改进U-Net模型的遥感影像水体提取研究

针对传统遥感水体提取方法在大范围、高分辨率遥感影像水体提取任务中效率低等问题,该文提出了一种基于改进U-Net模型的遥感影像水体快速提取方法。通过减少以VGG16为特征提取网络的下采样层和相对应的上采样层来精简网络,提升模型运行效率。基于高分影像进行了沈阳市的水体提取研究,结果表明,改进U-Net模型各项精度指标均高于U-Net模型,交并比(IoU)和F₁分别达到了90.3%和94.9%。与此同时,模型的训练时长和预测时长分别缩短了25.8%和21.6%。该文为遥感影像中水体的高效提取和分类提供了参考,并可用于水资源调查、管理和规划。     

基于U-Net3+的高分遥感影像建筑物提取

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.902 7,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。     

基于改进U-Net的典型地物要素提取

针对高分辨遥感影像在进行地物要素提取时,自身带来的影像信息细节化程度高,导致不同地物光谱互相重叠,同种地物光谱分布也是可变的,使得不同地物的相对可分性降低这一问题,本文以高分二号卫星为数据源,提出改进U-Net模型,通过加深U-Net网络结构,引入SFAM模块和ASPP模块,多级尺度特征聚合金字塔方法等对原始U-Net模型进行改进。实验结果显示:改进U-Net模型的总体分类精度OA为88.76%,均交并比MI-oU为0.53,相比原始U-Net模型,FCN模型和SegNet模型的分类精度都有明显的提升。综上可知,本文提出的改进U-Net模型在地物要素提取中是可行的,可为地物要素的高精度提取提供技术支持。     

基于遥感影像的生产建设项目扰动图斑人机协同智能提取方法

水土保持生产建设项目扰动图斑解译工作多以人工目视解译方法实现,在实际工作中,存在效率低、成本高、主观性强等问题。本文提出了“智能提取模型+遥感监管协作平台”的生产建设项目扰动图斑人机协同智能提取框架,通过本底数据要素标注、数据增强等手段构建变化检测数据集,采用改进的U-Net++模型开展生产建设项目扰动图斑智能提取试验。结果表明,模型平均准确率为79.59%,面积召回率为80.90%。针对检测模型容易误提取伪变化和云雾遮挡区域,以及存在图斑破碎、轮廓不规整等问题,在自动提取成果的基础上构建了分布式并行协同解译平台,对扰动图斑进行增、删、补、检,并将最终结果作为新样本反馈给模型,进一步提升模型性能,形成样本与模型间的良性循环,提高了实际工作效率。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

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%。     

一种用于资源三号植被提取的改进U-Net模型

全卷积神经网络U-Net能在节约计算资源的前提下获得良好的语义分割结果,最早被应用于医学领域。然而,利用U-Net处理资源三号卫星影像时,收敛速度较慢且精度较低,因此提出了一种利用空洞卷积改进的U-Net模型,并将其应用于植被提取中。实验结果表明,改进方法对植被的提取精度较高,分类效果较好。     

多时相SAR数据下的岭南早稻提取与时空变化分析

针对岭南地区在水稻生长期内高质量光学影像较少、难以实现对水稻种植情况进行有效监测的问题，该文利用多时相哨兵一号数据，提出一种基于阈值分割法快速提取水稻标签范围、运用U-Net深度学习模型提取水稻分布范围的方法，并分析广东省雷州市2019—2021年早稻分布时空变化情况。(1)通过对比，U-Net模型提取效果优于支持向量机算法，2019年早稻面积提取精度为87.63%,2020年为91.47%;(2)雷州市早稻种植范围持续扩大，与2019年早稻分布范围相比，2020年和2021年新增早稻种植范围主要分布在河流两岸；(3)相对于2019年，2020年和2021年由早稻种植区转变为非粮种植区的面积主要集中在南渡河中下游的附城镇、南兴镇等地，主要改种的农作物是西瓜。利用多时相哨兵一号数据可以建立长时间序列、稳定、及时、免费的水稻种植监测系统，能够实现对岭南重要产粮区耕地“非粮化”的有效监测。     

