基于降斑各向异性扩散的SAR图像海岸线提取

受SAR图像相干斑噪声的影响,传统基于阈值的SAR图像海岸线提取方法难以迅速、精确地提取结构复杂精细的海岸线。为此,提出一种结合降斑各向异性扩散和大津法的SAR图像海岸线提取方法。首先,利用降斑各向异性扩散方法对SAR图像进行滤波,使其在尽可能滤除掉相干斑噪声的同时保持精细边缘和纹理结构;然后,以类间方差最大为准则,自适应地确定阈值,实现滤波结果图像二值化分割。在分割结果中,利用连通域标定法标定图像域,去除误分割的连通域,得到准确的海陆分割结果,以实现精确的SAR图像海岸线提取。对具有不同特点的真实大尺度SAR图像的实验结果和定量评价结果表明本文方法可以高精度地提取出光滑、连续的海岸线,相较其它方法具有更强的实用性。     

小数据集中的小型建筑物提取方法研究

遥感卫星影像一般尺寸较大,而包含有小型建筑物的区域占比较小,如果采用滑动切块扩增数据样本的方法,大部分切片中没有目标,而构建包含大量小建筑物的大型数据集费工费时。常规的方法在高分辨率卫星影像上提取小型建筑物非常困难,研究适用于小规模数据集的小型建筑物提取任务的提取方法具有重要理论意义和应用价值。本文提出了一种轻量化的全连接分割网络ZF-FCN,使用较小的感受野获取更多局部信息,使用较少的最大池化操作避免剧烈的下采样,使用Lovász-Softmax损失解决样本不平衡问题,使网络训练更稳定也更好地优化交并比。最后构建了一个主要包含小型建筑物的小规模数据集,试验在对不同切块大小进行数据增强后进行。对比试验表明,ZF-FCN在建筑物提取任务上的表现优于FCN和U-Net。     

利用影像相关分析的遥感变化检测

针对利用单一光谱特征进行影像相关分析在遥感变化检测应用中效果较差的问题,提出了一种将纹理特征与光谱特征相结合的相关系数计算模型。应用中在对多时相影像进行相同尺度棋盘分割的基础上,先计算各对应分割窗口内的相关系数,再以其中心点的坐标和相关系数值作为一个特征点,在三维空间中进行插值处理得到整个区域的相关系数空间分布图;进一步通过密度分割处理提取变化信息。本文以两期GF-1影像数据进行了变化信息提取试验,结果表明,采用组合特征相关系数的变化检测结果明显优于单一光谱相关系数的变化检测结果。组合相关系数的应用研究为利用影像相关分析方法从高分影像中提取变化信息提供了一种新的思路。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识,提取高质量特征困难的问题,将深度迁移学习技术引入到高分影像树种分类中,提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界,该方法首先利用多尺度分割技术分割整幅遥感影像,并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题,采用迁移学习方法,使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络,并利用全局平局池化压缩参数,在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器,利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像,生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区,QuickBird高分影像作为数据源,采用本文方法进行树种分类。试验结果表明,本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0,在保证树种精度的同时实现了端到端的树种分类。     

遥感影像建筑物提取的卷积神经元网络与开源数据集方法

从遥感图像中自动化地检测和提取建筑物在城市规划、人口估计、地形图制作和更新等应用中具有极为重要的意义。本文提出和展示了建筑物提取的数个研究进展。由于遥感成像机理、建筑物自身、背景环境的复杂性,传统的经验设计特征的方法一直未能实现自动化,建筑物提取成为30余年尚未解决的挑战。先进的深度学习方法带来新的机遇,但目前存在两个困境:①尚缺少高精度的建筑物数据库,而数据是深度学习必不可少的"燃料";②目前国际上的方法都采用像素级的语义分割,目标级、矢量级的提取工作亟待开展。针对于此,本文进行以下工作:①与目前同类数据集相比,建立了一套目前国际上范围最大、精度最高、涵盖多种样本形式(栅格、矢量)、多类数据源(航空、卫星)的建筑物数据库(WHU building dataset),并实现开源;②提出一种基于全卷积网络的建筑物语义分割方法,与当前国际上的最新算法相比达到了领先水平;③将建筑物提取的范围从像素级的语义分割推广至目标实例分割,实现以目标(建筑物)为对象的识别和提取。通过试验,验证了WHU数据库在国际上的领先性和本文方法的先进性。     

