一种高分辨率遥感影像道路提取方法

针对空间异质性导致的道路几何纹理特征突出性下降问题, 提出一种高分辨率遥感影像道路提取方法. 首先设定跟踪模型, 依据人工输入点, 自适应提取道路中心点和道路宽度, 设计迭代内插、双向迭代两种跟踪方式以及矩形跟踪模板; 然后提出多描述子道路匹配模型, 针对道路几何纹理特征突出性不足问题, 基于道路区域地物边缘与道路方向一致的语义关系, 通过线段峰值约束的思想, 提出一种多尺度线段方向直方图(Multi-scale line segment orientation histogram, MSLSOH)描述子, 以此对跟踪方向进行预测; 针对道路几何纹理特征均质性下降问题, 从道路区域与道路非道路混合区域纹理差异性出发, 组合三角形构成扇形描述子, 突出道路影像纹理特征, 以此不仅可对预测跟踪点进行验证, 而且也可在结构信息缺失的情况下对道路进行跟踪; 最后选取不同类型、不同分辨率、不同场景的高分辨率遥感影像, 通过与其他方法的实验对比, 表明该方法能够解决道路提取过程中几何纹理特征突出性下降问题, 具有准确率高和自动化程度高的优势.     

基于深度学习的高分辨率卫星遥感影像围填海检测识别

基于高分辨率卫星遥感影像自动、准确提取围填海土地利用现状,是实现围填海集约使用的重要技术手段。针对高分辨率卫星遥感影像地物特征复杂,依赖人工提取特征的传统方法较难满足业务部门实际需求的问题,提出了基于深度学习的围填海检测识别技术框架,该框架使用U-Net网络的多约束变体结构,并针对高分辨率遥感影像地物特征复杂导致地物分类不一致的问题,引入全连接条件随机场和图像腐蚀运算对分割结果进行后处理。以天津市滨海新区2016年和2020年高分辨卫星遥感影像为数据源进行了验证,实验表明围填海地物分割整体准确率、F1-score、Kappa系数以及mIoU分别达到96.73%、92.87%、90.28%、86.82%。在此基础上,分析提取了该围填海区域土地利用动态变化特征,为围填海集约使用管理提供了有效技术支撑。     

不同分辨率对遥感影像中识别人造地物的影响

高分辨率卫星影像的出现为提取特定目标的空间结构信息提供了物质基础,通过分析一组不同分辨率的同一地区的模拟遥感影像,讨论了不同分辨率对遥感影像中识别人造地物的影响,并从定性定量两个方面解释了影响产生的原因,为从遥感影像中识别特定地物提供了参考分辨率,同时也为以识别人造地物为目标的遥感图像分割提供了有益的探索。     

区域化模糊均值高分辨率彩色遥感影像分割方法

基于像素模糊?? 均值算法(FCM) 及其改进算法难以解决高分辨率遥感影像中地物目标光谱测度相似性减弱和几何噪声增大带来的分割难题, 提出一种基于区域的FCM算法. 该方法利用Voronoi 几何划分将影像域划分为子区域, 并用子区域拟合地物目标的几何形状. 在此基础上, 定义区域FCM目标函数, 通过迭代最小化该目标函数实现高分辨率遥感影像分割. 实验结果表明, 与基于像素的FCM和增强FCM方法相比, 所提出方法可以更加精确地实现高分辨率遥感影像分割.

     

山东省寿光市滨海地区盐田信息提取方法研究

山东省寿光市滨海地区盐田水体因含盐度高,其光谱特征与海域水体及其他地物差异大,光谱特征显著;盐田系人为建造,排列整齐\,几何特征明显,遥感影像上表现为纹理特征显著(棋盘状纹理、条纹状纹理),纹理指标可计算性强。首先采用缨帽变换方法增强光谱信息,采用定向滤波及灰度共生矩阵方法增强纹理信息;其次基于增强的光谱与纹理信息,采用以面向应用为目的的感兴趣地物提取方法对研究区TM图像进行分类,将分类结果与仅依据纯光谱及仅依据纯纹理分类结果相对比,分类总体精度分别为90.8985%、84.9102%和60.4017%。结果表明:以面向应用为目的的感兴趣地物提取方法分类精度最高。     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

