结合目标分割的高光谱城市地物分类

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先,对Hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正后,得到研究所用的155个波段;其次,利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率,进行Hyperion影像降维,生成降维后所需的21个宽波段;然后,对IKONOS影像采用小波融合,利用多分辨率分割技术生成高空间分辨率影像目标对象;最后,基于层次分析法对分割后生成的目标对象进行分类,采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类,再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段,完成第2层次分类。分类结果表明,研究区共分出9种地物类型,分类效果明显优于最大似然法分类与光谱角填图法。     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

近年来,基于深度学习的超分辨率重建技术已经广泛应用于多时相高光谱影像、高分影像超分辨率重建等领域。多角度遥感影像之间具有丰富的互补信息,可用于超分辨率重建。针对高分辨率多角度遥感影像提出了一种基于动态上采样滤波网络的超分辨率重建方法。该方法的网络结构为端到端双路网络,其中一个分支网络通过动态上采样滤波模块来实现分辨率提升,另一个分支网络用来学习影像中的高频信息,将两个分支网络输出的结果相加即可得到最终的超分辨率重建影像。为了验证该方法的有效性,利用WorldView-2美国亚特兰大地区和巴西里约热内卢地区多角度遥感影像数据分别进行了2倍、3倍、4倍超分辨率重建模拟实验和真实实验,并进行了多组对比实验。实验结果表明,所提方法可以在顾及多角度影像角度维信息的同时有效提升目标影像空间分辨率,并且较好地保持了影像的细节信息。     

利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建

近年来,基于深度学习的超分辨率重建技术已经广泛应用于多时相高光谱影像、高分影像超分辨率重建等领域。多角度遥感影像之间具有丰富的互补信息,可用于超分辨率重建。针对高分辨率多角度遥感影像提出了一种基于动态上采样滤波网络的超分辨率重建方法。该方法的网络结构为端到端双路网络,其中一个分支网络通过动态上采样滤波模块来实现分辨率提升,另一个分支网络用来学习影像中的高频信息,将两个分支网络输出的结果相加即可得到最终的超分辨率重建影像。为了验证该方法的有效性,利用WorldView-2美国亚特兰大地区和巴西里约热内卢地区多角度遥感影像数据分别进行了2倍、3倍、4倍超分辨率重建模拟实验和真实实验,并进行了多组对比实验。实验结果表明,所提方法可以在顾及多角度影像角度维信息的同时有效提升目标影像空间分辨率,并且较好地保持了影像的细节信息。     

全景深度图像精度分析及优化方法研究

针对三维激光点云数据生成360°全景深度图像存在像素分辨率不均匀的问题,提出一种顾及目标量测精度及可见度的全景深度图像生成方法,在保证全景影像表达地物的完整性的前提下提高其数据的存取精度。通过坐标转换和投影变换生成与全景影像匹配的全景深度图像;基于摄影成像原理分析摄影中心高度、深度值和像素分辨率之间的关系,得到不同深度处目标分辨率随摄影中心升高趋于一致的结论;综合分析地面目标分辨率和杆状目标尤其是树冠对树干的遮挡问题,确定特定场景下生成全景深度图像的最佳摄影中心位置并重新生成深度图像。实验分析表明,该方法能够在保证杆目标可见度的前提下提高地面目标量测精度。     

地图比例尺与遥感影像分辨率的关系探讨

探讨地图比例尺与遥感影像分辨率的关系,为特定比例尺制图选择适宜分辨率的遥感影像在遥感影像制图中极为重要。本文分析了人眼分辨率和比例尺精度、地图比例尺和影像分辨率之间的关系,以30 m分辨率的landsat5遥感影像、2.1 m分辨率的ZY-3遥感影像及0.5 m分辨率的Word View-2遥感影像进行实验,探讨了不同人眼分辨率下的遥感影像成图质量。得到了1∶M比例尺制图时的遥感影像分辨率的选择范围为(1×10~(-4)M,5×10~(-4)M),最佳遥感影像分辨率为2.5×10~(-4)M的结论,并用已有应用实例对其可靠性进行了检验,进而为我国基本比例尺制图遥感影像的选择提供了依据。     

