高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。     

基于深度学习的遥感图像茶园区域识别应用研究

得益于遥感技术的发展和深度学习在图像处理方面的进展,采用深度学习识别遥感图像的方法被广泛应用。与传统的统计农作物种植面积方法相比较,通过深度学习的方法来识别茶园种植区域,可以减少人工依赖,节约人力资源,实时获取数据,具有更高的时效性。数据来源于Bigmap,以贵州省卫星遥感图像为数据基础,提出了使用深度学习来识别茶园区域的应用方法。实验目标为从整张遥感图像中提取出茶园种植区域。首先对遥感图像进行数据预处理,然后采用人工目视解译的方法标注出茶园区域并制成数据集,将数据集导入神经网络进行训练获得网络模型,最后将验证图像放入到训练好的神经网络当中,获得验证结果;检测精确率为95.83%,检测召回率为85.00%。     

基于GLCM的纹理特征量在TM 6热红外波段影像信息分析中的研究

利用了基于灰度共生矩阵GLCM的纹理特征分析方法,对TM 6热红外波段影像进行目标信息的提取,以增强热辐射量大的亮温目标与背景图像的差异,从而实现对原始图像进行图像增强、实现目标信息提取的目的.本文的实验影像是从武汉市长江流域区域的TM影像的热红外波段影像上截取的16个子区域,对16个实验区域分别采用文中定义的6个纹理特征进行图像分析,原始图像的灰度级是256,考虑到计算量大,在处理过程中压缩原始的256灰度级到64灰度级.实验结果显示出较高的一致性,表明所定义的variance和correlation两个纹理特征对于在TM 第6波段上,对于增强热红外影像上热辐射量大的目标影像与背景影像有显著的效果,该方法可以作为热红外影像处理的预处理,从一定程度上弥补了TM 热红外波段影像分辨率不够高带来的限制.     

中巴资源一号02星土地覆被多阶段信息提取

依托云南三江并流综合开发项目,利用2003年11月中巴地球资源一号卫星02星下传的第一批CCD数据,探讨其在该流域土地覆盖信息的提取方法,并针对资源一号02星CCD多波段数据,提出了多阶段信息提取策略,分步提取地表覆被信息,通过单波段阀值、谱型特征提取构造波段运算指数,分层提取地表信息。同时以大理地区的遥感图像为试验区进行了多阶段信息提取,结果表明,多阶段信息提取方法的总体精度不低于其他常规的分类方法,而且局部细节的区分明显高于K-means和ISODATA分类方法。因此通过有针对性地对中巴资源卫星数据信息提取方法的研究,可以更有效地发挥中巴一号02星数据在土地覆被和土地利用等领域的应用,并为我国自主卫星数据的深入应用贡献绵薄之力。     

基于在成分分析的植被掩模与模式滤波方法在中等植被区蚀变信息提取中的应用

植被干扰的消除对于应用TM图象进行蚀变信息提取是非常重要的。本文从矿物，岩石和植被在TM波段内的波谱响应分析入手，选择了TM5和TM1，TM5和TM7，TM4和TM3这三个组合分别来增强含铁矿物（主要是铁氧化物），含羟基矿物和碳酸盐矿物及植被信息。通过对比值，比值合成以及主成分分析等方法的比较，提出了一种适于中等植被覆盖区蚀变信息提取的新方法，即基于主成分分析的植被掩模和模式滤波相结合的方法。此方法在试验区进行蚀变信息提取中取得良好效果，它不仅识别出了与地表金矿化区一致的蚀变矿物富集区，而且对土石矿的一些矿脉也有较好反映。     

TM图像多层神经网络自动识别分类

以利用TM图像自动识别金华市婆城区土地利用为例，介绍了多层神经网络遥感模式识别方法的概念、特点及其在TM图像自动识别分类中的应用，并与最大似然法分类结果进行了比较。通过研究认为，无论在分类速度、精度、还是总体效果上看，神经网络分类都优于最大似然法分类。     

遥感图像道路信息提取方法研究进展

随着卫星遥感和信息提取技术的快速发展,地理信息的自动更新成为可能。道路是重要的人工地物,是地理信息数据的重要组成部分,从遥感图像上提取道路信息以更新地理信息数据库成为近年来的研究热点之一。通过总结遥感图像道路信息自动提取的发展历程,归纳了常用的道路信息提取方法,并对各个方法的特点进行了分析,在此基础上分析了遥感图像道路信息提取中的不足,最后对以后道路信息提取的研究进行了展望。     

遥感图像道路信息提取方法研究进展

随着卫星遥感和信息提取技术的快速发展,地理信息的自动更新成为可能。道路是重要的人工地物,是地理信息数据的重要组成部分,从遥感图像上提取道路信息以更新地理信息数据库成为近年来的研究热点之一。通过总结遥感图像道路信息自动提取的发展历程,归纳了常用的道路信息提取方法,并对各个方法的特点进行了分析,在此基础上分析了遥感图像道路信息提取中的不足,最后对以后道路信息提取的研究进行了展望。     

