基于Siam-UNet++的高分辨率遥感影像建筑物变化检测

针对同—区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法.该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑.在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果.     

卷积神经网络下的高分二号卫星影像道路提取

本文针对深度神经网络对高分二号遥感影像道路提取时细节信息丢失较多、道路周围环境考虑不充分等情况, 在已有的研究成果上, 提出一种基于全卷积神经网络遥感影像道路提取的改进方案. 方案创新研究了全卷积神经网络的算法原理, 将预调色后的高分二号影像按一定尺寸分幅输出, 将输出图像及标签对应输入于以全卷积神经网络为基础的改进网络, 通过结合残差单元以及增加网络层数得到识别精度较高的道路提取图像. 实验表明, 该方法在同一样本中对高分二号卫星影像道路提取的效果有所提升, 道路的完整性和准确性有所提高.     

基于改进支持向量机方法的影像分类和目标识别研究

利用卫星遥感影像进行土地利用变化监测的关键技术是影像分类与目标识别。本文提出了支持向量机的改进算法,基于小波核函数构建了小波模糊支持向量机。通过项目"集成卫星遥感与地形地籍数据进行土地利用变化检测"的研究和实验,力求在创新处理算法上取得突破,提高重点目标识别的准确性、可靠性。     

高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用

遥感卫星可快速、动态地获取地震灾区大范围的高分辨率影像,已成为快速获取震后灾情信息的主要技术手段之一。基于震后灾情调查中广泛使用的光学遥感数据和变化检测算法,首先对遥感数据及其产品进行了归纳总结,在此基础上综述了基于高分辨率遥感影像的变化检测算法在震害提取中的应用,阐述了基于像元和面向对象两类变化检测方法的基本原理和优缺点,讨论和总结了应用中存在的问题和不足,以期为未来地震应急中的灾情调查工作提供参考。     

基于多输入密集连接神经网络的遥感图像时空融合算法

为了解决地表反射率遥感卫星Landsat和MODIS影像的时空融合问题,文中提出基于多输入密集连接网络的遥感图像时空融合算法.首先提出多输入的密集连接网络,学习包含连续时刻间差异信息的过渡遥感影像.基于差异相似假设,融合网络学习得到的2幅过渡影像与已知的2幅高空间分辨率影像,得到最终的预测影像.对Landsat遥感影像和MODIS遥感影像的融合实验表明,文中算法在各项定量指标中均较优,最终的预测图像也可表明,文中算法对噪声具有较好的鲁棒性,能较好地恢复细节信息.     

基于插值的遥感图像超分辨率重建

利用卫星对地观测的特点,容易得到同一地区的多幅多时相的遥感影像.这些影像提供了不同角度对地观测的数据,影像之间存在着互补性的信息.本文中提出了利用插值进行超分辨率重建的简单算法,首先对不同的遥感影像进行运动参数估计.进行图像配准.然后将低分辨率的遥感影像投影到高分辨率的网格上以获得超分辨率重建后的影像.重建后的图像的目视效果较好,图像的平均值、标准差及信息熵等对比效果有所提高.     

自适应PCNN和改进C-V结合的遥感图像变化检测

为获取保留图像信息较完好的差异图并得到更好的变化检测结果,提出一种基于自适应脉冲耦合神经网络（PC‐NN）和改进Chan‐Vese （C‐V）模型的非监督的不同时相遥感图像的变化检测算法。用差值法、比值法对两幅遥感图像进行差异图获取;用自适应PCNN图像融合算法对两幅差异图进行融合,获取保留图像信息较好的差异图;用基于改进C‐V模型的分割算法对融合后的差异图进行分割,得到变化检测结果图。实验结果表明,该算法具有很好的变化检测效果,总检测精度较高。     

基于图像匹配的遥感图像建筑物变化检测

本文提出了一种基于图像特征匹配的遥感图像建筑物变化检测新方法.该方法可以检测两幅高空间分辨率遥感图像中的目标建筑物是否发生了变化,并在无变化时确定该目标建筑物在遥感图像上的具体位置.我们使用Quickbird卫星遥感图像进行了初步实验,实验结果表明本文所探讨的方法可以比较可靠地检测到建筑物变化.     

一种图像回归与关联关系特征融合的遥感影像变化检测方法北大核心CSCD

异质遥感影像变化检测是一个重要且具有挑战性的研究课题。针对直接比较异质数据进行变化检测导致检测精度低的问题,提出了一种图像回归与关联关系特征融合(Image Regression and Association-based Feature, IRAF)的异质遥感影像变化检测方法。首先基于信息熵理论量化异质数据的信息量差异并确定回归方向,采用多输出多层感知器图像回归得到与原始影像特征空间分布相近的回归图像;其次,得到差异图像并基于模糊局部信息C均值(Fuzzy Local Information C-Means,FLICM)算法找到部分显著样本对用于后续检测。为了考虑不同特征间的关联关系并充分利用数据中潜在的高阶信息,采用基于关联关系特征的融合算法(Association-based Fusion,AF)对原始遥感数据进行增强,最后利用融合后的特征训练分类模型得到最终的变化二值图。为验证该方法的有效性,采用Sardinia、Yellow River和Texas这3组真实数据集进行实验,Ka分别达到了0.796 1、0.827 1、0.958 1。与相关方法进行对比的实验结果表明该方法在不同数据集上均得到了最优的检测结果,能够抑制噪声的影响且有效提升变化检测精度。     

基于变权马尔可夫随机场的遥感图像变化检测

遥感图像变化检测通过分析比较不同时相所获得的遥感图像来获取变化信息,目前已经成为对地监测最有效的手段.针对传统马尔可夫随机场遥感图像变化检测算法的不足,提出一种基于变权马尔可夫随机场的遥感图像变化检测算法.该算法重新定义了马尔可夫能量函数的计算过程.实验结果表明该算法是一种有效、精确的变化检测算法.     

