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。     

基于数学形态学的高分辨率遥感影像道路提取

利用数学形态学的方法对高分辨率遥感影像道路提取进行了研究,通过对影像进行预处理增强道路信息,依据影像灰度直方图信息,对预处理后的影像进行阈值分割,得到一个包含道路信息的二值影像;进一步使用形态开运算去除细小噪声,同时将一部分粘连在道路上的噪声与道路信息进一步分割;接着结合形态腐蚀和形态重建运算获取影像中主要道路网络信息,并用形态闭运算完善道路网络信息;最后对道路网络信息进行形态细化和一定次数的形态修剪处理,得到单像素宽的道路中心线信息.利用数学计算软件MATLAB在高分辨率遥感影像上作了实验,并进行了总结和分析.     

利用Deeplab v3提取高分辨率遥感影像道路

针对传统道路提取方法存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题,提出了一种基于编码解码器的空洞卷积模型(Deeplab v3)的道路提取方法。首先,对原始高分辨率遥感影像进行标注;其次,利用标注数据集对Deeplab v3模型进行训练、测试;最后,得到高分辨率遥感影像道路提取结果。分析结果可知,该模型能够较好地提取高分辨率遥感影像中的道路边缘特征,相比其他道路提取方法具有更高的提取精度和更加完整的道路信息,正确率可达到93%以上。     

高分辨率遥感影像道路提取方法研究进展

快速、准确地从高分辨率遥感影像中提取道路信息对于基础地理信息更新具有重要的意义。针对道路提取的众多方法与技术,首先对遥感影像道路提取中涉及的特征类型与表达方法进行了归纳;其次,参照提取层次将道路提取方法分为3种类型:基于特征、基于对象以及基于知识的道路提取,并对每一类型道路提取方法的优缺点进行了系统总结,同时也对目前高分影像道路提取中存在的问题进行了分析;最后,结合遥感与模式识别的最新发展等相关理论,对高分影像道路提取方法的发展方向进行了展望。     

基于改进的K-means法的高分辨率遥感影像道路提取

针对高分辨率遥感影像中道路提取存在的特征利用问题,提出一种基于改进的K-means算法的道路提取方法。首先根据遥感影像的具体场景进行相应的预处理;在此基础上,利用改进的K-means算法融合道路的光谱特征和纹理特征对图像进行分类,得到初始道路区域;然后利用道路的几何特征滤除非道路区域;最后采用数学形态学方法完善道路信息,得到最终结果。实验结果表明,该方法能实现复杂场景中道路提取,并拥有较好的效果。     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。     

面向对象的高分辨率遥感影像道路自动提取实验

传统的遥感影像道路提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率差,而且依赖参与解译的人,在很大程度上不具备重复性。本文采用面向对象的分类技术,充分利用高分辨率遥感影像中丰富的空间结构信息和地理特征信息,针对实验区中的不同道路类型,在不同尺度下自动提取出道路信息。同时,本实验还提供了一种提取道路的普遍性规则集,提高了道路提取的自动化水平。通过实验表明:该方法提取速度快、精度高。     

高分辨率遥感影像上道路中心线的半自动提取

提出一种半自动的基于活动窗口线段特征匹配来提取高分辨率遥感影像上道路中心线的方法.通过用户在道路中心线上输入起始点,采用定义活动模板窗、阈值分割、线段特征匹配和改进的SSDA,实现了道路中心线的自动跟踪.另外,该方法还允许在跟踪过程中加入少量人工干预来处理某些匹配失败的情况,提高了实用性.对0.61m分辨率QuickBird影像和1m分辨率IKONOS影像进行道路提取的实验表明:该方法能够快速、准确地提取出主要道路的中心线,对噪声的干扰具有良好的鲁棒性.     

基于高分辨率遥感影像的土地覆盖信息提取

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以高分辨率遥感影像数据IKONOS为主要数据源,以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术,自动提取株洲市城乡结合部的土地覆盖和土地利用信息。达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的,而且精度高,速度快。结果表明利用该方法对复杂的城乡结合部信息获取是可行的。     

高分辨率遥感影像道路提取

针对实际应用中高分辨率遥感影像道路提取自动化程度低的现状,提出了一种半自动的高分辨率遥感影像道路提取方法。方法采用数据预处理、尺度分割、分类以及形态优化的工作流程,对高分一号遥感影像进行道路半自动提取。数据预处理利用NDWI、DNVI获得道路潜在区域,边缘增强突出道路边缘信息;采用多尺度分割切割道路潜在区域,尺度对比法获得道路最优分割尺度;主要依据道路的光谱特征、形状特征制定分类规则集进行分类;运用形态学开启运算、闭合运算优化道路形态。实验结果表明:在样本区域内提取精度达到90%,整景影像提取精度达到80%,且可推广到具有陕北地区地貌特征的高分一号影像道路快速提取应用中。     

