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。     

一种轻量级网络模型的遥感水体提取方法

针对遥感影像水体提取网络模型特征捕捉能力差的问题,提出一种轻量级Unet模型。基于原Unet的编码-解码结构,使用轻量级网络MobileNetV3构建编码器以降低模型复杂度,避免连续下采样导致细节损失;将空洞空间金字塔池化模块作为编码网络与解码网络的连接桥,对编码网络传入的高级语义特征进一步处理;在网络阶跃连接部分,通过引入卷积注意力机制抑制非目标特征通道与特征信息的干扰,均衡提升网络的识别精度;使用交叉熵损失和Dice损失结合的综合损失函数适应训练集。经国产GF-6 PMS水体数据集实验,并将结果与单波段阈值法、NDWI指数法、SVM分类法、DeepLabV3+模型、Unet模型进行比较,结果表明：该模型能够准确区别水体与其他地物,分割精度达到93.78%,证明该方法具有较高的分割精度,能够准确提取水体信息。     

天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法

云和雪的检测是卫星遥感影像处理过程中的一部分,也是对其进行后续分析和解译等应用的关键步骤。本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。采用ResNet50骨干网络,根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型,并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。通过天绘一号卫星云雪影像数据集对网络进行训练并测试,试验结果表明,本文方法与传统Otsu法相比,稳健性更强,在检测精度上优于FCN-8s与DeepLabV3+,速度上优于DeepLabV3+,能推广用于不同来源的遥感影像,具有较好的应用前景。     

基于双模态高效特征学习的高分辨率遥感图像分割

遥感图像因具有丰富的语义信息和空间信息,增加了语义分割的难度。然而已有提取双模态特征的分割方法采用相同的主干网络,没有考虑互补特征的差异,存在特征提取、特征融合和上采样恢复细节信息不足等问题,无法准确高效的学习高分辨率遥感图像信息。因此,本文提出基于双模态高效特征学习的高分辨率遥感图像分割算法。首先,针对不同模态的遥感图像设计合适的编码器,高效的提取双模态特征,并通过交互加强模块减少不同路径特征之间的差异。其次,提出双模态特征聚合模块和深层特征提取模块进一步融合和提取双模态特征,使网络能够充分学习互补信息。最后,提出多层特征上采样模块,利用语义信息丰富的高层特征对细节信息丰富的低层特征进行加权操作,逐步上采样实现特征高效恢复,提升分割性能。实验结果表明,所提算法在ISPRS Potsdam和Vaihingen数据集上的总体精度分别达到了94.52%、90.45%,能够高效的提取并融合高分辨率遥感图像的双模态特征,提高遥感图像分割的准确率。     

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%。     

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。     

基于残差网络结构的道路语义分割

从高分辨率光学遥感影像中提取地物信息受到广泛关注,道路提取是其中一项重要任务.设计了一种基于残差网络结构的深度学习神经网络模型,并将该模型与FCN网络模型和U-Net网络模型输出结果进行了对比.结果表明,本文方法不仅在F1得分和IOU上均优于其他两个模型,并且在提取的道路平滑度和图像噪声处理方面也具有一定的优势.     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

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。     

一种深度学习的无人机影像道路自动提取方法

针对无人机影像道路提取自动化程度低、道路信息不完整及道路交叉口不连通等问题,该文提出了一种结合拓扑结构和全局上下文感知的无人机影像道路提取方法,通过构建一种编码/解码模式的深度学习方法实现自动化提取.在网络模型中,设计了聚合特征模块及增强型扩张卷积模块以获取更多的道路信息,并引入拓扑感知损失函数以保证道路的连通性,实现道路拓扑结构特性的反演.实验结果表明,基于改进后的网络模型对道路信息的提取效果较好,在无人机影像测试集上的准确率、召回率、F1得分和交并比(IoU)分别达到了89.07％、84.74％、86.86％和72.45％;在马萨诸塞州道路公共影像集通用性测试中,提取原始遥感图像的道路信息也表现了出色的提取性能.     

