基于RDN卷积神经网络的遥感影像超分辨率重建方法研究

光学遥感影像在资源、环境、灾害、交通和城市等领域有着非常重要的应用价值,但高分光学遥感影像获取成本高,在一定程度上限制了推广和普及.自基于卷积神经网络的超分辨率重建模型(SRCNN)被提出后,深度学习在图像超分辨率重建技术方面迅速应用.本文提出了基于RDN卷积神经网络的遥感影像超分重建方法,使用AID、NWPU-RES...     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获...     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

空间逐步寻优数据挖掘在遥感影像分类中的应用

在遥感地学分析模型中，由于遥感信息模糊和不确定性的特点。其特征空间中的特征分布并不完全符合特定的高斯密度分布，而是分布形状各异，相互交错，用传统模型是很难获得特征的最优分布解的，而空间逐步寻优数据挖掘方法(SOMM)是在演化寻优理论的基础上，融合知识的参数化分布函数，来逐步分离特征空间，逐步降解的获得特征树状的层次结构。结合实例，用SOMM方法对遥感影像进行分类计算，并与传统的最大似然分类方法的分类结果进行了比较。     

POI辅助下的高分辨率遥感影像城市建筑物功能分类研究

城市建筑物是城市的重要组成部分,对城市建筑物进行功能分类可以为城市功能区划分提供有利依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。仅利用目前的遥感分类技术难以对高分辨率遥感影像的城市建筑物信息进行功能分类,然而将遥感、互联网兴趣点（Point of Interest, POI）数据以及GIS技术有效地结合在一起,可以更为细致地分析城市信息,不仅实现了建筑物功能分类,而且提高了分类的准确率与可信度。本文首先选取卷积神经网络（Convolutional Neural Networks, CNN）方法对高分辨率遥感影像数据进行建筑物提取;然后,对POI数据的城市商服、公建和住宅用地进行核密度分析;最后分别统计每个建筑物3种用地的核密度平均值,并将该值设置为此建筑物的属性值,并结合POI数据的实际情况选择具有最佳功能分类精度的属性值作为阈值提取3种用地信息,从而完成不同功能的城市建筑物分类。精度评价结果表明,该方法对3种用地的提取效果良好,分类精度达到86%以上。     

矿区高分遥感影像智能提取应用研究

文章通过深入研究广西某矿区航空遥感影像,以遥感影像基元模型为基础,辅以土地利用规划、现状信息建立影像基元与地理实体对象之间的关系,构建地理实体逻辑推理组合规则,进行遥感信息地理实体分类提取,进而对分类结果进行精度对比评价,实现高分遥感影像空间信息提取的自动化、智能化处理.     

面向遥感影像分类的时延权重及群体分类PSO改进方法

粒子群优化是经典的优化算法,其适用于多种情况目标最优解的获取。本文引入时延权重系数及粒子群群体分类方法,提出了一种基础粒子群改进算法,并将该算法应用于遥感影像分类,取得了理想的数据处理结果。本文以复杂的数据模型对改进算法进行了分析,相对基础粒子群算法优势明显,可以在较少粒子群个数及迭代次数的情况下取得较高精度的目标解。改进算法大幅减少了计算的时间复杂度,能够有效降低遥感大数据处理的时间成本,在遥感领域具有较好的推广价值。     

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考.结果表明:非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取.     

基于深度学习的遥感影像地类信息获取技术现状研究

基于图像特征的地类识别技术精度低且复杂度高,难以满足土地利用动态监测的实时性要求。而基于深度学习的遥感影像地类识别技术数据处理及特征提取能力较强,能够有效提升识别精度,使地类信息获取更加智能化,因而被广泛应用于遥感影像地类处理。根据地类识别技术不同,可以分为遥感影像分割、遥感影像分类以及目标监测三种方式。每类识别技术根据训练数据是否有标注可以分为有监督学习、半监督学习以及无监督学习三种类型。通过对相关技术和文献的调研和分析,介绍各种深度学习模型的理论基础与基本结构,总结国内外基于深度学习的遥感影像地类识别方法的优缺点,并指出未来的发展方向。     

基于投影寻踪学习网络算法的植物群落高分遥感分类研究

传统的植物群落调查方法主要是野外样地调查和抽样统计,其对于地形复杂的区域难以做到对数据的全面调查;将遥感技术应用于植物群落调查,可实现数据的全面获取,以及对植物群落的快速分类。在深圳市植物群落野外样地调查的基础上,本文应用高分辨率Pléiades影像,结合光谱、地形及纹理信息,采用投影寻踪学习网络的方法,实现了深圳市东部地区植物分类。在实验中,选取人工林和次生林中典型群落样本,将投影寻踪与学习网络算法结合应用于植被分类,通过分类结果与经典监督分类方法比较表明,该算法应用于植物群落分类是可行的;并且该算法分类精度高,更新速度快,能满足深圳市重点项目基本生态控制线专项调查的要求。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

