 检 测算法 检测精度分别为 86.41%,82.48% 和81.02%。试验结果显示面向对象的算法检测精度高于基于单像素的变化检测算法,且对高空间分辨率的影像检测效果要优于对中低空间分辨率的影像的检测效果。该算法减少了变化阈值确定中的人工干预,克服了以像素为单位的变化检测算法中由于缺少空间邻域信息而产生孤立、离散、不连通变化结果的问题,能够满足在不同土地覆盖类型下的变化检测要求,在国土资源监测中具有一定的使用价值。     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

一种遥感影像核变化检测方法

提出了一种新的遥感影像核变化检测方法。该方法是将原始空间不同时相的输入矢量通过核函数非线性映射到高维特征空间,然后在高维特征空间中通过传统变化检测方法处理得到新的输入矢量,最后通过半监督的单类支持向量机算法对新的输入矢量构造变化区域与非变化区域的最优分割超平面。试验证实,本文的核变化检测方法具有较高的检测精度和效率。     

基于栈式稀疏自编码的农村建筑物提取方法

提出一种基于栈式稀疏自编码神经网络的遥感影像农村建筑提取方法.该方法首先借助PCA白化预处理来降低数据的冗余度,然后使用无标签影像数据对栈式稀疏自编码神经网络进行训练提取特征,最后利用提取到的特征和标签数据来训练Softmax特征分类器,实现对建筑物的准确提取.实验结果表明,与传统BP神经网络相比,算法的统计结果中召回...     

融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

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。     

基于分类后验概率空间的孪生Nested-UNet（SNU-PS）变化检测网络

近年来,深度学习在多时相遥感影像变化检测任务中表现出巨大的潜力。充分的训练样本是深度学习技术能够有效挖掘遥感影像变化特征的重要前提,然而当前有限的公开标注数据集还不能满足实际应用中各种变化类型检测的需求。由于地表覆盖变化通常只占据少部分区域,能够获取的变化样本常常数量很少,且与不变化样本相比存在严重的不平衡问题。因此,如何在小样本与样本不平衡的情况下有效训练变化检测网络是急需突破的难题。相比变化检测样本,单时相地表覆盖分类样本的获取难度要低得多;在分类样本的支持下,充分训练的地表覆盖分类网络可为变化检测提供重要的先验特征。基于此,本文提出了一种基于分类后验概率空间的孪生Nested-UNet变化检测网络SNU-PS（SiameseNested-UNetforchangedetectioninPosteriorProbabilitySpace）,通过结合两期地表覆盖分类后验概率信息,降低对变化检测样本的依赖。该方法首先利用地表覆盖分类样本训练高分辨率网络HRNet（High-ResolutionNetwork）,得到双时相影像的地物分类后验概率;然后将后验概率图像输入到孪生Nested-UNet变化检测网络SNU（SiameseNested-UNetforchangedetection）中以获取变化检测结果。在SpaceNet7和HRSCD数据集上测试的结果表明,SNU-PS能够充分利用地表覆盖的语义信息,在不同变化检测训练样本数量水平下,保持稳定的变化检测精度;相比分类后比较PCC（PostClassificationComparison）、基于后验概率空间的变化向量分析CVAPS（Change-vectoranalysisinposteriorprobabilityspace）、以及各种类型变化检测网络（SNU、FC-EF、BIT、PCFN）,具备更高与更稳定的变化检测精度,特别在样本数量不足时,优势更为明显。因此,本文提出的SNU-PS在小样本情形下的变化检测任务上具备更好的应用前景。     

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。     

结合边界约束网络和分水岭分割算法的建筑物提取

城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布。当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度。首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取。结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU (Intersection over Union)约1%。后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。     

3S技术与智能交通

行人检测是视频大数据中提取信息的关键技术之一,是视频大数据挖掘的关键环节。提出了一种基于稀疏多尺度分割和级联形变模型的行人检测算法。首先设计基于图像纹理的稀疏多尺度分割算法提取潜在行人区域,完成初级多尺度检测;同时缩小检测范围,剔除大量背景区域;再基于级联形变模型在候选特征区域进行精细检测,最终实现由粗到细的快速行人检测。在TUD-Crossing和TUD-Pedestrian等公开数据集上对算法进行了测试。实验结果表明,本文算法降低了虚警率,提升了检测速度。     

深度学习支持下的宅基地复垦项目真实性智能审查技术研究与应用

全域综合整治背景下的宅基地复垦项目审查是保证复垦项目合法性合规性的有效手段,针对当前宅基地复垦项目审查效率低的问题,本文提出了基于遥感影像的农村宅基地复垦项目立项真实性审查方法。首先以重庆市农村宅基地复垦项目为例,建立宅基地复垦项目立项真实性审查模型,利用改进的U-Net模型准确提取建筑物,然后与复垦红线叠加实现复垦项目真实性的智能审查。试验结果表明,该方法能够快速准确地审查复垦项目真实性,对优化土地结构、促进土地流转、实现乡村振兴具有重要意义,可为全域综合整治背景下宅基地复垦项目真实性审查提供技术参考。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。