顾及纹理特征贡献度的变化影像对象提取算法

遥感影像变化检测是全球变化研究的重要内容。基于两期遥感影像的变化检测方法存在数据条件要求苛刻、难以充分利用快速发展的多源遥感影像数据等问题。目前许多变化检测的参考数据中包含了一期分类矢量数据,矢量数据中往往包含了位置、形状、大小和类别属性等先验信息,充分利用这些先验信息将可提高变化检测精度。提取变化影像对象是结合矢量数据和遥感影像进行变化检测的核心步骤。本文提出了一种顾及纹理特征贡献度的变化影像对象提取方法。该方法利用矢量数据分割遥感影像,获取影像对象,计算影像对象纹理特征值。根据信息增益原理计算纹理特征参数的特征贡献度,选择特征参数。由贡献度指数大小确定纹理特征参数权重,计算影像对象与先验要素类别的相似度系数,提取变化影像对象。试验结果表明,基于纹理特征贡献度的特征参数选择,能有效地提高变化影像对象提取结果的精度。     

耕地变化智能检测系统设计与实现

随着城镇化的快速发展,大量耕地被占用为建设用地。利用遥感手段进行耕地变化检测具有宏观性和便捷性,同时现有的土地利用矢量数据能够提供先验知识信息,故研究基于基期土地利用矢量数据和新时期遥感影像数据的耕地变化自动检测方法,构建耕地变化解译知识库,通过知识驱动实现耕地变化的自动检测,具有重要的现实意义。     

一种直线特征遥感影像与GIS矢量数据匹配方法

针对飞行器的匹配制导,提出了一种基于直线特征的遥感影像与GIS矢量数据自动匹配方法.该方法首先利用遥感影像的概咯方位参数实现预处理后的GIS数据与遥感影像概略叠加;接着对GIS直线数据叠加所在的遥感影像区域开辟窗口进行边缘检测;然后利用Hough变换同步进行折线特征提取和特征匹配;在实现过程中采用了金字塔分层和新型投票方法以节省运算时间,最终实现影像特征与GIS数据的成功匹配.实验证明了该方法的有效性和稳健性.     

基于高分辨率遥感影像的城市地表信息提取研究

针对高分辨率遥感影像在城市地表信息提取中存在的若干问题,发展了一种基于影像对象最优特征组合的城市地表信息提取方法。该方法首先基于面向对象的思想,抽象出城市地表信息所对应的影像对象的各种特征,然后,基于先验知识和样本分析选择最优特征组合,建立有效的影像对象特征集,最后,采用基于知识规则的模糊逻辑分类器快速准确地检测、识别和提取城市各类地表信息。实验结果表明,该方法具有较好的分类精度,其分类结果可为土地利用变化监测和GIS数据库更新提供依据。     

结合矢量引导的高分辨率遥感影像道路自动提取

从高分辨率遥感影像中提取道路信息具有重要的现实意义。针对现有影像分类方法无法直接获取高精度道路网信息及自动化程度低的问题,本文提出了一种基于OSM(OpenStreetMap)矢量路网辅助的道路提取方法,实现了对高分辨率遥感影像道路快速精确的自动提取。首先,采用灰度形态学的腐蚀、膨胀及开闭操作对遥感影像进行预处理;然后通过OSM路网提供的先验信息,对模糊C均值算法进行改进,并将输入的遥感影像粗分为3类;接着以粗分类结果作为分类特征,通过OSM矢量路网自动获取道路样本,使用支持向量机进行精分类,并采用粒子群优化算法选取最优分类参数;最后对分类结果进行形态学后处理,得到精确的道路网信息。利用两组Google Earth影像进行试验,结果表明,本文算法在道路网提取精度上要优于对比算法。     

矢量数据辅助的高分辨率遥感影像道路自动提取

高分辨率遥感影像上细节信息繁杂、干扰物普遍存在,对其进行自动化道路识别与提取的相关研究仍处在探索阶段。在道路提取过程中引入矢量数据辅助,可解决初始信息获取的困难,得到可靠性较强的训练样本。为此,提出一种矢量数据辅助下的道路提取方法,能够筛选出矢量数据中包含的有效信息,引导实现对高分辨率遥感影像的道路自动提取。利用Mean-shift滤波对图像进行预处理后,首先从矢量数据获取候选种子点,并通过提炼同质区域的形状特征剔除错误候选点;然后,自动获取负样本点以进行朴素贝叶斯分类,并采用邻域质心投票算法从分类影像提取道路中心线;最后,结合像素跟踪与方向判断矢量化道路中心线,并提出一种基于矢量几何分析的断线连接与毛刺剔除方法,对提取结果进行信息修复与规整、优化。实验结果显示,该算法的提取质量达到80%以上,且具备较强的稳健性,能够适应具有不同道路辐射和分布特征的高分辨率遥感影像。     

