基于多源国产高分卫星时空信息的米级分辨率耕地提取

及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet（Cropland Extraction UNet）模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet_m）、基于UNet和单时相高分辨率影像的语义分割（UNet_s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

高分六号影像在自然资源调查中的应用研究

以广州市南沙区自然资源调查为例,针对高分六号遥感影像的特点,建立了高分六号影像可以适应的自然资源分类体系。分析了面向对象的遥感影像分类过程中的各个过程,研究了多尺度影像分割在不同参数设置下的分类效果,得出了较为合适的多尺度分割参数,进行了面向对象分类实验和分类精度评价,影像分类精度达到了78.66%。通过对南沙区影像在实验各个流程中的区别及联系进行了横向对比,总结了其中的规律,显示了基于高分六号的面向对象遥感影像分类方法在自然资源调查中的应用价值。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识,提取高质量特征困难的问题,将深度迁移学习技术引入到高分影像树种分类中,提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界,该方法首先利用多尺度分割技术分割整幅遥感影像,并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题,采用迁移学习方法,使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络,并利用全局平局池化压缩参数,在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器,利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像,生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区,QuickBird高分影像作为数据源,采用本文方法进行树种分类。试验结果表明,本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0,在保证树种精度的同时实现了端到端的树种分类。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

面向对象的多尺度高分影像建筑物提取方法研究

近年来,随着航空航天事业的高速发展,带动了遥感对地观测技术的进步,为高分影像的获取奠定了基础。作为地物类别中的主要内容和地形图中的重要成图元素,建筑物的识别与提取,直接影响到地物提取的自动化水平。因此,高分辨率遥感影像中建筑物的提取是图像处理领域中的主要研究内容之一。为了提高城市建筑物信息提取精度,本文改进了常规的面向对象方法,以航空遥感影像和SPOT-6影像为对象针对其下垫面结构复杂的特性,采用多尺度分割和多规则结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较。研究结果表明,面向对象的多尺度分割对高分影像中建筑物的提取具有较好地效果,KIA精度达到了0.76,为城市建筑物信息提取的应用提供了新思路。     

高分一号遥感影像地质灾害信息提取方法研究

山区地质灾害发生频繁,受灾范围大,危害严重。提取地质灾害信息、估算受灾情况,对救灾工作极为重要。传统的遥感人工解译方法速度慢、效率低;计算机自动解译速度快但解译精度受影像质量影响大,大范围地区很难建立起普适性的解译模型。本文利用洮南市西部高分一号遥感数据,结合DEM生成三维影像,建立解译标志,解译基础地质信息,分析地质灾害成因;根据研究区泥石流地质灾害的主要影像特征,提取影像的分类属性,基于面向对象的分类方法,建立信息提取模型,快速提取出地质灾害敏感区域;再进行人机交互,精确提取出地质灾害的类型和范围,通过野外验证,该方法十分可靠,为大范围地质灾害信息快速提取和灾后救援提供科学依据。     

基于高分一号影像的两种地表覆盖分类方法对比研究

以高分一号影像为数据源,分别应用最大似然分类法和面向对象分类法对影像进行遥感分类,比较不同影像分割尺度,对分类结果进行精度评价,结果显示:面向对象分类方法综合利用多类遥感指数,提高了分类精度,可以有效应用于遥感影像快速分类。面向对象分类方法中分割尺度对分类精度影响较大,但如何设置最优分类尺度仍需进一步研究定量确定方法。     

基于面向对象技术的农田分类方法

采用面向对象的分类方法,以富锦地区为研究对象,将纹理和拓扑信息加入中等分辨率遥感影像中,快速准确地提取耕地信息。研究结果表明,利用面向对象技术对遥感影像进行多尺度分割,并结合影像的光谱、形状和纹理特征对水田和旱地进行提取,提取后的成果总体分类精度达到了92%,Kappa系数为0.91,说明采用面向对象技术对中等分辨率遥感影像进行耕地提取的成果可靠,可为大面积土地分类提供技术支持。     

智能优化学习的高空间分辨率遥感影像语义分割

高空间分辨率遥感影像正被广泛应用,而传统分类算法在高分遥感影像上的精度和效率较差,深度学习语义分割算法在实际分类中泛化性较差.为了适应大范围高分遥感影像的特点,提出了一种基于U-Net网络的模拟退火超参数优化与深度可分离卷积语义分割模型.首先在U-Net网络基础上使用了深度可分离卷积模块来进行特征提取,在保持高效性的同...     

