深度学习技术在遥感影像滑坡识别中的应用

探索遥感影像滑坡识别方法对于抢险应急指挥具有重要意义。传统的人工现场勘察速度慢、效率低,因此本文提出了一种基于深度学习的遥感影像滑坡识别方法。该方法首先基于毕节滑坡影像构建样本集,为了增强模型泛化能力,对训练集进行扩充增强并加入部分非滑坡数据,然后搭建U-Net深度学习模型并输入训练集进行训练。最后,利用测试集和北京市房山区、延庆区的两处实际滑坡区域对模型进行测试。实验结果表明,该方法要优于常规的数学形态学与SegNet模型方法,方法精度较高,能够实现影像滑坡区域的有效识别。     

一种高分辨率遥感影像汽车识别检测方法

地物的自动识别一直是遥感影像处理领域的研究热点,目前已经形成了一些比较成熟的地物识别方法,如面向对象、支持向量机和BP神经网络等方法,均可得到较好的识别效果,但大都存在算法效率低,精度差、自动程度不高,需要大量人工参与等问题。本文尝试将基于机器学习算法的目标自动识别标注技术应用于遥感影像信息提取,在利用worldview2全色影像数据进行汽车识别研究的基础上,提出了在Microsoft Visual C++平台下利用OpenCV函数库,提取样本图像Haar特征,并采用Adaboost算法训练分类器,在高分辨率遥感影像上进行汽车自动识别、提取的新方法,并总结归纳了技术方法流程及相关程序。     

基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N（positive-negative）学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。     

基于子区域多标签学习的露天煤矿区场景识别

露天煤矿开采易对区域生态环境产生不利影响,对其进行高效监管有利于矿区环境保护和可持续发展。随着遥感技术和人工智能的发展,基于高分辨率遥感影像的露天煤矿区场景自动识别成为可能。本文针对单标签学习算法在场景子区域识别中识别率较低的问题,将多标签学习策略和地理学第一定律相结合,提出一种基于子区域多标签学习的露天煤矿区场景识别方法。为了区分露天煤矿区场景与其周边场景,设置了6类矿区标签和7类非矿区标签,对9768张场景子区域图像进行标注,构建多标签数据集,利用该数据集训练基于多标签学习的Inception-v3模型。场景识别时,首先将一幅覆盖研究区的遥感影像划分为相同大小的子区域并进行多标签分类;然后对含有矿区标签的子区域,利用地理学第一定律对其矿区标签的相关性和完整性进行判定,识别出属于露天煤矿区场景的子区域。胜利西露天煤矿区识别实验结果表明：该方法提取的结果最接近真值,显著高于单标签学习的识别精度;其子区域多标签分类F1分数达到0.857,与单标签学习中性能最好的ResNet50模型相比,提高了8个百分点。本文提出的方法能够自动提取子区域内多类标签的有效特征,提高露天煤矿区场景识别的精度,...     

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...     

粗集属性划分的集成遥感分类

提出了一种基于粗集属性划分的遥感分类新方法, 构造了基于粗集的集成遥感分类器。该分类器利用粗集理论将输入的属性集合划分为多个约减, 利用这些约减构造多个训练子集。每个训练子集训练神经网分类器, 在决策时将多个单个分类器的结果进行投票选举。这种方法即减少了单个分类器的输入属性个数, 又避免了由于属性选取造成单一分类器在某些分类上的错误偏见。该分类器与神经网分类器方法, 以及属性选取与神经网结合方法进行了比较。结果表明RSEC无论在分类精度上, 还是在不同样本个数条件下的精度稳定程度上均有较好表现。     

集成学习和条件随机场的影像招弧角识别

无人机巡检是目前电力部门主推的一种巡检方式,招弧角是一种重要的电网设备、但其呈现细长的几何形状特征,其测量需要优于1 cm空间分辨率的影像.为了从无人机获取的高分辨率影像上提取招弧角,该文提出了基于随机森林、集成学习、全连接条件随机场的无人机影像分类和招弧角提取方法.首先,提取了影像的12个光谱和纹理特征.接着,建立训练样本库,训练了多个独立的随机森林分类器、并形成随机森林集成模型进行影像分类.最后,利用全连接条件随机场优化分类结果.该文采用5000张无人机影像进行了实验.实验表明,该文提出方法的整体分类精度达到85.5％,招弧角识别的正确率为98.3％、完整率为74.3％,表明该方法具有潜在的工程应用价值.     

