遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

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%。     

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪。为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法。利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理。通过前景与背景图像的分割,选择遥感图像中的待检测目标。构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征。最终通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果。通过性能测试实验得出结论：与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440ms,由此证明优化设计方法具有良好的检测性能。     

卫星遥感图像增强处理方法研究

在地震减灾研究中,遥感技术作为获取某些震害特征信息和基础空间信息工具而被广泛应用,但是由于在卫星成像过程中,受传统航宅摄影技术以及其它各种噪声的影响,造成遥感图像图质的退化,从而影响了后期的遥感信息的提取和处理.遥感图像增强处理,可以改善图像中某些特性的视觉效果,通过在Visual C++平台上对采集回来的图像进行直方图修正和局部方差均衡图像增强处理,结果提高了卫星遥感的显示质量,为后期地震减灾遥感信息的提取和处理奠定了一定的理论基础.     

基于深度学习的灾后建筑物损坏程度检测综述

遥感图像分类和语义分割是一项非常有应用价值的计算机视觉任务。由于现实生活对遥感信息有更高的需求,使计算机视觉领域中高分辨率遥感图像研究日益活跃。其广泛应用于国土资源监测、道路提取和土地划分等领域。自然灾害后建筑物损害程度检测也作为其应用领域之一,目的是对灾后建筑物损坏程度进行相关检测和评估。近年来,随着深度学习的发展,遥感图像领域取得巨大进展,深度学习在遥感图像分类和语义分割领域中的应用获得了巨大的成功,使其解析遥感图像信息和提取底物特征的速度更快,也在很大程度上提高了处理遥感图像相关任务的准确性。因此,深度学习中的计算机视觉技术对自然灾害后建筑物损害程度检测具有很大帮助。该文介绍了基于深度学习的自然灾害后建筑物损坏程度检测的相关任务、难点和发展现状。接着对xBD数据集进行介绍,并说明了不同算法模型的相关评价标准。然后对深度学习方法中几种应用于建筑物损坏程度检测的卷积神经网络模型进行总结和对比。最后对其存在的问题及未来可能的发展方向进行了讨论。     

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,基于CV算法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在55.1～62.7 dB范围内,图像模糊噪点个数最大为1.32×10⁵个,可获得较为清晰的遥感图像,在卫星遥感图像边缘精准检测方面具有较强的实用性。     

基于DBN与对象融合的遥感图像变化检测方法

在高分辨率光学遥感图像变化检测中,多数面向对象的方法只能利用简单的特征组合得到对象特征,难以进行高层特征的设计和提取。针对该问题,提出一种基于深度置信网络和对象融合的图像变化检测方法。将变化检测转化为二分类问题,并把图像像素作为分类单元,在特征学习和分类阶段设计多尺度的图像特征学习和分类方法,以充分利用图像目标的上下文信息。在此基础上设计基于对象的分类融合方法,对利用深度置信网络分类得到的结果进行融合,从而减小局部噪声的影响。在QucikBird影像数据集上的实验结果表明,该方法可有效提高图像变化检测的准确率。     

图像语义分割方法在高分辨率遥感影像解译中的研究综述

快速获取遥感信息对图像语义分割方法在遥感影像解译应用发展具有重要的研究意义。随着卫星遥感影像记录的数据种类越来越多,特征信息越来越复杂,精确有效地提取遥感影像中的信息,成为图像语义分割方法解译遥感图像的关键。为了探索快速高效解译遥感影像的图像语义分割方法,对大量关于遥感影像的图像语义分割方法进行了总结。首先,综述了传统的图像语义分割方法,并将其划分为基于边缘检测的分割方法、基于区域的分割方法、基于阈值的分割方法和结合特定理论的分割方法,同时分析了传统图像语义分割方法的局限性。其次,详细阐述了基于深度学习的语义分割方法,并以每种方法的基本思想和技术特点作为划分标准,将其分为基于FCN的方法、基于编解码器的方法、基于空洞卷积的方法和基于注意力机制的方法四类,概述了每类方法中包含的子方法,并对比分析了这些方法的优缺点。然后,简单介绍了遥感图像语义分割常用数据集和性能评价指标,给出了经典网络模型在不同数据集上的实验结果,同时对不同模型的性能进行了评估。最后,分析了图像语义分割方法在高分辨率遥感图像解译上面临的挑战,并对未来的发展趋势进行了展望。     

基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例

湿地资源遥感信息提取并满足一定的分类精度和效率,是湿地研究的关键问题之一。利用高分辨率的SPOT5影像数据,通过对研究区分别进行基于像素的监督分类和基于对象的分类,进行典型沼泽湿地专题信息提取,同时将面向对象分类与DEM辅助数据进行信息复合,探寻提升分类精度的方法。结果表明,基于对象和辅助数据DEM的信息提取,可以有效地改善遥感图像的分类精度。     

