基于指数构建的高分辨率城市水体提取新方法

针对高分辨率遥感影像水体指数适用性差异的问题,提出了一种水体指数CEWI和一种阴影指数MSRM,并综合2种指数构建了自动化城市水体提取模型NMEM。以国产资源三号卫星遥感数据为信息源,在对比分析各地类要素光谱信息的情况下,采用面向对象分割和特异性指数构建的方法,以北京、武汉、广州3市部分区域作为实验对象进行水体提取实验。通过与常用水体指数NDWI、高分辨率水体指数HRWI阈值提取以及依据光谱特性、几何特性等的随机树监督分类方法进行比较,实验结果表明,在各研究区内NMEM模型的水体提取效果最佳,用户精度均在91%以上,制图精度均在93%以上,Kappa系数均在0.98以上。该方法在准确提取水体的同时有效排除了大量黑暗阴影的干扰,基本消除了椒盐噪声。     

基于密集连接全卷积神经网络的遥感影像水体全自动提取方法

针对常规遥感水体监测方法存在的易受人为主观因素影响、泛化能力弱、效率低、自动化程度较低的问题,提出利用深度学习实现遥感影像水体信息快速自动化提取的方法。通过引入DenseNet密集连接结构(dense block)构建水体提取深度学习全卷积神经网络,弥补了一般网络存在的浅层特征丢失问题,提高了网络对遥感影像中细小水体的敏感程度,实现了更优的水体提取效果。实验结果表明,该方法水体提取结果的像元精度达到96.3%,均交并比达到91.1%,斑块漏检率为0,水体边界长度和面积精度分别达到95.8%和98.5%,均高于传统NDWI法、光谱监督分类法、决策树方法。同时,该方法表现出所对比方法不具备的高效、自动化和泛化性优势,在遥感影像水体提取上有较强的应用价值。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

矢量约束的面向对象高分遥感影像水体提取

鉴于高分辨率遥感影像的光谱混淆和噪声干扰现象为遥感信息的精确提取带来很大困难,而利用现有矢量数据作为约束条件是提高遥感信息提取准确性的有效手段,提出了一种基于矢量约束实现面向对象高分辨率遥感影像水体提取的新方法。方法的基本步骤包括:1)利用硬边界约束方法(HBC-SEG)进行图像分割;2)分割图层与矢量数据叠合以建立分割图斑和已有矢量水体图斑间的空间关系;3)针对矢量与影像间的时相差异和配准误差建立差异化的知识规则以提取影像中的真实水体。实验证明,该方法在准确提取高分辨率影像上细小水体信息的同时,也能有效抑制建筑等地物的阴影干扰,和无约束方法相比,综合精度评价指标F-Measure平均提高13%以上。     

基于卷积神经网络的遥感图像水体提取

为解决基于遥感图像监测地表水资源变化的问题,在深度学习的框架下,基于卷积神经网络(CNN)提出了用于遥感图像水体提取的模型.利用网络爬虫的方式,搜集遥感图像,并通过随机裁剪、数据清洗等方式构建训练、验证和测试数据集.通过对低层语义特征学习提取抽象的高层特征,基于提取的高层特征进行网络模型训练.实验结果表明:水体提取的精...     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

多尺度特征融合的多源异构遥感数据水体提取

针对现有遥感测绘水体提取方法在多源异构遥感数据的信息融合与深层特征提取方面存在的不足,提出了一种基于多尺度特征融合的多源异构遥感数据水体提取方法。首先,设计了一种基于多源异构遥感数据输入的网络模型结构解决多源异构遥感数据的多尺度特征融合问题;随后,提出了一种基于改进残差网络的高维卷积单元,对异构遥感数据进行深层特征提取,同时,构建了基于哨兵一号和哨兵二号卫星的全球水体大规模多源异构遥感数据库。对比实验结果表明,以人工遥感影像标注的水体区域分布真值为精度评价基准,所提出的多尺度特征融合算法的水体提取结果,准确率达到了90.12%,相比现有深度学习领域主流的U-Net图像分割模型方法,准确率提高了3.73%以上,有效提升了多源异构遥感数据的大范围水体提取准确性。     

基于Sentinel-2影像的多种水体指数法提取地表水对比研究

高时空分辨率的Sentinel-2影像日渐成为地表水体提取的主要遥感数据源,开展基于该卫星影像的多种水体指数方法提取效果的对比研究,对提升地表水遥感监测能力具有重要参考价值。本研究针对目前较为常用的7种水体指数（NDWI、MNDWI、AWEInsh、AWEIsh、WI2015、CDWI和MNDWI＿VIs）,以分布在华北、东北、长江中下游和西北的具有不同地表水体类型组合特征的4个样区为例,在GEE(Google Earth Engine)平台上采用Sentinel-2 MSI影像实现了基于7种水体指数的地表水提取,进而定量分析了不同指数提取水体的精度。结果表明：总体而言,7种水体指数均可以较好识别地表水,但在不同类型的地表水体提取时的表现存在一定的差异;NDWI指数在瞬时性水体（如水田、洪泛区等）会低估地表水的分布,漏分率较高;而AWEInsh、AWEIsh和WI2015指数整体存在高估倾向,错分率较高;MNDWI＿VIs水体指数在复杂水体类型的区域提取精度保持最高;在长时序水体变化监测方面,7种水体的性能表现与基于单景影像所得结论基本一致。本研究为不同类型水体开展地表水监测提供了重要...     