改进U-Net模型支持下的高密度激光点云在沥青道路病害识别中的应用

现有的神经网络模型能在一定程度上实现自动识别路面病害,但在实际应用中,检测准确率无法满足道路安全运维的需求,容易出现病害的漏检和误检。针对上述问题,本文提出了一种融合灰度图像和深度图像的U-Net改进模型。首先利用深度图特征,实现自动剔除无病害数据,减轻模型的运算量;然后在传统的U-Net模型结构基础上加入全局上下文模块,在实现网络轻量化的基础上提升了网络性能;最后加入路面深度图高程信息,使模型的训练数据由一维变为二维。基于病害范围与路面深度图,获取路面病害深度参数。试验结果表明,本文提出的融合灰度图像和深度图像的U-Net改进模型在全局识别准确率、精准率、召回率、综合评价指标和mIoU指标上分别为99.09%、84.69%、81.64%、91.67%和84.58%,均高于其他两种同时进行测试的模型。在路面病害检测结果中,本文方法比其他4种模型提高了99.07%。因此,本文算法可以用于有噪声干扰的复杂场景,且能够平滑、高效地提取路面裂缝,具有较强的稳健性,可为后续的路面修复工作提供重要参考。     

面向建筑物边缘特征保持的遥感影像变化检测研究

随着深度学习技术在遥感变化检测领域的发展,许多基于卷积神经网络(CNNs)的变化检测算法得到了广泛的应用,但在建筑物变化检测中,仍存在样本不平衡、边界模糊等问题。为解决上述问题,提出基于孪生U-Net和边缘优化策略(Siamese U-Net and Edge Refinement Strategies, Siam-Unet-ERS)的建筑物变化检测方法。首先提出了边界优化策略,共享建筑物变化检测主任务和边界提取子任务之间的空间特征,以实现提升建筑物边界定位精度的目的。同时,设计了残差捷径模块,在不降低模型性能的同时提升模型收敛速率。网络在LEVIR-CD和WHU数据集上都经过验证和测试,分别达到了97.79%和98.92%的总体精度。实验结果表明,Siam-Unet-ERS方法优于一些以前较先进的变化检测方法。     

一种条带池化道路裂缝自动提取方法

针对现有路面裂缝自动化提取精度低和效率差的问题,该文提出一种结合条带池化改进U-Net网络的道路裂缝自动提取方法。该方法以U-Net网络为基础,将编码器与残差模块、空洞卷积相结合,增加网络深度扩大感受野,丰富裂缝提取信息、有效抑制噪声;使用注意力机制将编码与解码过程相连接,提升裂缝提取效率和准确率;以条带池化模块替换池化层,解决传统裂缝分割方法对条状特征提取精度差的问题。以CFD数据集为例,将该文方法与U-Net等其他4种提取方法进行对比分析。结果表明,结合条带池化改进U-Net网络的道路裂缝自动提取方法提取的裂缝完整,计算时间短,在指标F1上有明显提升。     

基于改进U-Net网络的遥感图像云检测

为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题,本文提出了一种改进的U-Net网络模型,并应用于FY-4A数据进行云检测。首先,利用国家气象卫星中心提供的云检测产品生成二分类云标签;其次,将U-Net模型的编码器与残差模块相结合,使得网络参数共享,并避免深层网络的退化问题;最后,在解码器中融入密集连接模块,将浅层特征与深层特征进行连接,便于获取新的特征,并提高特征使用率。试验结果表明,模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%,可以很好地检测出薄云及大量碎云,效果明显优于U-Net模型。     

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.     

一种改进U-Net的遥感影像建筑物提取方法

针对高分辨率遥感影像信息复杂浅层网络难以对其目标物特征信息充分学习,图像因裁剪导致边缘信息损失使得模型对图像边缘预测效果较差的问题,该文将U-Net收缩路径加深以增强网络对特征信息的学习能力,并加入随机失活函数(Dropout)层抑制过拟合现象的发生,扩张路径中加入批量归一化层以提高网络训练速度,并将忽略边缘交叉熵函数与骰子函数结合构建联合损失函数作为本文模型的损失函数以提高模型对图像边缘的预测效果。实验结果表明：该文方法对建筑物边缘能够进行有效预测;对建筑物轮廓以及较小建筑物的提取较之SVM、主干网络为VGG的U-Net提取效果有所提高;并在应用扩展研究数据集中有着较好的表现。     