基于时刻独立脉冲耦合神经网络的高空间分辨率摇感影像分割

高空间分辨率遥感影像中地物目标内部光谱信息复杂性的增强,使得传统基于光谱特征值的数据处理方法效果不再显著,影像分割为解决这一问题提供了一种思路,成为当前高空间分辨率遥感影像处理的研究焦点.时刻独立脉冲耦合神经网络具有状态相近、空间相邻神经元相互耦合同步脉冲激发和区域之间神经元脉冲激发时刻独立两大特点,已被应用于非遥感影像分割中,并取得较好效果.本文结合高空间分辨率遥感影像特点,通过对网络参数进行实验和分析,提出一个基于时刻独立脉冲耦合神经网络的高空间分辨率遥感影像分割方法,并利用空间分辨率0.3m的航空影像进行了数据试验,将分割结果进行讨论并与现有时刻独立脉冲耦合神经网络方法和ISODATA方法分割结果进行对比分析.结果表明:时刻独立脉冲耦合神经网络在高空间分辨率遥感影像分割处理中具有很好的应用前景.     

多源遥感影像误匹配点剔除的粗糙模糊C-均值方法

简要概述了遥感影像匹配中,误匹配点剔除的常用方法.对SIFT特征描述子生成及其匹配、粗糙模糊C-均值方法聚类分析的原理方法进行了详细论述.针对SIFT方法匹配出的大量点对,将不同时相,不同传感器、不同分辨率影像广义划分为同分辨率和不同分辨率.基于同分辨率影像匹配点对问连线具有相同的距离及斜率、不同分辨率影像匹配点对间连线的延长线交于一点的几何约束条件,利用粗糙模糊C-均值模型聚类分析方法对点对快速剔除误匹配点后,对剔除的结果利用最小二乘方法进行精匹配,结果达到亚像素.最后,通过对不同时相、不同分辨率、不同传感器的多源遥感影像实验分析验证了该方法的适用性、可靠性及精确性.     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

基于Gabor纹理描述的遥感影像分割

本文引入了在不同影像层次上的Gabor纹理特征,采用分裂-合并加智能像素精致的方法,实现遥感影像的非监督分割。实验结果表明采用Gabor滤波器为基础的多分辨率分析来描述高分辨率遥感影像的纹理特征,可以明显地描述影像的高、低频特征,并且基于Gabor纹理特征进行遥感影像的分割是有效的;将本文方法的分割结果与经典的eCognition分割结果进行了对比试验,表明本文方法的分割结果较好。     

小波变换及其在影像表示中的应用和其方向选择性算法的改进

小波理论是研究多分辨率信号处理的理论,目前被公认为有前途的新理论。金字塔结构的影像处理、影像理解,现代GIS处理多比例尺的要求以及地形、场论中的逼近均需有关这一理论的支持。本文利用小波变换分解原始影像以实现影像的小波表示,并发展为任意方向的小波变换、逆变换,利用它检测航片中建筑物及其阴影的公共边缘。这种表示方式可为某些影像特征或识别目标提供较为经济的分辨率,该表示方式使影像中具有一定层次的结构更易于发现和利用。实验结果证明了此方法是有效的。     

Using Ontologies for Integrated Geographic Information Systems

Today, there is a huge amount of data gathered about the Earth, not only from new spatial information systems, but also from new and more sophisticated data collection technologies. This scenario leads to a number of interesting research challenges, such as how to integrate geographic information of different kinds. The basic motivation of this paper is to introduce a GIS architecture that can enable geographic information integration in a seamless and flexible way based on its semantic value and regardless of its representation. The proposed solution is an ontology-driven geographic information system that acts as a system integrator. In this system, an ontology is a component, such as the database, cooperating to fulfill the system's objectives. By browsing through ontologies the users can be provided with information about the embedded knowledge of the system. Special emphasis is given to the case of remote sensing systems and geographic information systems. The levels of ontologies can be used to guide processes for the extraction of more general or more detailed information. The use of multiple ontologies allows the extraction of information in different stages of classification. The semantic integration of aerial images and GIS is a crucial step towards better geospatial modeling.     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于深度学习的新增建设用地信息提取试验研究: 全国土地利用遥感监测工程创新探索