U型卷积神经网络的ZY-3影像道路提取方法

针对经典全卷积神经网络在池化和上采样过程中造成图像分辨率不断下降以及对各个像素进行分类时忽略了像素之间的关系,导致提取道路比较模糊和平滑的问题。该文提出一种基于U型卷积网络的ZY-3道路提取方法。首先,参考医学图像分割领域表现突出的U-Net模型,采用对称式网络结构将低级细节信息与高级语义信息相结合,提高道路的初提取精度;其次考虑到卷积神经网络对百万量级的参数优化程度相对不足,采用集成学习的方法,通过变更权重获得若干个模型进行融合,进一步提升了道路提取的精度;最后,通过使用形态学开运算完成孔洞的去除等工作。实验结果表明,该文方法的提取结果在不同实验区域中平均准确度达到了95%以上,显著优于基于经典全卷积网络模型、基于纹理与形状特征提取道路的方法。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

一种频域高分辨率遥感图像线状特征检测方法

高分辨遥感图像中线状特征等的自动识别与提取是进行遥感图像分析与理解等高层次图像工程的前提和基础,但由于高分辨率遥感图像中细节信息异常丰富,这给特征的提取带来很大干扰。本文引入了一种基于方向和频率特征的遥感图像频域线状特征检测方法,该方法首先通过傅氏变换将图像变换到频率域,在详细分析线状特征和谱线的关系,线状特征和图像频率之间关系的基础上,基于分析得到的方向和频率的参数构造Gabor滤波器进行图像线状特征的提取。并以Quick bird高分辨率遥感图像进行相关提取实验,实验结果表明该方法较好地提取了图像的线状特征,为基于具体频谱分析的高分辨率遥感图像特征的精确提取提供了新思路和方法上的借鉴。     

一种改进的融合不同尺度特征的遥感影像道路提取新方法

针对高分辨率遥感影像中细小道路纹理特征不明显、信息提取困难的问题,本文提出并实现了一种融合不同尺度特征的深度学习道路提取新方法。首先引入CoT模块构建残差网络,以充分利用局部与全局上下文信息提取不同尺度道路特征;然后构建特征金字塔注意力模块,融合不同层级道路特征信息;最后使用全局注意力上采样模块结合全局背景对道路细节进行恢复。试验结果表明,该方法的召回率、交并比均优于已有方法,能够较完整准确地提取遥感影像中的道路信息,提升道路提取效率。     

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。     

脉冲耦合神经网络的遥感影像城市道路提取

针对高分辨率遥感影像中阴影对道路提取产生较大干扰的问题,提出了一种基于脉冲耦合神经网络(PCNN)的城市道路提取方法。该方法首先在近红外波段检测并消除阴影和水体的影响,并使用PCNN对消除阴影后的灰度图像进行分割处理;然后使用形态学建筑物指数(MBI)和归一化差分植被指数(NDVI)分别提取出建筑物和植被信息,消除建筑物和植被的影响;最后提取受行道树影响较大的道路,并对处理后的图像作数学形态学法的处理。该文以深圳市SPOT-7高分辨率影像进行实验。实验表明,该方法能保留原始的道路边缘细节信息,并对阴影具有很好的抗干扰作用,提取的道路信息具有很好的连续性和完整性。     

基于增强DeepLabV3网络的高分辨率遥感影像分类

由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。     

条件生成对抗网络在遥感图像复原中的可行性

对于遥感图像中降质模糊的问题,经典的图像复原方法由于模糊函数难以估计等原因,复原效果较差。为了避免估计模糊函数带来的困难,通过深度学习的方法对图像进行去模糊,研究了基于条件生成对抗网络(conditional generative adversarial nets,CGAN)的图像复原方法。首先创建训练网络的训练库,然后设置网络训练的初始参数,该网络以对抗的方式来使生成模型和判别模型进行交替学习,通过不断学习降质图像和清晰图像之间的差异,并结合了对抗损失和感知损失来缩小两者之间的差异,实现图像复原。实验采用以GOPRO数据集为基础的混合模糊训练库来训练网络,并与其他方法进行了对比试验,结果表明,在图像细节和评价指标方面,CGAN具有较好的复原效果,保证了复原图像的细节信息和纹理信息,证明了该方法可以用于遥感图像的复原。