低空摄影测量立体影像匹配的现状与展望

影像匹配是在两幅或多幅具有重叠度的影像中通过特定的算法提取影像间同名点的过程,是低空摄影测量数据处理中最为关键的步骤,匹配质量与效率直接影响到后续数据处理的成功与否,关系到测绘产品生成质量。本文系统阐述了低空摄影测量影像匹配的研究现状与展望。对影像匹配的分类进行总结和归纳,大体上,影像匹配可划分为两大类,即基于灰度和基于特征的匹配。重点针对基于特征的影像匹配,从点、线、面等特征提取算法及特征描述符和相似性测度与策略等方面进行了详细阐述。此外,列举最新的基于深度学习的影像匹配算法,对低空平台搭载的多样化传感器数据融合可能涉及的影像匹配方法进行了展望。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

利用深度学习模型进行城市内涝影响分析

城市内涝是当前典型的一类城市自然灾害,影响着居民的生活质量。以城市内涝点作为研究对象,综合考虑内涝对城市居民工作和生活等方面造成的影响,筛选出与影响程度相关的21类空间数据。同时,基于深度学习原理构建栈式自编码神经网络模型,结合层次分析法获取的内涝点影响程度标签,剖析21类空间数据与内涝点对居民工作生活影响程度的关系,实现城市内涝对居民工作和生活影响的定量分析。实验表明,栈式自编码神经网络模型能准确地描述内涝点周围的系列空间数据与内涝影响程度之间的关系,可有效预测潜在内涝点对居民工作和生活的影响程度大小,可用于城市防洪排涝方案的制定和排水管网的优化设计。     

利用拟构模型面调控水深模型点选取的航海DDM构建

针对传统方法难以确保所建模型的深度保证率满足航海安全要求的问题,提出了一种利用拟构模型面调控水深模型点选取的航海数字水深模型（digital depth model,DDM）构建方法。定义了已选、待选、拟选水深点以及拟构模型面的概念,并利用待选水深点来定量评估模型面的深度保证率与表达度,实现了水深自动选取过程中的DDM质量动态监控。在此基础上,通过构造水深选取中的质量评估综合算子,利用该算子来定量调控水深点的选取,确保所构DDM的深度保证率能达到规定指标要求。实验结果表明:（1）与传统方法相比,所提方法能确保所建模型的保证率满足航海安全要求;（2）对于深度保证率均能满足航海安全要求的水深点,所提方法较传统方法能从一定程度上提高模型在此处的表达度。     

基于压缩感知法对法拉第色散函数的重构

观测到的偏振量与法拉第色散函数之间是傅里叶变换对,而法拉第色散函数反映了辐射区域和辐射传播途径的磁场结构。如何通过这一关系精确重构出法拉第色散函数对于研究银河系及河外星系磁场具有重要的作用。目前已提出了基于压缩感知的法拉第色散函数重构方法,模拟结果要优于传统方法,然而是否具有实用性仍然未知。主要探究该方法应用于实际观测频率范围时是否依然可行,并进行了大样本统计学实验。结果表明:重构结果受多种因素的影响,具有很大的随机性,对重构结果在峰值附近再次进行最小二乘拟合后,重构的法拉第深度更接近真实值。     

深度卷积神经网络支持下的遥感影像飞机检测

针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法.首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验.结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%.     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.     

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFB Net模型。算法在RFB Net模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFB Net模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。