基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例

湿地资源遥感信息提取并满足一定的分类精度和效率,是湿地研究的关键问题之一。利用高分辨率的SPOT5影像数据,通过对研究区分别进行基于像素的监督分类和基于对象的分类,进行典型沼泽湿地专题信息提取,同时将面向对象分类与DEM辅助数据进行信息复合,探寻提升分类精度的方法。结果表明,基于对象和辅助数据DEM的信息提取,可以有效地改善遥感图像的分类精度。     

联合集成学习与EfficientNet的光学遥感图像场景分类

深度学习能够提高光学遥感图像场景分类的准确率和效率,但光学遥感图像语义丰富,部分场景仍存在易误分类的情况,同时由网络模型规模扩大带来的硬件要求过高、时间成本消耗过大等问题制约着深度学习网络模型的推广应用。为此,提出一种基于轻量化网络模型的光学遥感图像场景分类方法。通过EfficientNet网络提取图像特征,对图像特征进行复合提取以生成语义信息更丰富的新特征,利用多个子分类器构建集成学习模块解析新特征得到预分类结果,集成加权预分类结果以获得最终的分类结果。在AID和NWPU-RESISC45数据集上的实验结果表明,即使只训练20%的数据样本,该方法也能分别达到94.32%和93.36%的准确率,相对D-CNNs、CNN-CapsNet等方法,所提方法对易误分类场景有更好的分类效果,且参数量和浮点运算量大幅减少。     

采用通道域注意力机制Deeplabv3+算法的遥感影像语义分割北大核心CSCD

为提取高分辨率遥感影像的典型地物,且针对Deeplabv3+在遥感图像分割任务中,边缘分割比较模糊,存在孔洞和遗漏分类的问题,基于深度学习提出在Deeplabv3+加入通道注意力机制模块以增强分割结果的方法。先通过深度卷积网络得到的高级特征图输入到通道注意力机制,进行通道间像素特征强化,再通过空间金字塔池获得多尺度输入图像,并且进行了类别不平衡的修正,提取出了完整的图像分割信息,实现了分割边界信息的优化。最后,通过采集广州市高分二号遥感影像进行遥感数据处理、标注、增强之后进行实验,对比经典语义分割网络U-Net、SegNet、PSPNet,结果表明,该方法的评估指标MIOU达到了96.19%,MPA达到了97.85%。     

基于深度学习的遥感图像土地分类研究

针对采用单一特征描述技术存在的高分辨率遥感图像特征多、分类精度低的问题,提出一种基于深度学习的遥感图像土地分类模型。模型对高分1号卫星获得的遥感图像进行了预处理,采用特征级图像融合的方法将这些特征关联起来,实现遥感图像特征融合。将融合后的图像特征输入训练后的深度信念网络进行处理,由Softmax分类器获得土地分类。实验分析表明,该模型能够对所有土地类型进行清晰的分类。     

基于深度先验和小波变换的遥感图像复原算法

针对各种退化因素导致遥感图像模糊的问题,在混合即插即用(Hybrid Plug-and-Play, H-PNP)模型的基础上,设计了基于深度先验和小波变换的模糊遥感图像复原算法。首先,利用导向滤波对模糊图像进行预处理,再构建结合非局部相似块低秩先验、深度先验和小波变换的模糊遥感图像复原模型,最后利用交替迭代法求解模型,复原出清晰的图像。考虑到惩罚因子对图像复原的影响,在深度去噪器中引入相对残差自适应原则更新惩罚因子。实验结果表明,上述算法对于叠加模糊和噪声的退化图像具有良好效果,选取GSR算法、NSCR算法和H-PNP算法进行对比实验,在主观视觉效果、峰值信噪比、特征相似性和结构相似性方面均优于对比算法。     

基于ENVINet5的高分辨率遥感影像稀疏塑料大棚提取研究

随着设施农业管理要求的提高,需要提取高分辨率遥感影像中大范围、低密度的塑料大棚空间分布信息作为农业管理和资源分配的依据。以浙江省桐庐县为研究区域,利用高分辨率遥感影像数据,对比分析不同机器学习方法提取塑料大棚的效果。ENVINet 5深度学习架构可以克服标签较少的困难,通过语义学习进行塑料大棚提取和面积估算,总体精度和Kappa系数达到97.84%和0.81;U-net深度学习网络的提取结果中,总体精度和Kappa系数为96.22%和0.79,两种深度学习方法均优于利用支持向量机进行塑料大棚提取的结果。研究表明通过深度学习方法提取高分辨率遥感影像中稀疏分布的塑料大棚有很好的效果,可以为农业经济作物管理、规划和气象保障提供支持。     