结合相位一致与全变差模型的高分辨率遥感图像边缘检测

目的边缘检测是有效利用遥感数据开展地物目标自动识别的重要步骤。高分辨率遥感图像地物类型复杂,细节信息过于丰富,使得基于相位一致的边缘检测结果中存在过多的噪声与伪边缘。为此提出了一种结合相位一致与全变差模型的高分辨率遥感图像边缘检测方法。方法根据相位一致原理,应用Log Gabor构造的2维相位一致模型,引入全变差去噪模型对基于相位一致的边缘强度图进行改进。结果借助有界变差空间对图像光滑性的约束,实现了高分辨率遥感图像噪声去除与伪边缘抑制,利用改进后的相位一致边缘强度图可有效检测高分辨率遥感图像的边缘。结论实验结果表明,与相位一致模型、Canny算法相比,该方法能消除了高分辨率遥感图像中同类地物内部细节特征形成的噪声,抑制相位一致边缘检测结果中的伪边缘,突出地物的真实边缘,并能正确地提取地物目标的整体轮廓信息,有助于后续地物目标的自动识别。     

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。     

结合自适应空间与CRF的遥感影像变化检测

提出了一种结合自适应空间与条件随机场（CRF）的新框架用于高分辨率遥感影像变化检测,解决了两幅影像配准误差造成的噪声和条件随机场产生的过平滑问题。通过加权自适应空间（WAS）获取差异图像消除了因配准误差造成的部分噪声,采用基于形态学重构的FCM聚类方法（MFCM）构建CRF一阶势减少了斑点噪声;引入带光谱—空间约束的模型改进CRF二阶势,进一步提高了算法的抗噪性能并可防止过平滑现象。与现有方法相比,该算法的检测精度、虚检率和漏检率都得到明显改进,同时较好地保留了边缘信息。     

基于残差收缩网络的遥感图像目标检测算法

针对于遥感图像中背景复杂噪声多、小目标多且排布密集、目标尺度差异大等问题,提出了一种改进通道注意力与残差收缩网络的遥感图像目标检测算法。该算法借助卷积神经网络,以YOLOV3模型作为基础网络,选择Mosaic图像增强的方式进行数据预处理,采用深度残差收缩模块重构了特征提取网络,并结合通道注意力机制与组合池化构建空间金字塔池化融合层,采用CIOU进行定位损失计算,最终实现遥感图像目标检测。实验结果表明：改进算法相比于原算法的总体mAP由89.2%提升至92.2%,获得了更好的性能表现。     

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。     

融合阈值分割和注意力网络的建筑阴影检测

针对高分辨率高层建筑物遥感影像噪声干扰大、阴影检测困难的问题, 本文提出了一种改进阈值分割和注意力残差网络结合的高层建筑物遥感影像阴影检测方法. 首先, 利用改进最大类间和最小类内阈值分割算法建立阈值分割模型, 并基于轮廓间的连通域特性和端点位置约束关系利用欧几里得度量算法对断裂轮廓进行修补得到阴影轮廓; 然后, 利用生成对抗网络模型对误判数据集进行扩充; 最后, 对残差网络进行改进, 在特征图中加入注意力机制进行全局特征融合. 在不同场景下, 分别与辐射模型、直方图阈值分割、彩色模型阴影检测方法, 支持向量机、视觉几何群网络、Inception和残差网络分类网络进行了对比实验, 本文方法综合误判率和漏检率分别为2.1%、1.5%. 结果表明, 本文提出的高层建筑遥感阴影检测算法能较好地完成阴影区域的分割和检测, 有利于节约人力物力资源、协助工作人员进行遥感信息的解译、遥感档案建立等工作, 具有实用价值.     

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。     

遥感舰船目标检测识别方法

针对基于经典图像处理方法的目标检测识别方法虚警率高、分类效果差等问题,提出了一种基于深度学习的光学遥感舰船目标检测识别方法。该方法采用形态学运算+深度学习的方法,基于视觉增强技术快速筛选疑似目标,大幅降低需处理的数据量;采用深度学习网络,大幅降低目标检测虚警率。在2片Xilinx FPGA上完成了设计验证,利用FPGA全并行流水处理的特点,大幅提升处理效率和实时性,相对采用i7-CPU和GPU-GTX1050实现该算法,能效比分别提升260倍和28倍。经16景高分2号卫星遥感图像验证,目标检测识别率高于98%,虚警率低于5%。与现有的目标检测识别方法比,该方法在工程化能力、鲁棒性、实时性、准确率、能效比等方面达到较好平衡,性能优越,优于当前业内方法。