园林景观设计中融合SVM的高分辨率遥感影像道路提取研究

为提高园林景观设计中高分辨率遥感影像道路提取的精度及效果,提出一种融合SVM的高分辨率遥感影像道路提取方法。该方法首先结合Mean Shift算法与数学形态学运算(简称MS-MMO)进行影像阴影提取;再根据阴影提取结果对原始影像阴影区域进行亮度补偿后输入SVM,得到初步提取的道路图像;然后利用高斯滤波算法进行图像平滑处理,利用边缘滤波、纹理滤波等算法去除图像中的非道路区域,得到道路区域提取图;最后基于张量投票提取道路中心线,基于“交点”搜索方法去除道路中心线上的毛刺,完成道路提取。实验结果表明,MS-MMO的具有较好的阴影提取精度及效果;根据MS-MMO输出的阴影提取结果对原始影像阴影区域进行亮度补偿后,道路提取的整体性能更高;融合SVM的高分辨率遥感影像道路提取方法提取的道路完整性、正确性、质量分别达到92.4%、92.7%、89.0%,道路提取性能较好,且道路具有连通属性,在该方法提取的道路图像上进行园林景观设计,可有效提升道路植物配置效果。     

基于遥感影像的土地资源利用区划自动识别技术

针对遥感影像中存在着等级错乱的纹理特征,在实际识别中易出现识别精度过低的问题,因此研究出一种基于遥感影像的土地资源利用区划自动识别技术.通过计算机对获取的遥感图像进行分割并模拟遥感小班界线勾绘,提取土地资源的纹理特征,确定土地资源区域,利用多光谱影像中的纹理特征模拟区划中长分辨率的全色影像,构建识别方程,完成对自动识别技术的研究.实验识别区域转化为遥感图像后,采用相同参数的传统计算机自动识别技术与设计的自动识别技术实验结果表明:设计的自动识别技术的识别率在95％以上,精度数值最大.     

纹理与几何特征在道路提取中的应用

提出一种利用纹理与几何特征的高分辨率遥感影像道路提取方法。首先分析高分辨率遥感影像的纹理特征,提出基于纹理特征的聚类方法,将影像大致分为道路区域和非道路区域,然后选取适当的几何特征指数,剔除道路区域中含有的非道路像素,得到初步道路信息。最后通过数学形态学处理,去除初步道路信息中由于车道线、树木影响而产生的孔洞,最后得到完整的道路信息。实验结果表明,与传统方法相比,该方法能够有效地从高分辨率遥感影像中提取道路。     

基于PCA和多尺度纹理特征提取的高分辨率遥感影像分类

城市地物类型多样,空间分布复杂,而且地物具有多尺度性,不同的地物类型具有不同的纹理表达尺度。利用主成分分析法(PCA)对高分辨率遥感影像进行处理,以减少数据量、抑制噪声、突出主要信息。在此基础上,利用灰度共生矩阵法对PCA的第一主成分进行纹理特征提取,选择最佳的多尺度纹理组合进行决策树分类。实验结果表明：基于PCA和多尺度纹理特征的决策树分类方法能够有效地提取地物信息,分类精度达到82.4%,Kappa系数为0.78。     

自适应加权特征字典与联合稀疏相结合的遥感目标检测

随着分辨率的提高,遥感图像空间包含的有用信息越来越丰富,这使得遥感数据的处理变得更加复杂,容易发生维数灾难并影响识别效果。针对这一情况,提出一种自适应加权特征字典与联合稀疏相结合的遥感图像目标检测方法(GJ-SRC)。首先将训练图像和待测图像进行Gabor变换以提取特征图像。然后计算各个特征值在进行稀疏表示时的贡献权重,通过自适应方法构造特征字典,使字典具有更强的判别能力。最后,提取每一类图像的公共特征和单个图像的私有特征构成联合字典,并利用测试图像稀疏表示进行目标检测识别。为了避免Gabor变换产生的维数灾难,在处理过程中采用PCA方法对特征字典进行降维,以降低计算成本。实验表明,与现有的SRC方法和遥感目标检测方法等相比,所提方法具有较好的检测效果。     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。     

An experimental evaluation of non‐rigid registration techniques on Quickbird satellite imagery

