基于稠密金字塔网络的遥感影像建筑物提取

建筑物自动提取是遥感影像解译的重要研究方向,由于遥感影像中建筑物尺度变化大,纹理轮廓特征复杂以及树木遮挡等因素,针对遥感影像的建筑物提取具有一定难度。为了解决多尺度因素对建筑物提取的影响,采用稠密空间金字塔网络,模型基于带孔卷积和稠密连接机制分别改进残差卷积网络和空间金字塔结构,利用跳线连接融合低层纹理特征和高层语义特征,是一种端到端的遥感影像建筑物提取模型。在INRIA遥感影像数据集上展开充分实验,实验结果表明,模型在交并比和准确率两个指标上分别达到了75.93%和92.26%,均优于SegNet、FCN、Skip和MLP方法,证明了模型的有效性和准确性。     

融合多尺度卷积和注意力机制的场景提取方法

复杂背景下,不同尺度建筑物的特征差异较大,现有算法对多尺度建筑物分割存在分割不均以及误判等问题。为了解决上述问题,本文设计了一种适应多尺度变化的新型网络结构。首先,针对遥感图像场景提分割精度低的问题,引入坐标注意力机制,嵌入到基础网络中增强上下文信息捕获能力,消除噪声的同时增强网络对于空间特征的提取能力。引入了新型递归残差卷积模块,加深网络层次的同时减少信息丢失,提高特征提取效率。最后,在跳跃连接中引入了空洞空间卷积池化金字塔增大网络感受野,增强有效特征,抑制无用特征。设计系统验证模型的实用性。实验结果表明,本文方法在精确率、召回率、F1 score和IoU指标中比U Net网络分别提高了305%、156%、13%、308%。     

基于SLIC超像素算法和密度聚类的TA2钛板表面缺陷定量化评估研究

由于边缘效应的影响,TA2钛板涡流C扫描图像中缺陷区域与背景区域混杂,边缘对比度低,难以实现缺陷区域定量化评估。针对以上问题,提出了一种基于简单线性代聚类(SLIC)超像素算法和密度聚类算法的涡流C扫描图像分割方法。首先对TA2钛板进行涡流无损检测,获得包含有TA2钛板表面缺陷的涡流C扫描图像;然后利用SLIC超像素算法将获得的C扫描图像预分割成若干小区域;最后通过密度聚类算法对预分割后的C扫描图像进行区域合并,得到受检测TA2钛板C扫描图像中的缺陷区域,通过对缺陷区域进行细化处理和轮廓跟踪可以得到TA2钛板缺陷区域的估计长度,实现对TA2钛板表面缺陷的定量化评估研究。实验结果表明,该方法能够有效地实现受检测的TA2钛板表面缺陷的可视化、定量化分析,与传统的图像分割方法相比分割效果更优、准确性更高。     

超短期负荷的聚类分析及其变化情况预测

电力系统的超短期负荷值及其变化情况对系统调度具有重要意义,提出了一种优化的聚类算法对超短期负荷在一天中的变化情况进行归类并预测。由于模糊C均值聚类对初始聚类中心敏感,不能准确收敛于全局最优解,加入蚁群聚类,从而自动获得最佳聚类数目,采用模糊神经网络对聚类结果（负荷值的变化情况）进行预测。通过对相似日（非负荷因素如经济、气象等相似）的历史数据仿真实验,验证算法的合理性、有效性,为日后负荷调度提供决策依据。     

融合边缘检测的遥感图像超分辨率重建算法

针对基于生成对抗网络的遥感图像超分辨率重建存在训练不稳定,参数冗余,图片纹理细节不够清晰等问题。提出一种融合边缘检测的遥感图像超分辨率重建算法。首先,在生成器网络中引入改进后的Canny边缘检测算子用于低分辨率图像特征提取,通过在Canny算子边缘提取流程中利用双边滤波和3×3邻域梯度以检测图像的边缘信息,使网络能够更好的表达高频特征;其次,为降低网络参数和提高网络训练的稳定性,去除判别器网络中冗余的BN层,同时将Wasserstein距离定义为对抗损失以解决生成对抗网络训练出现的梯度消失现象。在NWPU RESISC45数据集上,所提方法的峰值信噪比与结构相似性较WDSR和CARN算法分别提升了1.22 dB、0.114和0.32 dB、0.013,且重建后的图像相比较WDSR、CARN等其他SR算法在图像纹理细节和主观视觉效果方面也均有提升。     

