基于WorldView-3的城市下垫面信息提取

采用长春市WorldView-3高分辨率遥感影像数据,利用面向对象方法建立多尺度网络层,同时基于不同地物的光谱、几何特征构建了eCognition中的分类规则集,提取了城市下垫面用地信息。最后通过混淆矩阵对分类结果进行精度评价,得到较好的分类效果。本次研究初步解决了阴影归类和建筑与硬质地面区分等问题,提高了城市下垫面信息提取精度。     

WorldView-3短波红外影像分类性能研究

WorldView-3卫星在8个可见光-近红外(VNIR)波段的基础上,新增了8个短波红外(SWIR)波段,大大提高了对地物信息的提取能力。利用随机森林分类方法分别对可见光-近红外8个波段影像和可见光-近红外-短波红外16个波段的影像进行实验验证;采用基于多尺度分割技术的面向对象方法对合理的特征空间进行实验与挑选。结果表明,引入SWIR波段后分类性能总体精度提升了3.78%,人工地物制图精度提升了5.65%,自然地物制图精度提升了2.88%;且允许识别特定类别(村镇中的红色低矮砖瓦房居民区),能保持地物较为完整的形状信息,可提高多光谱遥感影像的分类精度。     

基于深度学习的城市地理国情地表覆盖分类研究

作为图像识别的研究热点,利用深度学习对遥感影像进行自动分类具有较强的应用实践价值.本文基于全卷积神经网络的深度学习框架,提出了一套城市地理国情地表覆盖分类技术方法:利用地理国情成果,构建城市遥感影像样例库,训练全卷积神经网络,实现地表覆盖自动分类,并通过相似性系数对专题地物进行变化检测.文章选取了上海局部区域作为实验对...     

基于地理国情的深度学习分类容错性研究

地理国情监测获取的地表覆盖分类成果具有覆盖区域全、精细度高、时相新等优势,具有作为深度学习分类模型训练样本的能力和优势,能够大大减少样本获取的成本.但是,受数据源、时相以及采集标准等因素的影响,直接使用地表覆盖数据作为样本,往往与模型训练采用的影像存在一定的误差.研究采用深度学习语义分割算法,比较了人工标注样本以及不同...     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

基于主动深度学习的极化SAR图像分类

针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。     

融合城市行道树特征选取模型的自适应深度学习分类

针对城市行道树的学习多分类问题,本文在综合分析城市行道树多分类特征的基础上,提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法,学习行道树的特征重要性,通过特征消除方法舍弃不重要的特征,实现城市行道树多分类特征自动选取;在城市行道树分类特征工程提取的基础上,构建了城市行道树多分类问题的自适应深度学习方法,并采用交叉验证与参数搜索方法,对所提出的深度学习模型进行改进。试验结果表明,本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能,解决了城市行道树多分类预测的准确性与泛化问题。     

基于深度学习的高分辨率遥感影像目标检测

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一种分层的深度学习模型,通过设定特定意义的分层方法建立目标语义表征及上下文约束表征,以实现高精度目标检测。通过对高分遥感影像目标检测的试验,证明了该方法的有效性。     

多特征分量结合的WorldView-3影像建筑容积率分类提取

城市现状建筑容积率的分类提取对于有效把握城市用地开发强度以及制定科学合理的控制性详细规划具有重要参考意义。提出了一种主成分分量、主方向、边界指数以及矩形拟合度等多特征分量相结合的超高分辨率卫星影像建筑容积率贝叶斯分类提取方法。基于分类结果,采用阴影面积法与阴影长度法计算容积率并进行精度对比验证。利用WorldView-3卫星影像进行提取实验,并对实验区建筑逐一进行实地调查,结果表明,在容积率计算中,阴影面积法总体精度为93.90%,阴影长度法总体精度为85.19%,阴影面积法较阴影长度法在容积率分类提取精度上优势更突出。     

基于深度学习的遥感变化检测技术应用研究

传统的人工目视变化提取的方式耗费大量的人力、物力且作业周期长,已经无法满足当今快速监测分析的需求,现在利用不同期影像进行智能变化检测和提取成为专家学者和软件方研究的热点。本文将浅析基于深度学习的遥感影像变化检测方法,旨在探索基于遥感影像进行常态化、快速化变化检测的技术路线和相关业务的应用,如基础测绘地形图更新、土地变更调查、地理国情监测更新等,为城市变化信息、地理信息数据的快速更新提供支撑。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

极化SAR影像深度学习分类方法对比研究

针对近年来极化SAR影像深度学习分类研究取得了显著的进展,但仍缺少全面系统的对比分析问题,该文首先讨论了极化SAR处理与分类中常用的深度学习网络结构,然后使用极化SAR分类研究的典型数据集,对多个主要深度学习算法的分类结果进行了对比分析,并对常用极化目标分解在深度学习分类算法中的应用进行了对比.实验表明,各类算法有不同的适用场景,同一场景不同算法的精度有时表现很大的差异.深度网络的选择、网络参数的优化和极化信息的应用依旧是该领域未来重点研究方向.     

顾及局部特征的深度学习点云分类研究

针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路.     

基于深度属性学习的光学遥感图像分类研究EI北大核心CSCD

遥感技术革命性地拓展了人类观测地球的手段和能力,遥感数据理解已成为当前认知地球变化、了解人类活动的重要工具。遥感影像分类是遥感图像理解的基石,在地物观测和变化检测等领域正发挥着关键作用。现有机器学习方法多基于图像直接提取图像特征预测类别标签,然而图像特征与类别标签之间存在较大的语义鸿沟,面向少样本、细粒度的遥感影像进行分类仍是当前非常具有挑战性的任务。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN (Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

WorldView-3单景影像去云处理对比研究

针对云雾天获取的影像对比度低、地物细节模糊,严重影响影像后期处理的问题,该文基于WorldView-3(WV-3)遥感影像,通过薄云最优化变换(HOT)与点云算法相结合、暗通道两种方法去除或削减图像中云层信息,并采用相关系数、光谱扭曲度等参数定量评价两种方法的去云效果.结果显示,HOT与点云算法结合与暗通道两种方法均能对WV-3影像中云层信息进行去除,其中后者去云结果各波段的相关系数比前者去云结果平均高出6.9％,后者的光谱扭曲度比前者平均低出1.67％.因此暗通道去云方法要优于HOT与点云算法结合的去云方法.     

基于DeepLab V3+深度学习的无人机影像建筑物变化检测研究

针对城市建筑物变化检测的高时间和高空间分辨率需求,研究了基于深度学习的无人机影像建筑物变化检测方法.以大疆精灵4无人机正射影像为数据源,利用变化矢量分析与人工判别生成变化标签数据,并通过数据增强生成数据集.基于DeepLab V3+深度网络,利用生成的数据集进行无人机影像建筑物变化迁移学习,最终实现建筑物变化检测.实验...     

深度学习的遥感影像舰船目标检测

针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。