语义网络模型的遥感影像面向对象分类

针对目前遥感影像面向对象分类中分类模型构建方法的不足之处,文章提出了一种语义网络模型与混合控制策略相结合的方法:从地理空间认知角度出发,分析遥感影像多尺度语义结构,利用C4.5决策树进行特征选择与语义网络模型构建,采用自上而下以及自下而上的混合控制策略,实现了语义网络模型的验证及面向对象分类。实验结果表明,该方法能够自动进行特征优选与分类模型的自动构建,能够为地表覆盖分类提供知识型分类模型与方法,为类似区域、类似数据、相近时间的影像解译提供参考。     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

基于GF-2遥感影像的机械性破损面提取方法

机械性破损面容易引发水土流失、次生地质灾害等生态环境问题,但目前还缺乏其基于遥感影像的有效提取方法。选择机械性破损面分布密集的云南省螳螂川流域为研究对象,基于高分二号(GF-2)遥感影像,探讨其基于纹理特征辅助的面向对象提取方法。根据7类地物特征建立地物分类规则,在最优尺度分割的基础上,基于光谱特征的决策树A和基于"光谱+纹理"特征的决策树B进行面向对象的分类。经过精度评价分析得出,相对于传统的监督分类法和仅基于光谱的面向对象分类法,基于"光谱+纹理"特征的决策树B分类方法使Kappa系数和总精度分别提高至0. 82和86. 25%,有效地提高了机械性破损面的提取精度。     

高分辨率遥感影像中农田灌溉设施的提取

针对目前传统人工解译和半自动提取技术自动化程度不高的问题,利用面向对象分类的方法对高空间分辨率遥感影像中的农田灌溉设施进行提取,并与监督分类方法进行对比分析。结果证明,基于面向对象的分类方法提取农田灌溉设施,能够获得较好的提取结果。这为耕地分等定级以及农田线状地物设施监测等工作提供了有效的科学技术支持。     

高分遥感影像城市绿地自动提取方法

城市绿地作为城市生态系统中不可缺少的一部分,也是城市建设中必须考虑的因素之一,如何更有效地得到城市绿地的分布状况对城市的建设有着深刻的意义.高分辨率遥感影像如今已经成为城市绿地调查的重要数据.为了探究最适用于高分影像中城市绿地自动提取的方法,以南京市某区域为例,以高分二号高分辨率影像为数据源,分别使用了监督分类、利用归一化植被指数(NDVI)分类和基于规则的面向对象分类这三种信息自动提取方法,并将得到的分类结果与精度评价进行了对比分析,结果表明,基于规则的面向对象分类方法的精度明显高于其他两种方法.     

基于NDWI与改进型FCM相结合的高分一号影像水域信息提取方法研究

鉴于采用传统方法在提取高分辨率影像水域信息存在不足,本文以高分辨率国产卫星高分一号宽幅16 m空间分辨率多光谱影像为数据源,以浙江省钱塘江流域为研究区域,通过预先对影像进行NDWI处理,在此基础上利用改进FCM聚类算法实现了水域信息的自动提取,并与传统的NDWI和ISODATA分类方法提取结果进行比较。结果表明,该方法在分类效果和精度方面均优于传统分类方法,作为国产高分一号影像水域信息自动提取方法是可行的。     

基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测

建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。...     

基于栈式自动编码器的高分辨率遥感影像分类

针对遥感影像分类识别中,属性特征过多不仅会造成维数灾难,而且会影响分类精度的问题,本文采用基于栈式自动编码器的面向对象的分类方法解决高分辨率遥感影像的分类精度问题.文中对自动编码器的重构特征质量、栈式自动编码器的深度以及隐层单元数对分类精度的影响进行了试验分析,并将该分类方法与传统的影像分类方法进行比较,研究其分类精度的优劣性.定量分析与实验结果表明:栈式自动编码器能够获得较好的重构特征,与其他传统的面向对象的遥感影像分类方法进行比较,取得了最好的分类效果.     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

结合高分一号和LiDAR的亚热带森林年度采伐迹地提取

利用高分一号影像结合机载LiDAR数据进行面向对象的亚热带森林年度采伐迹地分类提取。在面向对象的遥感软件Ecognition中,首先利用森林小班数据参与分割,利用小班数据的属性信息确定林地和非林地区域,在林地区域再一次进行多尺度分割,并通过ESP工具确定最佳分割尺度,通过特征表达提取对象的光谱、纹理、形状、冠层高度模型(CHM)等特征信息,通过最小冗余最大相关性(mRMR)特征选择算法提取最优特征子集,且CHM在最优特征子集中。利用随机森林(RF)分类器进行年度森林采伐迹地分类提取。年度采伐迹地提取精度达到了87%,与没有CHM特征参与分类的情况对比,提取精度提高了13%。