基于像素值聚类的运动目标检测方法

提出了一种基于像素值聚类的运动目标检测方法.在RGB空间进行背景提取,将一幅图像中的每个像素点在时间轴上进行聚类,提取背景模板;之后采用当前图像与背景模板进行比较,从而检测出运动目标,并同时进行背景模板的更新.在此过程中采用了模板替换机制以节约存储空间;在背景建模部分加入结束判定部分,以自适应的建立背景模板.相比于经典的混合高斯(GMM)和codebook方法,该算法的运行时间至少缩短了1/4,提高了检测速度.实验结果表明,该算法能够在不同条件下快速准确的检测运动目标.     

融合Swin Transformer的遥感影像建筑物变化检测

针对不同时序遥感影像中多种地物类型的变化信息杂乱、背景复杂导致难以清晰地提取关键特征的问题,本文提出了一种将Swin Transformer与孪生网络融合实现建筑物变化检测的新方法。该方法通过4个Swin Transformer Block的结构来获取不同层次的特征,针对不同尺度的特征图进行差异计算,以获取变化特征图。此外,在本文算法的基础上还引入了差异特征融合模块和边缘感知注意力模块。差异特征融合模块能更好地表达不同感受野下的特征,提高对细节特征和全局特征的融合效果;边缘感知注意力模块细化特征提取时特征图中建筑物的边缘特征,扩大模型的局部感受野,增强模型对于细节信息的检测能力,从而提高网络结构对建筑物边缘特征的提取能力。实验结果表明,本文方法与现有经典变化检测网络全卷积早期融合FC-EF相比,在两个公开数据集上的F1值分别提高了7.36%和19.67%。     

基于KMM与超像素的SAR海面暗斑分割算法

提出了一种基于K乘性模型(K multiplicative model , KMM)与超像素分割算法的无监督的SAR海面暗斑检测算法。KMM算法采用矩估计法进行参数估计,应用于海表面含暗斑的感兴趣区域（region of interest, ROI）检测。通过对感兴趣区域生成的超像素进行聚类来完成最终暗斑的边缘分割。在边缘回撤率、遗漏误差、交叉误差上有较大改善,机载SAR的平均误差率为10%,而TerraSAR的平均误差率低于2%。在计算效率上也有较大提高,平均0.53 s内可处理104个像素点。实验基于高分辨率L波段机载SAR数据以及TerraSAR X数据进行,实验结果表明该方法具有较强的鲁棒性以及较高的计算效率。     

基于超像素锚层收敛选点的高光谱图像聚类算法

针对传统高光谱图像聚类算法难以有效处理数据量快速增长的高光谱图像的问题,提出基于超像素锚层收敛选点的高光谱聚类算法。采用SuperPCA对原始数据进行基于超像素切割的降维;利用K-means选取具有代表性的锚点,构建基于锚点的邻接矩阵;通过无核邻近分配的方法构建相似图,避免对热核参数的调整;最后进行谱聚类分析获得聚类结果。在Indian Pines和Pavia Centre高光谱数据集进行仿真实验,结果表明该算法获得的分类图所含错分点更少,地物分布更加平滑,与当前高光谱图像聚类算法相比具有更优的聚类效果。     

采用样本自动选择的建筑物遥感场景分类方法

目前遥感图像建筑物场景分类方法多采用人工标注样本,标注过程需要大量时间。针对该问题,提出了一种采用样本自动选择的高分遥感建筑物场景分类方法。首先,建立光谱特征、几何特征和深度特征的多维高分遥感图像影像对象特征空间;其次,采用决策树初步提取建筑物,构建建筑物场景密度直方图;然后,采用自然间断法对建筑物密度分级,并采用比例法分别在每类场景中提取部分场景图像作为训练样本;最后,采用ResNet50网络对建筑物场景分类。以辽宁省沈阳市浑南区为研究区域和Google Earth遥感图像为实验数据,实验结果表明本文方法能够实现非监督场景分类,总体分类精度和Kappa系数分别为089和082,较原有样本选择方法分类精度提高了3%和8%。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于优化视觉词典的震后高分遥感影像震害建筑物检测