基于多特征提取的图像语义描述算法

针对图像语义描述方法中存在的图像特征信息提取不完全以及循环神经网络（RNN）产生的梯度消失问题,提出了一种基于多特征提取的图像语义描述算法。所构建模型由三个部分组成：卷积神经网络（CNN）用于图像特征提取,属性提取模型（ATT）用于图像属性提取,而双向长短时记忆（Bi-LSTM）网络用于单词预测。该模型通过提取图像属性信息来增强图像表示,从而精确描述图中事物,并且使用Bi-LSTM捕捉双向语义依赖,从而进行长期的视觉语言交互学习。首先,使用CNN和ATT分别提取图像全局特征与图像属性特征;其次,将两种特征信息输入到Bi-LSTM中生成能够反映图像内容的句子;最后,在Microsoft COCO Caption、Flickr8k和Flickr30k数据集上验证了所提出算法的有效性。实验结果表明,与m-RNN方法相比,所提出的算法在描述性能方面提高了6.8~11.6个百分点。所提算法能够有效地提高模型对图像的语义描述性能。     

遥感图像飞机目标分类的卷积神经网络方法

目的 遥感图像飞机目标分类,利用可见光遥感图像对飞机类型进行有效区分,对提供军事作战信息有重要意义。针对该问题,目前存在一些传统机器学习方法,但这些方法需人工提取特征,且难以适应真实遥感图像的复杂背景。近年来,深度卷积神经网络方法兴起,网络能自动学习图像特征且泛化能力强,在计算机视觉各领域应用广泛。但深度卷积神经网络在遥感图像飞机分类问题上应用少见。本文旨在将深度卷积神经网络应用于遥感图像飞机目标分类问题。方法 在缺乏公开数据集的情况下,收集了真实可见光遥感图像中的8种飞机数据,按大致4∶1的比例分为训练集和测试集,并对训练集进行合理扩充。然后针对遥感图像与飞机分类的特殊性,结合深度学习卷积神经网络相关理论,有的放矢地设计了一个5层卷积神经网络。结果 首先,在逐步扩充的训练集上分别训练该卷积神经网络,并分别用同一测试集进行测试,实验表明训练集扩充有利于网络训练,测试准确率从72.4%提升至97.2%。在扩充后训练集上,分别对经典传统机器学习方法、经典卷积神经网络LeNet-5和本文设计的卷积神经网络进行训练,并在同一测试集上测试,实验表明该卷积神经网络的分类准确率高于其他两种方法,最终能在测试集上达到97.2%的准确率,其余两者准确率分别为82.3%、88.7%。结论 在少见使用深度卷积神经网络的遥感图像飞机目标分类问题上,本文设计了一个5层卷积神经网络加以应用。实验结果表明,该网络能适应图像场景,自动学习特征,分类效果良好。     

Detecting coal fires with a neural network to reduce the effect of solar radiation on Landsat Thematic Mapper thermal infrared images

Coal fires in the north of China have already resulted in serious problems, including huge losses in coal resources, air pollution and so on. Thermal infrared images by Landsat Thematic Mapper (TM) can be used to detect some thermal anomalies. However, an initial necessity is to reduce the effect of solar radiation on TM thermal infrared images. In this paper, a neural network is used to set up a mathematical model of ground temperature for the first time. After the neural network completes training, we can use it to calculate the ground temperature caused by solar radiation. Thus, the result can be used to reduce the effect of solar radiation on TM thermal infrared images, and extract the thermal anomalies caused by coal fires.     

Detecting coal fires using remote sensing techniques

This paper gives an overview of the theory and case studies of detecting coal fires by using remote sensing techniques. Coal fires, either man-made or spontaneous combustion, not only cause losses of natural resources, but also cause environmental problems. The surface feature and by-products of coal fires include pyro-metamorphic rocks, fumarolic minerals, burnt pits and trench, subsidence and cracks, and surface thermal anomalies. These features can be detected from visible, near infrared, short-wave infrared, radar and thermal infrared remote sensing images. The ability to detect these features is limited by the spectral, spatial and temporal resolution of the remote sensing data. The advances of new remote sensing systems will enhance the capability to detect coal fire related features.     

地热异常区的遥感信息识别

以TM、航空热红外扫描和航空彩红外图像上显示的遥感影像特征为依据,结合野外实地调查和温泉分布区色彩信息的增强处理结果,识别提取地热异常区和非异常区。根据已知温泉产出的地质构造条件和地面测温等资料,进行地热异常区综合遥感预测,提出了7处地热异常的有利地段,从而为寻找地热水指出了方向。     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