基于支持向量机的遥感图像建筑物识别与分类方法研究

摘 要:高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90％,对比随机森林算法、最近邻分类器优势非常明显。      

证据推理的遥感图像分类方法与应用

遥感图像分类一直是遥感研究领域的核心问题。然而,传统遥感分类方法在地物复杂地区不能取得满意效果。不但分类精度不够理想,分类灵活性也存在不足。本文尝试引入证据推理"软"分类方法,选择小兴安岭山区一景TM遥感图像,基于用户知识和经验,通过人机交互处理,以累计信任度(CBV)最大为划分像元归类的原则得到证据推理方法的分类图像。结果表明,整体分类精度从最大似然法的78.74%提高到82.28%,kappa系数从0.67提高到0.71。但该方法对于裸地分类精度不高,通过人为设定各类别CBV阈值的方法,获得了人为干预的证据推理方法分类图,其整体分类精度达到了87.80%,kappa系数也达到了0.81,所有类别的生产者和用户精度相比于最大似然法都有提高。研究表明,证据推理方法在遥感分类精度和分类灵活性方面都具有优越性。     

基于数学形态学和Hough变换的高分辨率遥感影像道路提取

城市交通是经济社会发展的重要推动因素和枢纽,因此道路信息的提取与更新显得尤为重要。利用遥感图像来提取道路信息已经成为近年来道路提取的主要方法,但高分辨率遥感影像的快速发展与应用,在提供丰富信息的同时使道路提取变得更加困难。针对目前基于高分辨率遥感影像提取道路存在的问题,提出一种基于数学形态学和Hough变换的道路自动化提取方法。基于Hough变换确定道路的走向,在此基础上选定线性结构元素,利用数学形态学进行道路提取。分别选择IKONOS影像和Quickbird影像验证本文提出的模型。实验结果表明,本文提出的模型能有效地提取弯曲型道路与直线型道路,取得了较好的结果。     

分形定量选择遥感影像最佳空间分辨率的方法与实验

遥感影像观测尺度是遥感信息提取研究的重要内容之一,也是遥感信息提取的焦点。以往,遥感影像尺度特征的分析大多基于地统计学,其主要体现遥感影像中的线性特征,而实质上遥感影像中既存在线性特征,又存在非线性特征。因此,在深入剖析遥感影像尺度效应及分形特征机理的基础上,本文探讨了分形理论定量选择遥感影像最佳空间分辨率（也称最佳像元观测尺度）的方法。以IKONOS全色影像的建筑用地、耕地、林地为研究对象,分别使用FBM、DBM、TPM 3种分形维数计算模型,实现了3种地物在不同空间分辨率下分形维数的计算。实验结果表明,每种地物的分形维数是随空间分辨率的增大,总体呈下降趋势,且在某些特征空间分辨率上会出现拐点。从遥感影像尺度效应分析可知,遥感影像空间格局随尺度的不同,其内部结构也不同。且随着尺度的增大,很多细节将会被忽略,影像的粗糙度也随着降低。而分形维数是目前为止描述对象自相似性和不规则度的唯一基本量化值,其直观上与物体表面的粗糙程度相吻合。因此,这些拐点对应的分形维数对地物的最佳空间分辨率的选择具有一定指示意义。通过本文研究可知,使用分形理论方法研究遥感影像最佳空间分辨率（或最佳像元观测尺度）,打破以往观测尺度方法研究范畴,从不同角度去分析遥感影像观测尺度问题对GIS研究与地学应用具有一定的理论和指导意义。     

基于大数据的遥感图像植被识别方法

〗植被泛指地球表面的植物群落,包括草地、森林、沼泽等。遥感影像具有宏观性、客观性、精确性、实时性等特点,能够真实地反映地表覆盖物的状态,清晰地展现各种地表覆盖类型的特征及分布情况。传统的基于遥感影像的植被识别采用人工作业的方式,极大地依赖于人的先验知识,且效率极低。随着遥感应用技术的快速发展,很多自动化的植被检测技术被提出。这些方法在特定范围内得到了应用,但同时也存在着一些缺陷。在采用分块原则预处理较大影像数据的基础上提出了一种基于特征融合的SVM分类算法来探讨遥感影像中的植被识别。实验表明,提出的算法具有较好的识别效果和较高的执行速度。      

卫星遥感图像空间分辨率适用性分析

从卫星遥感图像空间分辨率的定义出发,简述了影响卫星遥感图像空间分辨率的几种因素。根据各研究领域和研究层次对卫星遥感空间分辨率的不同需求,给出其相应的空间分辨率。从测绘制图的角度确定了不同比例尺地图所需要的卫星遥感图像空间分辨率大小。讨论了当前主要遥感信息源的应用范围,并结合案例对其适用性进行了分析,最后指出了卫星遥感技术目前存在的一些问题,提出了几点看法。