车载激光扫描数据中实线型交通标线提取

本文提出一种基于路面点云强度增强的车载激光点云实线型交通标线提取方法。首先通过预处理提取路面点云,获取各激光点与轨迹线的距离。然后逐段对路面进行强度增强,集合多滤波器集成的策略进行强度变换和去噪,消除距离、点密度、磨损等因素对反射强度值影响,增强路面点云和标线的强度差异。基于增强后的反射强度,采用k均值聚类和连通分支聚类等方法对标线进行分割,并利用归一化图割方法优化强度分割结果。最后利用实线型标线的语义信息和空间分布特征从分割后标线对象中识别实线型交通标线。试验采用四份不同车载激光扫描系统获取的数据用于验证本文方法有效性,实线型标线提取结果的准确率达到95.98%,召回率达到91.87%,综合评价指标F 1-Measure值达到95.55%以上。试验结果表明本文方法能够有效增强受扫描距离、路面磨损及点密度分布不均等因素影响的点云强度信息,实现不同车载激光扫描获取的复杂道路环境下实线型交通标线的提取。     

MAPPING VEGETATION COMMUNITIES INSIDE WETLANDS USING SENTINEL-2 IMAGERY IN IRELAND

Wetlands provide habitat for a wide variety of plant and animal species and contribute significantly to overall biodiversity in Ireland. Despite these known ecosystem services, the total wetland area in Ireland has reduced significantly over the past few decades leading to an ongoing need to protect such environments. The EU Habitats Directive (92/43/EEC) has recognised several wetlands types as “priority” habitats. This study concentrates on a subset of the priority habitats focussing on some groundwater dependent terrestrial ecosystems, (in particular calcareous fens and turloughs), as well as raised bogs. Monitoring these sites across the country by field visits is resource-intensive. Therefore, this study has evaluated remote sensing as a potentially cost-effective tool for monitoring the ecological health of the wetlands. Identification and presence of certain vegetation communities can indicate the condition of the wetland, which can be used for monitoring, for example, activities causing degradation or the progress of restoration attempts. The ecological composition of the wetlands has been analysed using open-source Sentinel-2 data. 10 bands of Sentinel-2 Level-2 data and 3 indices, Normalised Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI) and Normalised Difference Water Index (NDWI) were used to create vegetation maps of each wetland using Bagged Tree (BT) ensemble classifier and graph cut segmentation also known as MAP (maximum a posteriori) estimation. The proposed methodology has been validated on five raised bogs, five turloughs, and three fens at different times during 2017 and 2018 from which three case studies are presented. An overall classification accuracy up to 87% depending on the size of the vegetation community within each wetland has been achieved which suggests that the proposed method is appropriate for wetland health monitoring.     

一种深度卷积神经网络土地利用场景照片的分类方法

国土调查多角度实景举证照片具有视角多、分辨率高、层次丰富和剖面清晰的特点,透视且细致地刻画了土地利用图斑赋存状况和场景,弥补了遥感影像单一天顶视角的不足。本文基于语义分割提出了一种深度卷积神经网络（DCNN）实景照片土地利用场景分类方法,多语义标记照片场景,语义组合智能判定照片土地利用类别。该方法成功地应用在第三次国土调查照片自动核查工作中,减轻了人工判读工作量,提高了土地利用场景自动识别的精度。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体,是开展土地科学相关研究的重要基础,在遥感大数据背景下,准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件,采用面向对象的多尺度分割法,综合考虑地物在遥感影像上的光谱、形状和纹理特征,建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取,并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%,Kappa系数为0.96,分类精度较高;②基于10 m分辨率影像,综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果,道路提取Kappa系数为0.84;③分类结果在面积和空间分布上都优于FROM-GLC10数据,与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征,分类精度高,对于处理高分辨率遥感数据具有很好的优势。