高分辨率遥感影像道路提取方法综述

从高分辨率遥感影像的特点出发介绍了道路在高分辨率遥感影像上所具有的特征,介绍了道路提取的基本方法和研究现状,对现有几种代表性的道路提取方法进行了详细地分析,并对高分辨率遥感影像上道路提取的研究前景进行了展望.     

西北旱区遥感影像分类的支持向量机法

针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。     

多尺度高分辨率遥感影像道路提取技术研究

高分辨率遥感影像可以真实的反映各种地物信息,其空间分辨率一般可达到米级对促进道路建设发展具有十分重要的意义。本文结合高分辨率遥感影像的特点,融入多尺度技术,利用边缘特征检测的方法进行道路提取技术。实验结果表明,该方法能够有效地消除高分辨率遥感影像城市道路路面噪声的影响,大大提高了图像质量。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

基于机载LiDAR和高分辨率遥感影像的道路中心线提取

利用配准的LiDAR数据生成DSM深度影像并提取建筑物轮廓,同时对QuickBird多光谱影像采用监督分类法提取植被区域。在此基础上,将建筑物和植被剔除,剩余部分利用形态学算子对道路进行修饰和完善,提取道路中心线。实验表明,基于机载LiDAR和高分辨率遥感影像的道路中心线提取方法,比单一利用遥感影像有更好的效果。     

基于支持向量机的遥感影像分类比较研究

支持向量机是建立在统计学习理论基础上的一种新的人工智能算法,较好地克服了传统分类方法中存在的小样本、非线性、过学习、高维数、局部极小点等问题,是一种极具潜力的遥感影像分类算法。本研究采用Landsat-5的TM影像,用支持向量分类法对影像进行分类,分析了支持向量机不同参数组合情况下的分类精度,并对支持向量分类法与传统分类方法进行了比较,发现支持向量分类算法具有参数选择范围宽,不要求对待分类区域地物光谱特征和影像分布特征具有先验知识,分类精度高等特点,对于在没有现场同步实测数据的区域进行精确的分类具有特别重要的价值。     

改进支持向量机算法无人机影像信息精确提取

支持向量机(SVM)算法作为一种成功应用于大多数遥感影像的分类方法,虽然具有较高的提取精度,但是针对分类中仅仅采用单一参数,严重依赖于参数选择的不足,该文基于AdaBoost算法提出一种改进的SVM分类方法。该方法采用选择径向基函数作为核函数的SVM算法作为AdaBoost的弱分类器,实现了核参数的自适应调整。实验结果证明,该方法可以达到精确提取无人机影像信息的目的。     

基于T型模板的遥感影像道路提取方法

高分辨率遥感影像具有数据量大、波段少、地物细节纹理信息更加清晰、空间信息更加丰富等特点,因此基于高分辨率遥感影像的道路提取方法研究是当前一个研究热点.但高分辨率遥感影像提供了更丰富的地物目标细节的同时,也使得噪声信息随之增加,如道路上的车辆、道路线、邻近的行树及阴影、建筑物及阴影等,并且在光谱通道上道路与噪声之间存在更...     

基于支持向量机的遥感影像辐射质量评价方法

当代摄影测量与遥感技术的迅速发展,已经步入大数据时代,如何对获得的海量数字影像的辐射质量进行评价是一个值得重视的问题。本文从信息量、清晰度、灰度分布3个方面选择了10个评价指标作为影像特征,利用支持向量机监督学习的方法对以资源三号为例的遥感影像的辐射质量进行评价及结果分析。试验结果表明,本文方法得到的评价结果与人工评价结果较为一致,准确度较高,并且自动化程度高,可应用于遥感影像的辐射质量评价。     

高分辨率遥感影像提取道路的方法综述与思考

 介绍了高分辨率遥感影像上道路的特征、模型和道路提取的基本思想，对已有的道路提取方法进行了分析，并对道路提取问题进行思考，提出下一步的研究方向。     

结合笔画宽度变换与均值漂移的遥感影像道路提取

针对在高分辨率遥感影像进行道路提取时,笔画宽度变换算法受周围地物的影响较大,无法直接获取高精度道路信息的问题,提出一种结合笔画宽度变换与均值漂移的道路提取方法:首先,利用均值漂移算法对遥感影像进行分割,以减少笔画宽度变换的错提取现象;其次,运用笔画宽度变换将不同类别的像素分为道路类和非道路类;最后,为进一步提高道路提取精度,减小斑点和非道路区域干扰,采用数学形态学方法进行提取后处理。实验结果表明:该方法可以从遥感影像中准确完整地提取出道路信息,且比直接使用笔画宽度变换算法和均值漂移算法的提取精度更高。     

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。     

基于HRNet的高分辨率遥感影像建筑物变化信息提取

建筑物图斑变化检测是遥感影像信息提取的重要内容之一,对于土地调查、自然资源常态化监测、土地执法监测等具有重要意义。岭南地区建设结构复杂,高分辨率遥感影像信息丰富,包含建筑结构细节多种多样,加上成像的季节不同、时间不同等因素导致建筑物变化信息的自动提取十分困难。针对此问题,本文提出了基于HRNet的语义分割模型,通过筛选保留高分辨率的特征层,从而保留更细节的图像信息。此外,结合图像分割二值化对结果进行优化,在一定程度上提高了高分辨率遥感影像建筑物变化自动检测的能力。     

多核多类关联向量机的高分辨率影像目标检测

从高分辨率遥感图像数据中准确检测多类目标的任务对于检测速度和模型训练时间提出了较高的要求.文章提出了一种MKL_mRVM方法:该方法采用基于快速边缘似然最大算法直接计算mRVM分类器的决策函数,避免了传统RVM重复计算目标函数Hessian矩阵的过程,并且因为不需要构造一系列两类分类器,缩短了多类模型的训练时间;同时,将多个基础核引入多类模型,训练过程中采用交叉验证方法确定基础核权重,在随机分出的确认集上检验分类器的精度,选取使得分类模型精度最高的值作为权重的优化结果.实验结果表明,该方法能够在保持解的稀疏性的前提下,有效地缩短模型训练时间.     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法.首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核...     

面向对象的高分辨率遥感影像土地覆盖信息提取

利用高分辨率影象提取土地覆盖信息的关键技术在于如何利用丰富的纹理信息来弥补光谱信息的不足。面向对象的图像分类技术改变了传统的面向像素的分类技术:(1)用来解译图像的信息并不在单个像元中,而是在图像对象和其相互关系中;采用多分辨率对象分割方法生成图像对象,提高了分类信息的信噪比;基于对象的分类技术不同于纯粹的光谱信息分类,图像对象还包含了许多的可用于分类的一些其他特征:形状、纹理、相互关系、上下关系等信息。面向对象的土地覆盖分类结果与传统分类方法相比,其特征提取算子更加地适合于几何信息和结构信息丰富的高分辨率图像的自动识别分类。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

基于MKSVM和MRF的高光谱影像分类方法

为充分利用高光谱遥感影像中丰富的光谱和空间信息,提出了一种基于多核支持向量机(multiple kernel support vector machine,MKSVM)和马尔科夫随机场(markov random field,MRF)的影像分类方法。该方法首先利用MKSVM分类器对影像进行分类处理,再利用MRF对初始分类结果进行空间结构规则化,得到最终分类结果。通过对AVIRIS高光谱影像的分类实验表明,该方法有效地消除了分类结果中同质区域内的"噪声",分类精度提高了3%左右。