OpenStreetMap辅助下的高分辨率光学影像道路损毁提取

提出了一种以高分辨率遥感影像和OpenStreetMap道路矢量数据作为数据源的道路损毁提取方法。在OpenStreetMap道路矢量数据的辅助下,利用道路在高分辨率影像上的特征,结合学习-检测的方法对损毁区域进行检测,提取疑似损毁路段,基于道路信息对损毁路段进行验证,剔除虚警。实验表明,该方法能够快速、准确地对道路损毁信息进行提取。     

基于深度学习的高分辨率遥感影像自动变化检测

我国城市化发展迅速,地表利用信息处于不断变动中,及时掌握这些变化信息十分必要.但实际作业中,变化信息获取方式仍然以高人力成本方法,如实地外业调查或者目视遥感影像判读为主,生产效率低.因此,本文提出了一种基于语义分割的深度学习变化检测方法.首先,利用编码-解码深度卷积网络,实现遥感影像地物的自动分类;然后,利用Mean-Shift方法分割前后期影像,融合其光谱、纹理和语义信息等特征,对比前后期影像的特征差异,提取出变化置信度图;最后通过EM算法分割变化与未变化类生成二值变化图,得出变化区域范围.该方法为自动化实现地物变化监测提供了有效的解决办案,实验证明,该方法相比人工以及传统分类模型具有更好的检测精度,有效降低了内外业工作量.     

遥感影像变化检测样本自动抽样

在遥感影像结合矢量数据先验信息的变化检测中,需要从分割后的影像对象中抽取一定数量、具有相同类别属性的样本,其中不可避免地抽到类别属性不一致的样本,如何剔除这些样本是抽样过程中必须解决的重点问题,在目前已有的方法中,一般是通过人工目视判别完成的。样本的自动提取是实现自动变化检测的关键环节,本文提出一种变化检测样本自动抽样方法,主要包括样本的空间布设和异常样本自动检测两个环节。该方法首先利用矢量数据提取抽样图层,用抽样图层分割遥感影像,获取影像对象。其次是根据抽样区域范围、影像对象分布特征和地形特征布设变化检测样本。然后根据样本的先验类别属性构建特征空间向量,计算样本在特征空间的局部可达密度,由局部可达密度计算样本的异常度指数,并根据特征空间密度异常指数剔除异常样本,完成变化检测样本自动提取。最后以耕地、林地和居民地为例进行了抽样试验。结果表明,邻域参数k按样本布设总数的1/5—1/3取值、异常度阈值设定为80%时,可以实现异常样本0漏检率,能够准确、高效实现变化检测样本的自动提取。     

基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

融合变化向量与Unet的变化检测方法

针对高分辨率遥感影像信息丰富,地物变化复杂,导致变化检测结果精度较低问题。提出融合变化向量分析(CVA)与深度学习的高分辨率遥感影像变化检测方法。首先,采用CVA变化检测方法提取遥感影像上变化区域、非变化区域以及不确定区域;然后,利用改进的小型U型网络模型(Unet)进行遥感影像变化检测区域提取;最后,利用影像空间信息对提取的变化区域进行后处理,以减少漏检、虚检以及“椒盐噪声”影响。实验结果表明,该方法比仅使用小型Unet网络或CVA算法可更准确地检测出遥感影像中的变化地物。     

神经网络支持下的Sentinel-2卫星影像自动云检测

为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题,提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型,自动提取高层次影像特征;再将影像特征输入分类器,实现遥感影像的像素级分类,从而分割出云覆盖矩阵;最后将云覆盖矩阵转化为云二值图,结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试,结果表明：该方法检测精度较高,速度较快,且无须辅助信息与人工干预,可用于Sentinel-2卫星影像不规则区域自动云检测。     

基于高分辨率影像的江北区土地利用变化监测

以2005年和2006年两期SPOT影像,结合06年土地利用变更调查成果,进行宁波市江北区的土地利用变化监测研究。本文重点介绍了直接影响土地利用变化信息提取精度的遥感影像几何校正和相对辐射校正方法,在对遥感影像数据处理基础上,叠加土地利用现状数据,以人机交互的方式进行土地利用变化信息的提取,通过对监测结果的分析,验证了利用高分辨率影像实现土地利用变化监测的可行性。     