面向遥感目标识别耦合GA与SVM的特征优选方法

提出了GA-SVM耦合用于高分遥感目标识别的特征优选方法,将GA中的特征降维和适应度函数构建与SVM中的特征空间映射、样本训练以及分类结果在内容上耦合,利用SVM的识别结果指导GA的进化方向。同时,为减小未成熟收敛风险,对传统GA做了改进。实验表明,该方法在高分遥感影像目标识别中效果较好。     

基于深度学习的人体行为识别

为了识别公共区域等特定场所下的人体行为,提出了一种基于深度学习的人体行为识别方法。首先,预处理训练样本集和测试样本集中的所有图像,通过高斯混合模型提取出目标运动前景。其次,对训练样本集中各种目标行为建立样本库,定义不同类别的识别行为作为先验知识,用于训练深度学习网络。最后,结合深度学习所得到的网络模型,分类识别测试样本集中的各种行为,并将识别的结果和当前流行方法进行了比较。实验结果表明,该人体行为识别方法优于其它方法,平均识别率相比其他方法有较大的提高。     

基于区域特征的航拍图像水上桥梁自动识别

针对航拍图像中水上桥梁目标的自动识别问题,提出了基于区域特征的水上桥梁自动识别算法。首先对航拍图像进行基于梯度均方差的图像二值化;再进行基于像素密度的二值图像去噪;然后进行基于像素的二值图像连通区域标记,区域标记算法采用6邻域连通规则进行标识,能够有效获取水域的区域特征;最后进行桥梁的精确提取。实验结果表明,该算法能够有效地识别低对比度、低空侧拍等复杂航拍图像中的水上桥梁目标。     

SVM-Based Data Editing for Enhanced One-Class Classification of Remotely Sensed Imagery

This paper studies a specific one-class classification problem where the training data are corrupted by significant outliers. Specifically, we are interested in the one-class support vector machine (OCSVM) approach that normally requires good training data. However, perfect training data are usually hard to obtain in most real-world applications due to the inherent data variability and uncertainty. To address this issue, we propose an OCSVM-based data editing and classification method that can iteratively purify the training data and learn an appropriate classifier from the trimmed training set. The proposed method is compared with a general OCSVM approach trained from two types of bootstrap samples, and applied to the mapping and compliance monitoring tasks for the U.S. Department of Agriculture's Conservation Reserve Program using remotely sensed imagery. Experimental results show that the proposed method outperforms the general OCSVM using bootstrap samples at a lower computational load.     

Multi-temporal remote sensing data applied in automatic land cover update using iterative training sample selection and Markov Random Field model

Automatic land cover update was an effective means to obtain objective and timely land cover maps without human disturbance. This study investigated the efficacy of multi-temporal remote sensing data and advanced non-parametric classifier on improving the classification accuracy of the automatic land cover update approach integrating iterative training sample selection and Markov Random Fields model when the historical remote sensing data were unavailable. The results indicated that two-temporal remote sensing data acquired in one crop growth season could significantly improve the classification accuracy of the automatic land cover update approach by approximately 3–4%. However, the support vector machine (SVM) classifier was not suitable to be integrated in the automatic land cover update approach, because the huge initially selected training samples made the training of the SVM classifier unrealizable.     

一种利用纹理特征和朴素贝叶斯分类器检测近景影像植被的方法

针对植被对近景摄影测量自动滑坡监测影响严重的问题,提出了一种基于纹理特征和朴素贝叶斯分类器的滑坡植被区域检测算法。对算法的有效性、影像对比度拉伸以及样本训练通用性对检测植被区域的效果等若干问题进行了实验探讨。通过与基于视觉认知特征的检测方法比较,验证了本算法的实用性和有效性。实验结果表明,本文算法能够很好地检测出近景影像中的植被区域,结果比较满意。     

多角度NOAA卫星数据地面BRDF反射率的大气校正

本文利用连续数天的NOAA卫星数据，采用Rahman地表二向反射模型和基于地面BRDF反射率的大气校正方法反复迭代提取出多个角度大气校正后的图像，并对结果进行了分析。实验结果表明了在多角度遥感定量研究中BRDF大气校正的重要性，大气校正结果与地面实测结果相近，且迭代收敛迅速。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。     

Grid pattern recognition in road networks using the C4.5 algorithm

Pattern recognition in road networks can be used for different applications, including spatiotemporal data mining, automated map generalization, data matching of different levels of detail, and other important research topics. Grid patterns are a common pattern type. This paper proposes and implements a method for grid pattern recognition based on the idea of mesh classification through a supervised learning process. To train the classifier, training datasets are selected from worldwide city samples with different cultural, historical, and geographical environments. Meshes are subsequently labeled as composing or noncomposing grids by participants in an experiment, and the mesh measures are defined while accounting for the mesh’s individual characteristics and spatial context. The classifier is generated using the C4.5 algorithm. The accuracy of the classifier is evaluated using Kappa statistics and the overall rate of correctness. The average Kappa value is approximately 0.74, which corresponds to a total accuracy of 87.5%. Additionally, the rationality of the classifier is evaluated in an interpretation step. Two other existing grid pattern recognition methods were also tested on the datasets, and comparison results indicate that our approach is effective in identifying grid patterns in road networks.     

一种优化的极化SAR图像海面目标检测方法

提出一种优化的极化SAR图像海面目标检测方法,结合改进的极化SAR四分量分解中的螺旋散射分量与Wishart分类器,充分利用极化散射特性、结构特征、统计特性来进行目标的自动检测。同时通过纹理特征相似性克服了Wishart分类器在无目标海域检测时容易将强度值较高的海杂波误认为目标的缺陷。采用美国无人机UAVSAR在Mexico海域和巴拿马Barro Colorado Island海域获取的两组L波段全极化数据进行实验验证。实验结果表明:文中的优化方法能够较准确检测海面目标,很好地降低虚警率;同时解决了Wishart分类器在无目标海域发生错检的问题。