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。     

基于深度多相似性哈希方法的遥感图像检索

哈希方法由于低存储、高效率的特性而被广泛应用于遥感图像检索领域。面向遥感图像检索任务的无监督哈希方法存在伪标签不可靠、图像对的训练权重相同以及图像检索精度较低等问题,为此,提出一种基于深度多相似性哈希（DMSH）的遥感图像检索方法。针对优化伪标签和训练关注度分别构建自适应伪标签模块（APLM）和成对结构信息模块（PSIM）。APLM采用K最近邻和核相似度来评估图像间的相似关系,实现伪标签的初始生成和在线校正。PSIM将图像对的多尺度结构相似度映射为训练关注度,为其分配不同的训练权重从而优化深度哈希学习。DMSH通过Swin Transformer骨干网络提取图像的高维特征,将基于语义相似矩阵的伪标签作为监督信息以训练深度网络,同时网络在两个基于不同相似度设计的模块上实现交替优化,充分挖掘图像间的多种相似信息进而生成具有高辨识力的哈希编码,实现遥感图像的高精度检索。实验结果表明,DMSH在EuroSAT和PatternNet数据集上的平均精度均值较对比方法分别提高0.8%～3.0%和9.8%～12.5%,其可以在遥感图像检索任务中取得更高的准确率。     

基于数学形态学算法的遥感图像边缘去噪方法

为了提升遥感图像边缘去噪质量以及去噪效率,设计一种基于数学形态学算法的遥感图像边缘去噪方法。对遥感图像数据实施归一化处理、标准化处理、图像增强处理。以预处理后的数据作为研究基础,对原有形态边缘提取算子实施多次改进,采用加权自适应多尺度形态边缘提取算法提取遥感图像边缘,利用伞形算子进行递归局部邻域扩散,实现遥感边缘图像去噪。测试结果表明,该方法的最大去噪误差与平均去噪误差较小,边缘去噪时间较短,小曲率数据点的个数明显增加,而大曲率数据点的个数则明显减少,说明设计方法的遥感图像边缘去噪质量高,去噪效率高。     

滨海湿地信息提取方法比较研究

以江苏省典型滨海湿地为研究对象,利用2005年5月26日的Landsat7 ETM+图像数据,在湿地特征及其遥感图像表征分析的基础上,逐步提高湿地信息的提取精度,通过对多光谱遥感图像特征向量的分析,总结出一些湿地信息提取的规则和方法。在滨海湿地光谱特征分析的基础上,对研究区的图像进行了非监督分类,利用湿地的光谱相应特征、纹理特征、主成分变换、归一化差异水体指数等特征和相应的知识规则,得到用于优化分类的知识规则,采用分层分类的方法对非监督分类的结果进行了优化,从而使提取结果的精度较原来有了很大程度的提高。还利用给予数据挖掘的分层分类法进行分类比较,通过建立误差矩阵和对比各种分类方法的分类精度,总结出一套分类精度较高的针对该研究区的湿地信息提取方法。     

遥感图像中油罐目标精确定位与参数提取

目的 浮动顶油罐是遥感图像中具有圆形特征的典型人造目标,其高精度定位与参数提取问题是一类代表性的应用问题,针对该问题,传统的基于圆形特征的变换域提取方法鲁棒性差,参数选择需要不断手动调整;基于深度学习的方法利用对已有标注图像的训练求解网络参数,提高了自动化程度,但对于圆形目标而言,覆盖圆周需要较大的感受野,这对应较大的网络结构,随之带来细节信息缺失或参数量、运算量增大的问题。本文针对油罐的定位与参数提取问题,将传统特征提取与深度学习结合,提出了一种计算量小、精度高的方法。方法 基于快速径向对称变换（fast radial symmetry transform,FRST）后的变换域数据及原始数据构建了卷积神经网络（convolutional neural networks,CNN）,给出了训练过程及参数选择,有效地将圆形特征的先验引入深度学习过程,计算复杂度低,用较少层的网络实现了高精度的定位。结果 基于SkySat数据的实验表明,该方法比单纯基于深度学习的方法在相同网络量级上精度得到了有效提高,预测误差平均降低了17.42%,且随着网络深度的增加,精度仍有明显提高,在较浅层次网络中,预测误差平均降低了19.19%,在较深层次网络中,预测误差平均降低了15.66%。结论 本文针对油罐遥感图像定位与参数提取问题,提出了一种基于变换域特征结合深度学习的方法,有效降低了计算量,提升了精度和稳定性。本文方法适用于油罐等圆形或类圆形目标的精确定位和参数提取。