“3S”技术在四川生态环境动态监测中的应用研究

为有效实现四川省生态环境的动态监测,运用RS、GIS和GPS技术,以2004年中巴资源卫星(CBERS-02)遥感影像数据为信息源,2000年TM遥感影像解译的数据为基础,对2004年遥感影像进行解译,修改2000年数据库;手持GPS接收机,在野外对解译成果进行验证,更新数据库;利用GIS技术的空间分析功能,提取出2000～2004年期间土地利用/覆被变化信息,得到2000～2004年期间四川省高精度的土地利用/覆被变化数据库。最后对四川省土地利用/覆被变化信息进行分析,对四川省生态环境的下一步研究指名了方向。     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN(region-based convolutional neural network)的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点;然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明,所提方法鲁棒性强、精度高。     

一种结合空间邻域关系特征的面向对象遥感影像 变化检测方法

为了充分挖掘遥感影像特征,提高遥感影像变化检测精度,在面向对象遥感图像分割基础上,提出一种遥感影像空间关系特征度量方法,并应用到了变化检测中。首先,通过对两个时期遥感影像叠加分割,提取影像对象;然后,利用目标对象光谱特征及对象与其邻域对象的空间关系特征,构建两个时期影像对象差异特征影像。对象光谱特征参数主要选择对象内像元亮度均值,对象空间关系特征参数主要为目标对象与两个时期的邻域对象之间的像元亮度之间的差值。最后,通过最大期望EM算法自动获取分割阈值,得到影像变化信息。文中利用两期QuikBird影像对实验区域构建多组特征变化矢量影像,实验结果发现,新加入的空间邻域关系特征能较好地提高变化检测精度。     

基于特征映射模式分析的对象级变化检测方法

根据遥感影像解译中的信息传递模型提出了一种基于特征映射模式分析的对象级变化检测方法.该方法首先通过矢量辅助数据获取影像对象,然后提取对象的光谱特征和纹理特征,再采用非监督聚类方法获得对象的特征簇;根据矢量辅助数据的类别信息,逐类分析对象多时相特征簇之间的映射关系;找出对象基准期和检测期特征簇映射模式与同类其他对象不一致的对象,将其标记为变化对象.实验结果验证了该方法的可行性与有效性,为对象级变化检测方法研究提供了一条新的技术途径.     

国产“环境一号”(HJ-1)卫星遥感影像桥梁提取研究

基于桥梁与水体的空间关系,结合卫星遥感影像数据包含的多光谱和形态学特征信息,提出一种有效提取国产“环境一号”(HJ-1)卫星遥感影像桥梁目标的方法.利用国产“环境一号”(HJ-1)卫星遥感影像数据进行桥梁目标提取试验.结果表明,该方法能快速、准确、有效地提取“环境一号”卫星影像中的桥梁目标,具有一定的应用价值.     

光学遥感影像与GIS数据一体化的水体分割、配准与提取方法

利用遥感影像进行自动化水体提取是一项富有挑战的任务。提出了一种GIS数据辅助下的可见光遥感影像水体自动提取方法,其核心是将影像分割、配准和变化检测集成为一体化处理流程检测水体。利用水体在遥感影像上的显著特性,首先提出了基于多尺度视觉注意模型的疑似水体区域检测;然后对影像显著区域进行水平集分割处理,通过迭代的分割和配准一体化处理不断优化直至获得最优的分割和配准结果,其中改进的形状曲线相似度特征用于约束分割结果与GIS水体对象的匹配;最后,利用基于缓冲区的变化检测方法获取变化和未变化的水体对象,同时利用已知水体辐射特征与GIS地物的空间位置关系剔除非水体对象。采用3组不同分辨率的遥感影像和不同尺度的GIS数据进行实验,结果显示了本文方法在水体自动提取和变化检测中的有效性。     

基于面积比分割的面状水域提取方法研究

针对目前遥感影像中面状水域提取算法的自动化程度不高的问题,本文提出了一种基于面积比分割的面状水域提取算法。首先,利用矢量数据提供的面积作为先验信息,对待提取的遥感影像进行图像分割,经过去噪、边缘检测等环节实现面状水域的初步提取;然后将初步提取的面状水域带入到主动轮廓模型中,作为初始边界对面状水域进行精确提取;最后,以天绘影像对上述算法进行验证,结果表明:该算法能够有效提取面状水域,提高现有算法的自动化程度。