基于孪生神经网络的土地利用现状年度变化检测

近年来,利用多期高分遥感影像,构建土地利用现状年度变化检测模型,并以此为基础支持土地利用现状年度变化检测的智能化发展,正是当前研究的难点所在。本文探讨了构建土地利用现状年度变化检测模型存在的问题。通过对土地资数据进行预处理,构建基于孪生神经网络的变化检测模型,以及对模型输出结果进行GIS优化获取目标区域的变化图斑,实现针对土地利用现状变化区域的快速提取。试验结果表明,该方法可快速发现不同时期影像中土地利用现状的变化位置,有效提升了土地利用现状年度变化检测的智能化水平,可服务于日常土地利用现状年度变更检查工作。     

遥感影像变化图斑智能化提取平台研发与应用

遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。     

结合均值漂移分割与聚类分析的遥感影像变化检测

针对传统遥感影像变化检测方法对前后期影像数据质量要求高、适应范围窄、检测精度较低等问题,本文在引入异常点检测思想的基础上,提出了一种结合均值漂移分割与聚类分析的遥感影像变化检测方法。首先将前期地理国情矢量数据与待监测的遥感影像进行地理配准;然后在地理国情矢量数据的基础上对遥感影像作均值漂移算法二次细分割,获得的矢量图斑继承了原有父级类属性,并对同一父级类的影像图斑进行光谱、空间、纹理、指数等特征提取;最后采用高斯混合模型与最大期望值算法聚类获得多个类别,在父级类下找出异常类别的图斑。通过试验对比分析,表明了本文方法的有效性和可靠性,为遥感影像变化检测提供了新思路。     

融合流程优化思维的遥感影像变化检测自动化研究

目前土地卫片执法中对影像变化图斑的提取主要依靠作业人员对两时相高分辨率卫星遥感影像的目视解译,以确定土地利用变化发生的空间位置。图斑的正确与否完全依靠解译人员的目视判读经验,容易产生错误。通用的检测流程针对特定遥感影像数据可以得到较好的检测结果,但是面对大面积、特征多样、分辨率较高的城市遥感影像时,应用效果可能不佳。融合流程优化思维,整合现有成熟的遥感影像变化检测相关技术,利用数字城市建设中积累的大量高精度GIS数据,并结合地物形状特征指数和检测人员的作业经验,进行变化检测自动化研究,包括人机交互检测和批量自动检测两个主要流程,并应用于深圳市土地卫片执法中的土地利用变化图斑提取环节,可提高其自动化程度,有效降低时间和人力成本,及时发现并阻止土地违法利用行为。     

一种基于矢量数据的遥感影像变化检测方法

为克服多时相遥感影像变化检测因成像季节、拍摄角度等因素产生的误差,针对影像变化通常少于未变化的情况,提出了一种利用旧时相矢量图与新时相影像进行变化检测的方法.利用旧时相带有类别信息的矢量约束,对新时相遥感影像进行细分割获得图斑,对图斑提取光谱、纹理等特征,通过主成分变换构建特征集,在类别的约束下,应用孤立森林计算图斑的...     

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。     

基于多源数据的土地利用变化检测

年度土地利用变更调查是保证我国土地利用数据具有现势性的重要工作。目前的土地利用变化信息获取还是以人工目视解译遥感影像为主,效率较低。针对此问题提出一种基于多源数据的土地利用变化检测方法。利用前一时相土地利用矢量数据自动获取后一时相影像分类的训练样本并精化,实现全自动的影像分类,进而将分类结果与前一时相土地利用矢量数据对比得到全自动的变化检测结果;然后对前后时相影像利用多元变化检测(multivariate alteration detection,MAD)变换法剔除伪变化区域,在自动变化检测基础上提取变化图斑。选取黑龙江省杜尔伯特蒙古族自治县与湖南省长沙县为研究区验证方法的可靠性,研究证明本文方法相比于现有方法作业速度可以提高一倍以上,且更不易于遗漏真实变化区域。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

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。     

单一时相遥感数据土地利用与覆盖变化自动检测方法

针对基期(用于该研究的前一时期数据)T1仅拥有土地利用和覆盖图件(矢量格式)而另一期T2拥有遥感数据的情况,构建了基于知识引导的土地利用和覆盖变化自动检测技术与方法。T1时期土地利用与覆盖与T2期遥感数据在配准叠加情况下,以T1完整的土地利用与覆盖类型图斑为单元构建土地各类别遥感数据知识库,然后以图斑单元或以像素为单位计算遥感影像特征统计量,通过与知识库相关数据的比较与匹配自动检测出变化并识别出相应的土地利用与覆盖类别。文章最后通过试验验证了该方法的有效性。     