热红外与多光谱遥感图像的神经网络回归融合方法研究

为验证神经网络方法用于遥感图像融合的有效性,归纳了利用神经网络对遥感数据进行回归来实现融合的3种途径,并提出了一种结合图像数据回归和多光谱遥感图像锐化技术来实现热红外图像的全色锐化新方法。这种热红外图像的全色锐化方法,利用了极限学习机（ELM）这种新型神经网络算法,快速高效地由训练样本得到遥感图像数据间的回归关系;同时,方法注重图像数据本身的物理含义,以提高热红外图像数据的真实质量为目标,是一种定量化的图像融合方法。经这种方法融合得到的热红外数据也能很好地用于定量遥感的物理模型,为遥感的实际应用提供方便。该方法的有效性通过对ETM+图像进行实验得到了证明,而直接对热红外图像数据和全色图像数据进行回归的融合模式,在实验中则无法得到满意的结果。     

基于VoxelMorph的可见光和红外遥感影像配准

由于可见光和红外的成像机理、成像波段不同,获取的遥感影像之间存在复杂的非线性辐射畸变,传统的配准方法难以实现两者的高精度配准。本文提出一种基于VoxelMorph的可见光和红外遥感影像配准方法,利用卷积神经网络对可见光和红外异源图像进行分步的精细化形变场计算,从而实现快速高精度配准。将可见光图像作为参考图像,利用U-Net网络计算待配准红外图像和参考（可见光）图像的形变场,实现全局对齐的仿射变换,然后通过空间转换网络进一步实现更高自由度变形。采用WHU-OPT-SAR数据集的实验结果表明,与基于尺度不变特征变换（SIFT）算法的传统配准方法相比,本文提出的基于VoxelMorph配准方法可以获得更好的配准效果,验证了基于VoxelMorph的配准方法在多源遥感影像领域的有效性。     

基于改进型模糊ARTMAP网络的CBR遥感图像分类系统研究

针对难以及时地获取充足而准确的遥感样本、缺乏积累和管理遥感样本的有效手段是制约遥感图像分类技术发展的瓶颈问题。构建了基于改进型模糊ARTMAP网络的CBR(case-based reasoning范例推理)遥感图像分类系统。系统将改进型模糊ARTMAP网络作为范例的知识提取器和图像分类器,运用CBR求解策略实现遥感样本知识的合理储备、优化组合和重复利用。分别应用本文所建系统、最大似然法、BP网络和改进型模糊ARTMAP网络对向海自然保护区TM遥感图像进行分类操作,实验结果表明,本文建立的系统与其他分类方法相比,能够更好地提高遥感样本数据的利用效率和遥感图像的分类精度,而且一定程度上解决了在样本有限的条件下如何高效利用已有数据进行遥感图像分类的问题。     

Spatial analysis of thermal anomalies from airborne multi-spectral data

Based on field thermal measurements, thermal anomalies caused by coal fires can be grouped into three categories, low- (up to 20°C above the background), medium- (20–120°C) and the high-amplitude (above 120?°C) ones. Night-time airborne thermal scanner data acquired in the 8–12.5?µm wavelength region of the electromagnetic spectrum clearly show the coal fire areas and the background areas. However, one of the disadvantages of the night-time data is the saturation of the medium- and high-amplitude thermal anomalies. In the daytime 8–12.5?µm image, the medium-amplitude thermal anomalies can be detected. These thermal anomalies only partly represent underground coal fires and some of them represent the solar-heated coal seams and black shale with higher emissivity. Daytime thermal infrared data acquired in the 3–5?µm wavelength region provide information from both the spectrally reflected solar radiation and radiation from high-intensity surface thermal anomalies of the underground coal fires. To reduce the effects of the spectrally reflected solar radiation, the data acquired in the 0.61–0.69?µm wavelength region were used to adjust the 3–5?µm data and the new image shows the enhanced high-amplitude thermal anomalies of the underground coal fires. The three kinds of data have been fused to integrate the background, low-, medium- and high-amplitude thermal anomalies, which are highly correlated to the field thermal measurements. On the basis of the spatial patterns of the thermal anomalies and the underground coal fire spreading models set up through field observation, the spreading direction of underground coal fires is inferred. Comparing the daytime and night-time 8–12.5?µm data, the solar-heated coal seams were detected as areas of high-risk for coal fires occurring in the future, because the temperatures in these areas measured in the field were close to the critical point of the spontaneous combustion of coal.     

应用红外遥感寻找地下热水试验研究

利用陆地卫星红外遥感数据能反映地物辐射温度差异这一特点,通过对遥感影像进行波段差值运算、IHS（HLS）彩色变换和热红外波段密度分割3种方法的增强处理,对其进行综合探索研究。并结合地质构造展布规律、地面调查,最后圈定地热异常的分布范围,获得了一项适宜全省乃至更大范围的探寻地下热水资源的技术方法,值得大面积推广应用。     

基于深度卷积神经网络的油罐目标检测研究

油罐是用于储存油品的工业设施，常用在炼油厂等工业园中，通过卫星或航空遥感图像实现油罐目标的快速检测，可以实现对侵占生态保护红线的疑似工业园区的快速查找，为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性，基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架，通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试，实现了遥感影像上油罐目标的快速检测；通过修改锚点尺度和数量，丰富了候选框类型和数量，提升了油罐的目标检测精度，最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测，为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。