基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法。该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组)。在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成。实验表明该方法在针对面状对象进行变化检测时具有良好的效果。     

基于面向对象分类方法的遥感影像变化检测

介绍了一种利用GIS数据辅助实现遥感影像变化检测的方法.该方法将面向对象的概念引入遥感影像分类中,使分类的目标不仅可以是影像的像素,也可以是表示一个GIS对象的全部像素集合(像素组).在影像分类中,为减少工作量和降低分类精度对训练样区选择经验的依赖性,最大似然分类中的训练样区由现有GIS数据对象引导生成.实验表明该方法在针对面状对象进行变化检测时具有良好的效果.     

基于深度学习的遥感影像飞机目标检测方法

遥感影像飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径.针对深度神经网络目标检测在特征提取阶段并未专门涉及特定目标的问题,同时为进一步提高检测精度,基于单一目标多尺度检测(SSD)框架,提出飞机目标Inception多尺度检测(AFInceptionNetSSD)方法.通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标的几何特征,建立了飞机目标特征提取网络;并将此网络应用于SSD框架中,构建了AFInceptionNetSSD方法.仿真结果表明,该方法可以有效地提取飞机目标特征,与SSD框架相比,提高了检测精度.     

基于视觉显著性的高分遥感影像变化检测

随着遥感科学技术的快速发展,对地观测数据的时间、空间分辨率以及光谱分辨率都得到了显著的提高.然而面对目前丰富的影像信息,传统的遥感影像处理算法难以进行快速、准确、全面的解译,因此高分影像就不能彰显出它的优势.由于视觉注意机制的显著性具有速度快、定位准的优势,利用人类视觉注意机制的显著性来研究多时相高空间分辨率遥感影像的变化检测技术,并通过新的显著性计算模型,模拟人类视觉对显著变化目标信息的捕捉机制,来实现高分影像真实变化目标的快速高精度提取.在显著变化目标提取过程中尽可能的使显著图分辨率与原影像一致,防止失真,并且解决了虚警率、漏警率和总错误率相互冲突无法同时降低的问题.     

基于空-谱先验条件随机场的高分辨率遥感影像变化检测方法

高空间分辨率遥感影像能够提供丰富的空间细节信息,使利用遥感影像进行精细变化检测成为可能.为充分挖掘高分辨率影像中的光谱、空间信息,本文提出一种基于影像空-谱先验信息的条件随机场(Conditional Random Field based on Spectral-Spatial Prior,SSPCRF)模型,该方法使用显著性检测方式自动提供先验光谱-空间样本信息,提高一元势能构建精度,有效缓解一元势能构建不准确导致的推理过程中的误差传递问题,并在二元势能中综合考虑标记场与观察影像的空间上下文信息以保持变化地物轮廓信息.最后,使用基于消息传递机制的推理方法将模型进行全局优化.在2组高分辨率影像数据集上的实验结果表明该方法能够提供较精确的初始变化检测信息,使得在减少变化检测结果中虚警点的同时保持变化地物细节信息.     

用于遥感图像变化检测的深度监督网络

为了解决大多数全卷积网络出现的特征提取单一、遥感图像变化检测（CD）能力差的问题,借助Unet++网络构建用于遥感图像CD的深度监督网络（DSNet）.设计多尺度残差模块替换传统卷积层,通过融合孪生网络双分支上的空间与光谱特性,获取遥感图像在不同层次间的语义信息,有效解决了特征提取单一的问题.在模型解码端设计横向输出层,实现节点从低级向高级特征聚合的深度监督过程.将具备信息差异化的不同特征融合结果传输至基于归一化的注意力模块(NAM)中.在不引入额外参数的前提下增强了变化区域的信息权重.实验结果表明,所提模型在遥感图像CD任务中的召回率和精度分别为90.39%和92.04%,模型的参数量和计算量为6.38 M和60 G.与不同网络模型的对比表明,该方法具有检测精度高、速度快和轻量化等优点.     