基于面向对象技术的高分辨率遥感影像的阴影检测与去除

阴影是高分辨率遥感影像的基本特征之一,阴影的检测对于影像的目标识别和信息恢复十分关键。采用面向对象的技术,通过图像分割,获取阴影对象,结合阴影对象的特征,设置特征函数并分类,最后获得阴影区域。试验证明,该方法简单易行,较精确地提取了阴影区域。     

An integrated spatio-temporal classification method for urban fringe change detection analysis

The urban fringe is the transition zone between urban land use and rural land use. It represents the most active part of the urban expansion process. Change detection using multi-temporal imagery is proven to be an efficient way to monitor land-use/land-cover change caused by urban expansion. In this study, we propose a new multi-temporal classification method for change detection in the urban fringe area. The proposed method extracts and integrates spatio-temporal contextual information into multi-temporal image classification. The spatial information is extracted by object-oriented image segmentation. The temporal information is modelled with temporal trajectory analysis with a two-step calibration. A probabilistic schema that employs a global membership function is then used to integrate the spectral, spatial and temporal information. A trajectory accuracy measurement is proposed to assist the comparison on the performances of the integrated spatio-temporal method and classical pixel- and ‘snapshot’-based classification methods. The experiment shows that the proposed method can significantly improve the accuracies of both single scene classification and temporal trajectory analysis.     

基于多种变换的遥感图像新型融合方法

针对多光谱图像空间分辨率低这一特点,提出一种在PCA变换基础上,利用小波变换和高通滤波相结合的图像融合算法。实现了ETM+全色波段与ETM+多光谱波段图像的融合,并从空间纹理信息,光谱真实性两个方面进行定性和定量评价。研究表明,该融合算法产生的光谱失真较小,同时很大程度地保持了高分辨率全色波段的空间纹理细节信息,是一种较好的图像融合方法。     

基于空间模糊纹理光谱的多光谱遥感图像分类方法

为了充分利用各波段的纹理信息，针对遥感图像不同波段之间具有较大相关性的特点，提出了一种用空间模糊纹理光谱描述多光谱遥感图像纹理特征的方法。根据纹理特征具有多尺度的特性，对原始图像进行二次模糊纹理滤波，一次滤波采用平面三角隶属度函数，二次滤波采用空阃距离代替平面距离形成滤波隶属度函数，其模糊滤波图像的隶属度分布称之为空间模糊纹理光谱。用FasART神经网络分类验证，实验结果表明，该方法具有较高的分类精度，尤其对纹理特征较为复杂的区域的分类效果更为明显。     

基于全局注意力信息交互的高光谱图像分类

近年来,研究者们发现基于双分支结构的高光谱图像分类方法可以更有效地提取图像的光谱特征和空间特征用于分类.但在双分支结构中,各分支只侧重于细化、提取光谱特征或空间特征,忽略了对光谱-空间跨维特征交互的研究,且两分支各自提取的部分交互不明显,因此影响了分类的性能.针对这一问题,本文提出了一种基于全局注意力信息交互的高光谱图像分类方法.首先采用密集连接网络分两个分支分别细化图像的光谱特征和空间特征,然后结合全局注意力机制(GAM)得到通道全局注意力特征和空间全局注意力特征,最后通过一个信息交互的模块实现光谱和空间信息的交互,更充分地利用光谱和空间信息实现分类.本文提出的方法分别在Pavia University(PU)和Salinas Valley (SV)两个数据集上进行了实验,相较于其他的4种方法,本文提出的方法在分类性能上取得了明显的提升.     