In remote sensing, because of the wide diversity of image characteristics (size, spatial and radiometric resolution, terrain relief, observation poses, etc.), image registration methods that work well on certain satellite images may not produce acceptable results for others, requiring more powerful techniques. A variety of registration techniques that account for images with non‐rigid geometric deformations have been proposed, including piecewise (linear or cubic) functions, weighted mean functions, radial basis functions, B‐spline functions, etc. This paper compares three of them: polynomial, piecewise‐linear and thin‐plate‐spline functions, and analyses their performance under a variety of factors: off‐nadir viewing, terrain relief, density of control points, and 3D geometric correction. Our comparison applies on panchromatic QuickBird imagery, both ortho‐ready (as provided by DigitalGlobe) and orthorectified, acquired on different dates, from different observation attitudes, and sensing different land covers: urban area, high‐relief terrain, and a combination of both.     

基于深度学习的卫星遥感图像边缘检测方法

为解决卫星遥感图像边缘模糊噪点过多,导致图像清晰度过低的问题,提出基于深度学习的卫星遥感图像边缘检测方法。利用Softmax分类器结构,提取边缘图像节点处的数据信息参量,遵循深度学习算法,完成对图像信息的卷积与池化处理,实现基于深度学习的卫星遥感图像识别。根据尺度空间定义原则,确定边缘检测特征点所处位置,再联合梯度信息熵计算结果,完成对卫星遥感图像的拼接处理。分别计算一阶微分边缘算子、二阶微分边缘算子的具体数值,确定梯度幅值的取值区间,总结已知数值参量,建立完整的双阈值表达式,完成基于深度学习的卫星遥感图像边缘检测方法的设计。实验结果表明,应用所提方法后卫星遥感图像边缘节点处信噪比指标增大,可有效控制模糊噪点对图像清晰度的影响,在卫星遥感图像边缘精准检测方面具有较强的实用性。     

地形仿真中遥感影像的应用及处理技术

在分析几种地球表面表示方法的优缺点的基础上,提出用遥感影像作为三维地形仿真中表面纹理图以提高真实感的思想;提出不同高度实体视景地形的仿真应采用多级精度仿真的方案,并分析了地形仿真精度与影像分辨率间的关系;详细叙述了该应用方案中影像数据处理的流程及方法,包括：数据准备、真彩波段组合、影像增强、几何校正、拼接镶嵌、投影变换及三维地形生成等。实践证明,合理的影像数据处理方法和步骤可减少工作量并保证影像处理的精度和效果,现势件好,真彩组合的遥感影像用作三维地形仿真的表面纹理图是提高仿真真实感的有效技术途径。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

High-resolution image compression algorithms in remote sensing imaging

Digital image processing (DIP) has great application values in many fields, especially in remote sensing image processing, which represents the acquisition, enhancement, analysis, encoding, transmission, and storage of remote sensing images. With the development of chip technology and parallel computing technology, various digital image processing technologies have been successfully applied to satellite applications to help researchers exploit reliable information from remote-sensing images. However, the huge amount of images generated by ultra-high resolution optical remote sensing satellites put great pressure on existing transmission, storage, and processing technologies. Therefore, this paper proposes a spatio-temporal compression pipeline for remote sensing images based on lossy compression methods with ultra-high compression ratios to reduce the overhead required for the transmission and storage of remote sensing images while maintaining the quality of the compressed images. The experimental results show that the proposed method outperforms the classical image compression such as JPEG-2000.     

基于多尺度Retinex算法的遥感图像增强

大多数的遥感图像存在视觉对比度低、分辨率低的缺点．因而在对遥感图像分析之前,通常都需要通过遥感图像增强技术对图像进行增强处理。当前的图像增强方法有很多种,文中引入了一种新颖的图像增强方法,即多尺度Rednex（MSR）算法。这种增强技术尤其对能见度差、分辨率低的图像有很好的效果,因此适合于对遥感图像的增强处理。此外,还引入了几种常用的经典图像增强方法,如直方图均衡法等。为了证实所引入的MSR算法对遥感图像的增强效果优于其他的增强方法,在实验中,将经典的图像增强方法和MSR算法分别应用于增强一幅典型的遥感图像并对比增强后的增强效果。实验结果表明MSR算法在对遥感图像的增强中可以取得满意的效果并且优于其他的图像增强方法。