MODIS水体指数模型(CIWI)研究及其应用

本文通过分析MODIS与水体识别相关的1~7波段地物光谱图像特征及相关水体指数模型的识别效果,提出了新的水体指数模型(CIWI)。该模型采用植被指数与近红外波段7的进一步组合,有效地解决了水体与云、植被、城镇等其他信息的分离问题,特别是明显地增强了水体与城镇的分离度,实现了水体信息的有效提取。通过应用2004~2005年的MODIS资料对广西贵港市平龙水库进行水体信息遥感监测表明,CIWI水体指数模型优于其他水体指数模型。     

基于GF-2遥感影像的一种快速水体信息提取方法

在高分辨率遥感影像中,水体与阴影(尤其是高大建筑物阴影)、暗色地物不易区 分。针对 GF-2 遥感影像的光谱特性的大量实验研究,提出了一种新综合水体指数法(NCWI)来 增强水体区域信息;同时利用改进的 OSTU 结合鸡群算法(CSO)快速自适应地确定最佳分割阈 值,进而得到最终的水体区域。将其同归一化 NDWI、改进谱间关系法、主成分分析综合法等 常见水体信息提取方法应用于 GF-2 遥感影像水体信息提取,利用采用实地采样和人工解译的 混淆矩阵对提取的水体区域结果进行精度验证和对比分析,从而验证了其有效性和高效性。4 个实验区域的结果证明,该算法可以快速有效地提取水体信息,精确度分别达到 97.82%, 97.44%,92.13%,96.94%。     

利用可分图斑的高分遥感影像港口检测方法

鉴于由于类型、规模、自然环境等的差异,不同港口在高分遥感影像上表现出的形状、方向、纹理等特征往往具有较大差异,因而利用低层特征在高分遥感影像上进行港口检测面临较大挑战,提出一种利用非监督提取算法提取高分遥感影像中层特征用于港口检测的方法。该方法通过对大量样本的自主学习,提取能够识别港口的可分图斑作为中层特征表达,再用词袋模型构建基于可分图斑的特征向量,并利用SVM分类器检测港口。最后,探讨了可分图斑提取算法中相关参数设置对检测结果的影响,并利用测试影像集对该方法进行了验证,结果表明其检测正确率达97.5%。     

一种应用大津法的自适应阈值水体提取方法

针对基于单一阈值的大范围水体提取同时存在着漏提与误提的局限性,提出了基于大津法的局部范围阈值自适应确定的方法。通过分析水体与其背景地物的光谱特征,发现归一化水体指数(Normalized Difference Water Index,NDWI)直方图呈现明显的双峰分布,对NDWI使用大津法可以较准确地自动计算出水体与非水体的阈值。在初始阈值提取的水体信息的基础上,通过窗体提取局部范围的水体及其背景并进行局部自适应阈值的计算,实现自适应阈值水体信息的提取。使用环境小卫星影像对闽江流域进行水体提取实验,结果表明该方法可实现大范围水体快速提取,提取精度为95.25%,较全局统一阈值提取精度提高5.25%,并能在一定程度上消除地形阴影与建筑物等的影响,对细小水体的提取精度有所提高。     

并行交叉的深度卷积神经网络模型

目的 图像分类与识别是计算机视觉领域的经典问题,是图像检索、目标识别及视频分析理解等技术的基础。目前,基于深度卷积神经网络(CNN)的模型已经在该领域取得了重大突破,其效果远远超过了传统的基于手工特征的模型。但很多深度模型神经元和参数规模巨大,训练困难。为此根据深度CNN模型和人眼视觉原理,提出并设计了一种深度并行交叉CNN模型(PCCNN模型)。方法 该模型在Alex-Net基础上,通过两条深度CNN数据变换流,提取两组深度CNN特征;在模型顶端,经过两次混合交叉,得到1024维的图像特征向量,最后使用Softmax回归对图像进行分类识别。结果 与同类模型相比,该模型所提取的特征更具判别力,具有更好的分类识别性能;在Caltech101上top1识别精度达到63%左右,比VGG16高出近5%,比GoogLeNet高出近10%;在Caltech256上top1识别精度达到46%以上,比VGG16高出近5%,比GoogLeNet高出2.6%。结论 PCCNN模型用于图像分类与识别效果显著,在中等规模的数据集上具有比同类其他模型更好的性能,在大规模数据集上其性能有待于进一步验证;该模型也为其他深度CNN模型的设计提供了一种新的思路,即在控制深度的同时,提取更多的特征信息,提高深度模型性能。     

