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。     

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。     

基于改进高斯混合模型的遥感影像道路提取

基于改进的高斯混合模型,提出一种从高分辨率遥感图像提取道路的方法。通过Gabor滤波器计算影像一维纹理描述值,将其作为分割道路的特征值对影像进行预处理,再利用基于两层高斯混合模型的新分类方式对高分辨率遥感影像进行分类,取出道路类。实验表明,结果比传统的一些道路分割方法效果好。     

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。     

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.     

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。     

遥感影像上基于特征的道路提取方法

从遥感影像上提取道路信息是当前遥感技术应用研究的主要方向之一。文中在详细分析航空遥感影像上道路特征及目前国内外关于道路提取技术的前提下,综合考虑各种实际情况,提出了一种新的基于特征的道路提取模型。在算法实现过程中,采用了自适应分块边缘检测、多尺度侦测道路中心点、自适应对比度调整、道路中心点综合判断准则等技术手段,保证了提取结果的稳健性、准确性。实验表明该算法能够快速、稳健地从航空遥感影像上提取道路中心骨架线。     

基于跨层注意力Unet网络的高分辨率遥感影像建筑物提取研究

使用全卷积神经网络提取高分辨率遥感影像中的建筑物对城市规划、土地资源管理等应用具有重要意义。本文提出一种全卷积神经网络SC-Unet,以Unet架构为基础,采用SELU激活函数,放弃批标准化;使用空间金字塔池化替换最后一个卷积模块,使得SC-Unet的参数量仅为Unet的50%;使用轻量级跨层注意力模块让高层语义指导低层语义。实验在WHU建筑物数据集上进行,结果显示：SC-Unet在测试集上的IOU达到88.1,比Unet高3.2,且推理速度SC-Unet是Unet的2倍。     

利用空间连续性进行高分辨率遥感影像道路提取

常规道路提取方法需要初始信息,对窄道路提取效果不佳。针对这一问题,提出了基于空间连续性提取道路的算法模型（RESC）。该方法根据遥感影像道路连续分布的特点,利用邻近像元空间自相关的先验信息提取道路,不要求预先提供种子点,自动化程度较高。实验分析和比较证明,该方法对于高分辨率遥感多光谱影像和全色影像,都达到了较好的效果。     

遥感影像上基于特征的道路提取方法

从遥感影像上提取道路信息是当前遥感技术应用研究的主要方向之一.文中在详细分析航空遥感影像上道路特征及目前国内外关于道路提取技术的前提下,综合考虑各种实际情况,提出了一种新的基于特征的道路提取模型.在算法实现过程中,采用了自适应分块边缘检测、多尺度侦测道路中心点、自适应对比度调整、道路中心点综合判断准则等技术手段,保证了提取结果的稳健性、准确性.实验表明该算法能够快速、稳健地从航空遥感影像上提取道路中心骨架线.     

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。     

遥感影像道路提取现状与展望

道路提取是遥感影像处理的热点和难点,简要介绍影像处理技术发展以来道路提取的各种方法,并分析其优缺点,最后对道路提取的发展方向做了总结。     

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.     

道路综合特征下高分辨率遥感影像的提取

针对在高分辨率遥感影像中如何提高道路信息提取的准确度和信息量这一问题,通过对影像光谱和纹理特征的分析,将影像特征按照2种光谱特征和3种纹理特征进行分类,进而改善传统的图像分割方法,选择灰度级数和像素对的相对方向、距离和窗口大小作为参数,再通过灰度共生矩阵运算获取影像的纹理信息,通过对这些纹理特征的综合比较分析,最后确定角二阶矩、熵和对比度作为道路纹理特征统计量;再通过对图像像元分析比较,将图像像元标准差和灰度均值作为道路信息提取的光谱特征;在对道路综合特征分析基础上,再通过对遥感图像几何特征分析,最后利用数学形态学的开运算、闭运算、腐蚀、细化等模型算法对遥感图像进行精细化处理,得到道路提取较好的结果。该方法可用于复杂路况的道路信息提取。     

基于道路绿地特征的遥感影像道路信息提取方法研究

针对高空间分辨率卫星遥感图像上道路绿地的特点,提出一种基于道路绿地形状和空间分布特征识别道路边线和中心线的方法。在基于NDVI提取绿地信息的基础上,根据道路绿地的形状特征(细长),采用面积、主轴方向、紧致度、矩形度和长宽比等形状指数,区分道路绿地与其他绿地;根据道路绿地之间以及道路绿地和道路之间的空间关系特征,同时通过生成已知道路绿地区域的缓冲区,分隔那些与非道路绿地连成一片的道路绿地;最后,根据道路绿地的方向和距离特征提取出道路边线和中心线。     

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。     

基于T型模板的遥感影像道路提取方法

高分辨率遥感影像具有数据量大、波段少、地物细节纹理信息更加清晰、空间信息更加丰富等特点,因此基于高分辨率遥感影像的道路提取方法研究是当前一个研究热点.但高分辨率遥感影像提供了更丰富的地物目标细节的同时,也使得噪声信息随之增加,如道路上的车辆、道路线、邻近的行树及阴影、建筑物及阴影等,并且在光谱通道上道路与噪声之间存在更...     

高分辨率遥感影像提取道路的方法综述与思考

 介绍了高分辨率遥感影像上道路的特征、模型和道路提取的基本思想，对已有的道路提取方法进行了分析，并对道路提取问题进行思考，提出下一步的研究方向。     

多尺度高分辨率遥感影像道路提取技术研究

高分辨率遥感影像可以真实的反映各种地物信息,其空间分辨率一般可达到米级对促进道路建设发展具有十分重要的意义。本文结合高分辨率遥感影像的特点,融入多尺度技术,利用边缘特征检测的方法进行道路提取技术。实验结果表明,该方法能够有效地消除高分辨率遥感影像城市道路路面噪声的影响,大大提高了图像质量。