目前基于遥感图像的城市功能区分类方法通常采用光谱特征解译、兴趣点数据辅助、评价策略优化等方式,依赖大量人工操作,并借助遥感图像外的其他信息源。为了解决以上问题,提出利用卷积神经网络进行滑窗识别,提取图像语义标签,结合语义推理机制实现城市功能区分类的滑窗-推理方法。首先,建立两级城市功能区分类,以二级城市功能区为标识标注训练样本,并以此训练卷积神经网络作为识别器;然后,设计有重叠的滑窗识别模式,使用识别器辨识滑窗区域内图像块的二级城市功能区类型;最后,提出一个带权重的打分机制,作为语义推理方式,语义推理对象为全部识别结果,确定各图像块的一级城市功能区类型,实现遥感图像城市功能区分类。实验使用模拟图像和高分辨率遥感图像,两种图像的总分类精度分别可达94.50%、92.04%。滑窗-推理方法旨在通过语义推理处理滑窗识别产生的多语义标签,根据多语义标签确定对象的真实城市功能区。实验结果表明,所提方法无需辅助信息,直接利用遥感图像进行城市功能区分类是可行和有效的。     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

一种结合地理知识的遥感影像目标实体关联方法北大核心CSCD

遥感影像目标识别技术已广泛应用于目标动态监测与定位等领域。但影像目标识别的结果缺乏与目标属性信息的链接,导致分析人员只能依据影像特征进行分析,难以进行更复杂的目标数据关联分析与挖掘。针对遥感影像目标识别语义属性信息缺失的问题,本文利用知识图谱相关技术将影像判别的目标信息与知识语义网链接。首先,提出了一种遥感影像目标知识图谱构建框架;其次,针对遥感影像目标不同的数据类型,构建遥感影像目标知识抽取模型,提出了基于相似度目标实体识别和预定义模式的关系抽取方法;然后,基于多特征Logistic模型的影像目标实体链接方法,实现了遥感影像目标实体与百科知识库的知识关联;最后,针对预定试验区域进行试验,验证了本文方法的可行性。     

利用QuickBird影像的阴影提取建筑物高度

高度信息作为建筑物的重要属性信息,在军事和民用上都具有很高的利用价值。本文中提出了一种新的建筑物高度信息提取方法——基于分类的建筑物高度信息提取。此方法可以分为三个步骤:第一,利用面向对象分类方法进行建筑物屋顶和阴影的信息提取;第二,屋顶和阴影的优化;第三,建筑物高度信息提取。通过实验证明了这种方法在建筑物高度信息提取中的潜力。     

一种基于结构特征匹配的道路标识线分类方法

针对道路高精度地图采集中道路标识线快速分类提取问题,提出了一种根据几何结构特征对道路标识线进行自动匹配提取的方法.首先利用点云生成强度特征图像,并根据点云密度分布特征将强度特征图像划分为多个区域;然后对每个区域进行二值化处理;最后考虑路面标识线缺失情况,设计了一种多约束条件的几何特征语义识别模型,实现了不同标识线类型的...     

特征提取策略对高分辨率遥感图像场景分类性能影响的评估

高分辨率遥感图像场景分类方法主要涉及两个环节:特征提取以及特征分类,分类器的设计已经相对成熟,当前工作的重点是特征提取策略的研究。为了进一步推动特征提取策略的研究,将特征提取策略对高分辨率遥感图像场景分类性能的影响进行了定性和定量评估。首先,回顾了高分辨率遥感图像场景分类的发展历程;然后,对现有高分辨率遥感图像场景分类方法的特征提取策略进行分类总结,并从理论上将各类特征提取策略对场景分类性能的影响进行定性评估;最后,在3个规模较大的数据集上对多种特征提取策略进行实验对比,将不同特征提取策略对场景分类性能的影响和各数据集的复杂度进行定量评估。     

利用多元LBP特征自动提取城市道路边界

车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑.为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP3种改进算子;构建多元LBP特征语义识别模型...     

基于GMRF-SVM的高分辨率遥感影像目标区域划分方法

高分辨率遥感影像数据量大、细节丰富并呈现出一定的尺度依赖性,单一尺度遥感影像分割难以同时兼顾影像的宏观和微观特征,这成为制约遥感信息自动化提取技术发展的瓶颈之一。对此本文提出了基于特征的多尺度高分辨率遥感信息提取技术框架,并分析了其对于大尺度海量数据信息提取与目标识别工作具有的理论及实践意义。根据影像光谱或纹理等特征,提出采用GMRF-SVM方法在大尺度上进行分类的目标区域划分方法。从大尺度信息提取的角度来看,该方法综合了GMRF纹理分类和SVM少量样本模式识别的优势,便于先验知识的融合,无论从花费时间还是分类处理效果上,都远远优于直接采用GMRF进行分割所取得的效果,对于后面的信息提取和目标识别来说更具有实际意义。