HY-1C卫星CZI影像卤虫条带提取研究——以艾比湖为例

基于HY-1C卫星海岸带成像仪CZI (Coastal Zone Imager)影像提取卤虫条带,对利用自主遥感数据开展生物资源监测与指导捕捞利用具有重要意义。本文以艾比湖为例,分析了HY-1C卫星CZI影像与Landsat-8卫星OLI数据的卤虫—水体端元光谱特征及差异;结合滑动窗口裁剪和光谱匹配因子SBAF (Spectral Band Adjustment Factors)模拟构建了有效样本量为837的卤虫—水体数据集;使用深度为5层的U型全卷积神经网络U-Net (U-Shaped Fully Convolutional Neural Network)算法提取卤虫条带并进行了评估与应用。与支持向量机法、最大似然分类法、归一化水体指数法相比,U-Net算法效率高、鲁棒性更好,卤虫条带的提取精确率和F1分数分别为92.02%和90.55%,比其他方法高出约11%—23%,即使面对复杂水体背景干扰,提取错误率也仅有3.3%;由2019年—2021年10景CZI影像的提取结果可知,研究期间卤虫条带的最大最小面积之比约为5.8,变化剧烈且与水体面积存在一定关联,但决定卤虫条带分布与面积的...     

基于多特征U-Net网络的工程活动图斑快速识别

为有效监测具有填挖、采剥等行为的工程活动情况,本文提出了一种用于像素级露天工程活动图斑提取的遥感多特征语义分割模型。该模型以高分二号(GF-2)光学遥感影像为数据源,采用U-Net深度神经网络架构,通过人工标注构建了反映露天工程活动的影像样本集,并提取样本的多维特征投入模型进行训练,从而实现了工程活动图斑的快速识别。试验结果显示,本文方法对露天工程活动图斑的总体识别精度可达87.36%,平均精度达86.78%,优于KNN、SVM两种传统分割方法,为工程活动自动化监管提供了技术参考。     

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.     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法.首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原...     

基于U-Net全卷积神经网络的人工建筑物提取

传统基于遥感光谱和空间特征信息提取、图像分割与分类的方法在面向背景复杂、人工地物繁多的影像时存在泛化能力较差的缺陷,即训练后的模型或规则难以适用不同地区、不同数据源的遥感影像,深度学习比以往分类模型在泛化能力方面表现出强大的潜力。本文选取不同区域、不同类型的遥感卫星影像作为试验对象,结合该区域的地理国情监测成果数据和1︰1万基础地理信息数据,进行遥感影像样本标注及样本增强扩充,构建大规模遥感影像基准数据集;然后基于U-Net全卷积神经网络,综合利用二分类和多分类语义分割网络模型,引入jaccard系数,对道路和房屋这两类人工建筑物目标进行了提取。通过与传统浅层分类方法进行精度对比,本文方法总体精度提升8.82%,Kappa系数提升79.54%,道路和房屋目标的F1值均高出70%,IUO指标高出了100%。分析表明：（1）地理国情监测成果和1︰1万基础地理信息数据在构建大规模的语义分割数据集中具有重要作用;（2）U-Net全卷积神经网络方法能够快速、准确地提取出道路和房屋,且具有很好的泛化能力,能够满足宏观尺度的人工地物提取需求,同时提升处理效率。     

改进的VCT长时间序列森林干扰方法

针对传统的VCT(Vegetation Change Tracker)模型进行了改进,通过引入双季节数据,提高了森林干扰提取精度。以湖南省株洲市天元区和渌口区为例,基于Google Earth Engine搭建了VCT模型,构建了长时间序列Landsat 5/8卫星数据堆栈(LTSS),实现了研究区1989—2019年以来的森林干扰历史重建,分析了研究区森林干扰时空分布特征和变化趋势等。实验结果表明:基于双季节数据的VCT算法可有效提取森林干扰信息,干扰提取的总体精度达到81.33%,较传统的VCT方法提高了4.44%;研究区1989—2019年干扰面积总体呈上升趋势,干扰主要体现在城镇扩张、农业开垦和交通网建设3方面。实验结果表明了该算法的有效性,可应用于我国南方森林干扰提取研究。