在缺少震前参考信息前提下,提出了一种基于优化视觉词典的震后高分遥感影像震害建筑物检测方法。 首先通过 WJSEG(wavelet-JSEG)分割以及一组非建筑物筛选规则提取潜在建筑物集合;其次利用光谱、纹理及几何形态学特征构建了一 种震害视觉词典模型,跨越了从像素到震害特征间的“语义鸿沟”;在此基础上设计了一种基于类内和类间惩罚因子的视觉词 典优化策略,减少了信息冗余及证据冲突;最后通过随机森林分类器将建筑物进一步划分为完好建筑物、部分震害建筑物及废 墟。 在两组实验中,该方法的总体精度均达到 85%以上,从而可为震后应急响应救援及灾后重建提供关键的决策支持信息。     

基于超高压输电线路智能巡检的建筑物提取方法研究*

在超高压输电线路智能巡检过程中,提取卫星遥感影像中的建筑物至关重要。针对该任务提出一种细粒度特征融合的建筑物提取方法——U DeepNet。该方法集成了Deeplab V3+与U Net模型的优点,充分提取细粒度特征,确保密集排列的建筑物亦能被准确提取与区分开来。通过添加2个不同的残差U型块(RSU),增加了网络对小目标的灵敏感知,并使用不同维度的注意力机制,合理关注有效信息。在马萨诸塞州建筑物数据集上的实验验证了该方法的优越性。     

融合粗糙集和模糊聚类的连续数据知识发现

知识自动获取是困扰基于知识的系统普遍推广应用的瓶颈，粗糙集理论是一种从历史数据中发现规则知识的数学工具。该文针对粗糙集方法应用于电厂与电力系统数据挖掘中存在的连续属性离散化问题，提出了基于模糊聚类的离散化方法。采用模糊C平均(FCM)算法离散连续属性，获得各类的聚类中心以及属性值隶属于各聚类中心的隶属度矩阵，得到离散化的数据。将粗糙集方法应用于离散化后的数据挖掘隐含在历史数据中的知识。最后进一步讨论了置信度、支持度等指标对规则的评价方法。给出的汽轮机轴系振动故障诊断规则获取算例验证了整个知识发现方案的可行性。     

基于MCA分解和样本聚类的超分辨率算法

针对SCSR（sparse coding sparse representation）算法采用通用的过完备字典无法表征多种结构类型的图像以及全局稀疏重构引入过多冗余这2个缺点,提出了基于MCA（morphological component analysis）分解和样本聚类的超分辨率算法。本算法首先采用K means方法对待训练特征块进行聚类,得到多特征字典对来处理不同类型的低分辨率图像。然后在重构阶段,采用MCA方法提取图像的纹理成分进行稀疏重构,对平滑成分进行插值放大。实验结果表明与其他先进的算法相比,该算法能够更好地恢复图像的边缘细节,重构质量更好。     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

基于超像素分类及径向射线扫描动态优化的视盘 分割方法

视盘的精确分割是青光眼计算机辅助诊断的关键。视网膜眼底图像个体差异大,结构复杂,视盘容易受血管组织及病变等干扰,其精确分割存在一定难度。提出基于超像素分类及径向射线扫描动态优化的视盘分割方法;通过使用灰度、纹理、解剖结构等特征分类视盘超像素;采用径向射线投影扫描动态优化精确定位视盘轮廓。基于超像素分类的视盘分割方法对血管、病变等噪声干扰具有较强的抑制性,可实现视盘的粗分割;径向射线投影扫描动态优化方法充分利用视盘的几何结构、边缘、曲率、连续性等特征,确保视盘区域的完整性及分割精度。实验结果表明,在REFUGE数据库和DRIONS数据库中,其精度分别为99.19%、98.65%,灵敏度分别为98.64%、94.99%,特异性分别为99.46%、99.89%,DICE系数分别为98.52%、97.28%,视盘重叠率分别为97.09%、94.70%,与典型算法比较,上述方法在不同数据库上的视盘分割准确性、灵敏性、特异性等方面具有明显提升。