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。     

基于遥感影像的土地利用变化检测

随着遥感科学技术的发展、各种遥感数据的累加以及遥感变化检测研究的深入,基于遥感影像的土地利用变化检测手段也日新月异。本文主要阐述利用不同的遥感影像处理方法对不同影像之间的土地利用变化进行检测,同时利用影像融合对比法、影像差值法、主成分分析法(PCA法),以及影像分类法等遥感影像处理方法,对同一地区前后不同时相的土地利用变化检测效果进行精度对比,并总结出不同检测方法在不同条件下的检测效果。     

遥感影像CVA变化检测的CUDA并行算法设计

随着遥感影像数据量以及复杂程度的日益增加,遥感图像的快速处理成为实际应用过程中亟需解决的问题。为了实现遥感影像的实时变化检测,针对基于变化矢量分析CVA的变化检测算法,设计了一种基于统一计算设备构架CUDA的并行处理模型。首先利用地理空间数据提取库GDAL实现大数据量遥感影像的分块读取、操作和保存;其次将基于变化矢量分析的变化检测过程分为变化强度检测、映射表构建和变化方向检测,并借助CUDA C将变化矢量分析算法的3个步骤嵌入到CPU和GPU组成的异构平台上进行实验;最后利用该模型对不同数据量的遥感影像进行CVA变化检测并作对比分析。实验结果表明:与CPU串行相比,基于GPU/CUDA的遥感影像CVA的变化检测速度提高了10倍左右;在一定程度上,达到了实时变化检测的效果。     

MtSCCD：面向深度学习的土地利用场景分类与变化检测数据集

利用遥感影像识别土地利用类型及监测其变化情况在城市规划和土地利用优化等领域发挥着重要作用。当前,相关数据集存在样本量少、类别划分不合理、数据不开源等局限,难以满足样本驱动的深度学习遥感信息提取范式的需求。本文构建了一个面向深度学习的大规模场景分类与变化检测数据集MtSCCD (Multi-temporal Scene Classification and Change Detection)。该数据集包括MtSCCD＿LUSC (MtSCCD Land Use Scene Classification)和MtSCCD＿LUCD (MtSCCD Land Use Change Detection)两个子数据集,分别用于土地利用场景分类与变化检测任务。该数据集具有以下特点：（1） MtSCCD是目前规模最大的公开的土地利用类型识别与检测数据集,包含10种土地利用类型共65548幅图像,并且样本覆盖中国5个城市的中心区域;（2）由于MtSCCD数据集根据城市划分训练集、验证集以及测试集,对于新增的城市土地利用数据,可以根据需求划分为训练集与验证集或测试集,因此可扩展性较高;（3） MtSCCD...     

融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。     

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.     

领域知识优化深度置信网络的遥感变化检测

为提高高分辨率遥感影像变化检测精度,提出一种以领域知识为优化策略的深度学习变化检测方法。利用改进的变化矢量分析和灰度共生矩阵算法获取影像的光谱和纹理变化,设定合理阈值获得变化区域待选样本;引入领域知识中图斑形状特征指数与光谱知识,筛选得到高质量的训练样本;构建并训练了深度置信网络模型,使用优化策略对深度学习变化检测结果进行优化,以减少“椒盐”噪声和伪变化区对检测精度的影响。通过高分二号与IKONOS影像的变化检测实验表明,该方法较优化前准确率与召回率最大增幅分别为7.58%和14.69%（高分二号）、17.08%和23.87%（IKONOS）,虚警率和漏检率最大降幅为30.22%和23.30%（高分二号）、17.08%和23.87%（IKONOS）,能够有效提高变化检测精度。     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

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。     

基于图斑的高分辨率遥感影像变化检测

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,传统基于像元的变化检测方法在高分辨率遥感变化检测中显示出不足。研究一种基于图斑的多时相高分辨率影像变化检测方法,以光谱特征为依据,对影像进行分割,然后以图斑为基本分析单元进行变化检测研究。引入概率统计学中的t检验方法,并与相关系数法相结合,采用区域内的光谱、纹理特征进行变化检测。选取城市区域的高分辨率影像进行试验,结果表明该方法可以很好地实现高分辨率影像的变化检测,具有一定的理论研究和实际应用价值。