光谱模型结合面向对象法的山区水体提取北大核心CSCD

山区因地势起伏大、水体分布零散导致遥感提取水体信息精度不高。另外,对于高分二号(GF-2)影像,受限于只有4个波段,无法构建已有水体提取精度较高的指数。鉴于此,以泰山为研究区,采用GF-2影像,提出差异水体光谱模型结合面向对象法的水体信息提取方法,并与阴影水体指数决策树、改进的阴影水体指数决策树以及支持向量机3种方法进行对比。结果表明,该方法能够有效去除山体阴影的影响,较好地保持了水体信息,对细微水体也有良好的提取能力,在实验和验证影像中总体精度分别达到98.02%和97.33%,Kappa值分别达到0.9533和0.9334,均高于其他3种方法。该方法在准确提取水体的同时,有效减少“椒盐现象”的发生,可为类似山区水体提取提供一定的参考。     

无人机智能遥感信息提取技术研究与应用

深度学习遥感信息提取技术在自然资源行业中在逐渐开展应用,但行业主要基于两期卫星遥感影像开展变化检测的方法进行情报图斑提取。广西具有典型亚热带沿海地域特点,多云多雨,光学遥感影像覆盖度较低,全域获取两期影像的周期较长。针对广西云上摄影时间周期相对较短和地貌破碎等特征,提出基于HRNet网络开展解译模型训练,建立符合广西地域特征的自然资源综合样本库,并通过采集获取单期的无人机遥感影像进行建筑,道路,水体,耕地,林地和园地进行智能分割提取,实现基于自主训练解译模型和已有遥感解译模型对高分辨率无人机遥感影像进行自动解译,具备提取速度快、准确率高的优势。经验证以上六类地物要素的准确率和召回率均超过85%。结合建设项目实施监管和耕地资源监测的工作实际,应用无人机智能解译成果,通过套合国土变更调查的耕地范围提取非农和非粮图斑,并套合建设项目审批图斑提取审批图斑范围外的建筑图斑,开展监测监管应用实践,并取得阶段性成效和探索。     

可解译深度网络的多光谱遥感图像融合

目的 多光谱图像融合是遥感领域中的重要研究问题,变分模型方法和深度学习方法是目前的研究热点,但变分模型方法通常采用线性先验构建融合模型,难以描述自然场景复杂非线性关系,导致成像模型准确性较低,同时存在手动调参的难题;而主流深度学习方法将融合过程当做一个黑盒,忽视了真实物理成像机理,因此,现有融合方法的性能依然有待提升。为了解决上述问题,提出了一种基于可解译深度网络的多光谱图像融合方法。方法 首先构建深度学习先验描述融合图像与全色图像之间的关系,基于多光谱图像是融合图像下采样结果这一认知构建数据保真项,结合深度学习先验和数据保真项建立一种新的多光谱图像融合模型,提升融合模型准确性。采用近端梯度下降法对融合模型进行求解,进一步将求解步骤映射为具有明确物理成像机理的可解译深度网络架构。结果 分别在Gaofen-2和GeoEye-1遥感卫星仿真数据集,以及QuickBird遥感卫星真实数据集上进行了主客观对比实验。相对于经典方法,本文方法的主观视觉效果有了显著提升。在Gaofen-2和GeoEye-1遥感卫星仿真数据集,相对于性能第2的方法,本文方法的客观评价指标全局相对无量纲误差(relat...     

基于视觉注意机制的大范围水体信息遥感智能提取

建立契合遥感数据内在特征的智能信息分析模型与方法,是解决遥感大数据时代信息智能提取的关键所在。从普适性的大范围水体信息遥感智能采集的需求出发,构建一种基于视觉选择性注意机制与AdaBoost算法的水体信息遥感智能提取方法。首先通过对遥感多特征指数的RGB配色方案的优化设计,实现水体信息图像特征的增强和可视化表达。然后在HSV颜色空间中,利用色差距离图像的关键节点信息构造分类特征集,并采用AdaBoost算法构建水体识别分类器,据此从图像色彩聚类结果中自动识别出水体所属类别,实现水体信息的智能提取。对比实验结果表明,该方法的水体信息提取结果在漏分率（LR）和复合分类精度（CCA）上都有明显提高;同时,该方法能有效减少对高质量训练样本的依赖性,对于丰水期泥沙含量较高水体以及洪灾导致的淹没区等临时性水域也具有较好的识别性能。     

基于栈式自编码的水体提取方法

为了进一步提高利用遥感图像进行水体提取的准确率和自动化程度,提出一种基于栈式自编码(SAE)深度神经网络的水体提取方法。通过堆叠稀疏自编码器构建深度网络模型,使用逐层贪婪训练法依次训练每层网络,从像素层面无监督学习特征,避免传统神经网络等方法需进行人工特征分析与选取的问题;用学习到的特征结合相应的样本标签有监督训练softmax分类器;利用反向传播(BP)算法微调优化整个模型。采用塔里木河ETM+数据进行实验,基于SAE的水体提取方法准确率达到94.73%,比支持向量机(SVM)和反向传播(BP)神经网络方法分别高出3.28%和4.04%。实验结果表明,所提方法能有效提高水体提取的精度。