基于数据流的TIN迭代滤波算法

通过机载LiDAR数据滤波获取地面信息是机载LiDAR数据的一项重要且基本的应用。基于现行的滤波算法都有一定的应用局限,本文提出了一种基于数据流的TIN滤波算法。该方法基于流的思想,首先对机载LiDAR数据进行点流的空间结点化,之后在构建Delaunay三角网的同时,进行插入点判断。通过试验区数据的滤波验证,此算法能够较好地滤除地物点,保持地形;提高了滤波效果的同时,在算法效率上还占有一定优势。     

波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合

目的 针对当前空谱融合方法应用到高光谱图像融合时,出现的空间细节信息提升明显但光谱失真,或者光谱保真度高但空间细节信息提升不足的问题,本文提出一种波段自适应细节注入的高分五号（GF-5）高光谱图像（30 m）与Sentinel-2多光谱图像（10 m）的遥感影像空谱融合方法。方法 首先,为了解决两个多波段图像不便于直接融合的问题,提出一种波段自适应的融合策略,对多光谱图像波谱范围以外的高光谱图像波段,以相关系数为标准将待融合图像进行分组。其次,针对传统Gram-Schmidt （GS）融合方法用平均权重系数模拟低分辨率图像造成的光谱失真问题,使用最小均方误差估计计算线性拟合系数,再将拟合图像作为第1分量进行GS正变换,提升融合图像的光谱保真度。最后,为了能同时注入更多的空间细节信息,通过非下采样轮廓波变换将拟合图像、空间细节信息图像和多光谱图像的空间、光谱信息融入到重构的高空间分辨率图像中,再将其与其他GS分量一起进行逆变换,最终得到10 m分辨率的GF-5融合图像。结果 通过与当前用于高光谱图像空谱融合的典型方法比较,本文方法对于受时相影响较小的城镇区域,在提升空间分辨率的同时有较好的光谱保真度,且不会出现噪点;对于受时相变化影响大的植被密集区域,本文方法融合图像有较好的清晰度和地物细节信息,且没有噪点出现。本文方法的CC （correlation coefficient）、ERGAS （erreur relative globale adimensionnelle de synthèse）和SAM （spectral angle mapper）相比于传统GS方法分别提升8%、26%和28%,表明本文方法的光谱保真度大大提高。结论 本文方法的结果空间上没有噪点且光谱曲线与原始光谱曲线基本保持一致,是一种兼具高空间分辨率和高光谱保真度的高光谱图像融合方法。     

Multi spectral image fusion by deep convolutional neural network and new spectral loss function

In this paper we propose a new multispectral image fusion architecture. The proposed method includes two steps related to two neural networks. First the extracted spatial information, from panchromatic (Pan) image, is injected to upsampled multi-spectral (MS) image. In this step, the method employed a deep convolution neural network (DCNN) to estimate the spatial information of the MS image, according to multi-resolution analysis (MRA) scheme. This DCNN is trained by the low-spatial resolution version of Pan as an input, and by the spatial information as the target. This trained DCNN is called ‘Fusion network (FN)’. The FN, adaptively, estimates the spatial information of the MS images, and operates as an injection gain in the MRA scheme. In the second step, the spectral compensation is performed on the fused MS image. For this purpose, we used a novel loss function for this DCNN, to reduce the spectral distortion in the fused images, and simultaneously maintain the spatial information. This network is called ‘Spectral compensation network (SCN)’. Finally, the proposed method is compared to the several state-of-the-art methods on three datasets, using both full-reference and reduced reference criterion. The experimental results show that the proposed method can achieve competitive performance in both spatial and spectral information.     

Normalized Cut与分水岭变换在高光谱影像混合像元端元提取中的应用

现有的遥感影像端元提取方法主要是从光谱特征角度提出,而结合空间信息的端元提取方法是近些年遥感影像混合像元分解的研究热点,为此使用图论的图像分割Normalized Cut与分水岭变换方法提出了一种改进的空间预处理模型用于高光谱遥感影像混合像元的端元提取。该方法在混合像元端元提取过程中不仅利用遥感影像的光谱信息而且引入了像元的空间位置信息,实验结果表明本文提出的端元提取方法与现有的方法相比提高了遥感影像的混合像元分解精度。     

TM多光谱与SPOT 全色遥感图像融合算法对比

融合技术是遥感数据处理中一种重要的方法。而TM多光谱与SPOT全色图像是遥感融合最为普遍的选择。为了对比分析不同方法在融合TM多光谱与SPOT全色图像上的效果,提出基于色彩空间的HSV变换、基于算数技术的Brovey变换和Gram—Schmidt波谱锐化3种融合方法相结合,实现了对同一传感器的全色和多光谱数据融合。试验表明:就空间信息量而言,经过HSV变换的图像具有最大的空间信息,但其光谱保真能力最差;Brovey变换最大限度保持了原始图像的光谱信息,而空间信息的详细程度较差;Gram-Schmidt波谱锐化后的影像不仅保持了多光谱影像的光谱信息,同时又保持了高光谱全色影像的空间细节信息,是一种较好的图像融合方法。