基于深度学习的脑白质病变区域MRI图像变化检测

为了能够自动检测不同时期脑白质病变区域的变化,提出了一种基于深度学习的脑白质病变区域MRI图像变化检测方法,根据MRI影像的成像特点,首先对两幅图像进行预处理和预分类,选取合适的样本集,然后进行深度神经网络的训练.主要的指导原则是直接从训练好的深度神经网络中生成两幅MRI图像的变化检测图,该算法省去了生成差异图DI这一过程,一定程度上避免了DI对最终检测结果的影响.实验结果表明,该算法能够较为准确地检测出脑白质病变区域中的变化部分,在医学图像变化检测方面中有着不错的效果,通过检测结果能够记录病变区域的变化和发展趋势.     

基于深度学习的遥感图像超分辨率重建方法综述

基于深度学习的遥感图像超分辨率重建方法是计算机视觉中的重要方法之一。传统的遥感图像超分辨率重建方法已无法满足地物目标识别和土地检测等应用的需求,如何利用深度学习来重建遥感图像的分辨率是目前要解决的问题。结合国内外最新研究现状,将基于深度学习的遥感图像超分辨率重建方法分成3大类：单幅遥感图像超分辨率重建方法、多幅遥感图像超分辨率重建方法和多/高光谱遥感图像超分辨率重建方法。系统梳理了基于深度学习的单幅遥感图像超分辨率重建方法,包括基于多尺度特征提取的方法、结合小波变换的方法、沙漏状生成网络的方法、边缘增强网络的方法以及可跨传感器的方法。总结了基于深度学习的多幅遥感图像和多/高光谱遥感图像超分辨率重建方法中目前主流的方法。通过实验结果分析了遥感图像超分辨率重建方法目前效果最好的单幅图像超分辨率重建方法是基于GAN的方法,但是多幅遥感图像和多/高光谱遥感图像超分辨率重建效果仍然不佳,存在配准融合、多源信息融合等问题。最后,对基于深度学习的遥感图像超分辨率重建方法未来可能的发展趋势进行了展望,指出构建针对遥感图像特点的神经网络结构,无监督学习的遥感图像超分辨率重建方法,以及多源遥感图像的超分辨...     

基于深度学习的高分辨率卫星影像地表覆盖分类方法

针对高分辨率卫星影像地表覆盖自动化分类精度与效率问题,在深度学习的地表覆盖分类方法的基础上设计了一种适用于高分辨率卫星影像的卷积神经网络模型(LCC-CNN)。用高分二号与北京二号影像数据构建训练样本集,在卷积神经网络中使用不同扩张率的扩张卷积,设计能够区分模糊地表覆盖分类边界的损失函数,实现了多尺度地表覆盖特征的融合与精准提取,利用编码-解码结构输出像素级地表覆盖分类成果。实验结果表明：LCC-CNN在实验区域地表覆盖分类总体精度达到87.17%, IOU及Kappa系数分别为0.773 2与0.829 1,精度优于传统的决策树与SVM方法8%以上,IOU及Kappa系数分别提高了10%和11%,且在地表覆盖分类过程中不需要人工提取分类特征与设定分类参数,降低了建模难度与时间成本,提高了自动化分类的精度与效率。     

基于深度学习的遥感图像道路分割

为在遥感图像中提取出来道路信息,利用深度学习技术,引入U²-Net模型进行遥感图像道路分割。相比于传统的道路提取方法,基于U²-Net方法可以实现道路的自动化提取。为验证U²-Net模型分割效果,选取U-Net、DeepLabV3+等近几年较为流行的语义分割方法进行对比试验,并进一步分析U²-Net显著图融合模块中卷积核对道路提取效果的影响。试验结果表明,U²-Net模型能较有效地提取出道路信息,模型在测试集上的平均交并比达到了76.49%,Kappa达到了0.701 2,分割精度优于U-Net、DeepLabV3+等语义分割方法。基于U²-Net模型的深度学习方法可以用于解决遥感图像中的道路分割问题,并具有较好的分割效果。     

基于无人机遥感影像的水体提取方法

针对无人机（UAV）影像水体提取出现的噪声干扰、光谱混淆、分割尺度难把握、无法使用水体指数等问题,提出边缘检测算法结合面向对象方法的新水体提取方法（AUCSN）. 采用各向扩散滤波算法对影像去噪;采用Canny边缘检测算子对去噪后影像进行边缘提取,提取结果与去噪后影像进行波段重组,利用改进的邻域绝对均值差分方差比法对重组影像选取最优分割尺度,开展多尺度分割. 结合水体对象的光谱、形态、纹理特征建立模型,对分割后影像实现水体粗提取. 将粗提取结果利用形态学闭运算填充孔洞,实现水体提取. 实验结果表明,采用AUCSN方法进行水体提取,不仅提高了提取效率,而且提取精度能够达到96%.     

基于深度学习的CT影像脑卒中精准分割

为解决脑卒中病变的人工定位和定量分析耗时且缺乏一致性的问题,提出了基于多尺度U-Net深度网络模型,从非增强计算机断层扫描影像中分割脑卒中病变的高密度征,同时使用Dice损失函数训练模型以对抗数据中类不平衡问题。实验数据表明:该模型可端到端的以数据驱动的方式自动学习高密度征显著特征,有效地分割脑部小病灶区域。     

基于正反向异质性的遥感图像变化检测

为提高水体周边环境的变化检测结果的精度,提出一种改进的变化检测方法。在光谱与纹理特征结合的基础上融合指数特征构建混合特征空间,采用超像素生成算法(simple linear iterative cluster, SLIC)处理叠加影像获取地物对象,并综合地物对象的正反向异质信息构建地物对象的正反向异质性;使用最大数学期望算法与贝叶斯最小错误率理论获取两时相的变化信息,排除植被伪变化信息,形成相对准确和鲁棒的检测结果。试验结果表明:该方法能够有效区分水体周边环境中感兴趣的地物变化信息与不感兴趣的干扰信息、“伪变化信息”等,虚检率和漏检率较低,且正确率较高为96%以上,能够智能发现湖库水域周边“非正常”土地利用变化。     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

基于匹配的遥感影像自动纠正方法研究

针对多源遥感影像人工几何纠正方法存在精度差、效率低等问题，提出了一套新的基于匹配技术的自动纠正算法流程.该流程基于仿射变换对待纠正影像和已地理编码的参考影像进行粗配准.在利用Harris算子从两幅图像中分别提取特征点的基础上，通过由特征点和小波影像金字塔引导的从粗到精的匹配策略获得控制点对，再利用多项式拟合迭代法剔除错误点对.在获得大量的高精度控制点对后，利用不规则三角网(TIN)仿射变换法对影像进行纠正，并对杭州地区多源遥感影像进行纠正试验.结果表明,使用该方法选取的控制点均方根误差(RMSE)可以控制在0.5个像素以内.     

基于多尺度融合的遥感图像变化检测模型

为精准识别双时相遥感图像的变化区域,提出了一种基于多尺度融合的遥感图像变化检测模型。该模型在源图像特征提取阶段构造多尺度输入金字塔,接受多层次的感受野,增强对特征信息的感知;并通过对深层差异特征进行多尺度计算,实现精准定位变化区域与充分挖掘细节信息间的平衡;同时融合网络不同层级的差异特征检测结果,极大程度识别并保留语义变化信息。实验结果表明：本文模型在主观评价与客观指标上都具有良好的表现效果。     

基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.     

基于深度学习的行人多目标跟踪方法

综合了近年来基于检测跟踪的主流行人多目标跟踪方法,介绍了基于检测的行人多目标跟踪方法概念,从目标检测、特征提取和数据关联与跟踪三个阶段对行人多目标跟踪方法进行了概述,比较并评价了这些方法在MOTChallenge系列数据集上的性能,阐述了多目标跟踪的未来研究方向.