利用U-net网络的高分遥感影像建筑提取方法

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,提出基于U-net神经网络的高分辨率光学遥感影像建筑物提取方法。方法包含U-net神经网络和全连接CRFs网络,依据图像特征进行语义分割并优化分割结果;在实现U-net神经网络和全连接CRFs模型的基础上,根据U-net的特点以及本文数据特性调试出不同数据量的增强扭曲数据集进行测试,以达到最高鲁棒的分割效果;调试全连接CRFs模型,使得后处理结果更加贴近影像中的真实情况。实验结果表明,与利用传统分割方法的分割效果相比,该方法分割精度及地物边缘分割完整度都得到了显著提升,对高分辨率遥感影像中建筑物的实验分割精度达到了87.64%。     

基于Deeplabv3+与CRF的遥感影像典型要素提取方法

为提取高分辨率遥感影像的典型要素(建筑物及道路),基于深度学习,提出一种语义分割与全连接条件随机场(CRF)相结合的提取方法。以Deeplabv3+作为语义分割模型,提取较完整图像分割信息,并将其作为全连接CRF的一元能量函数的输入,利用平均场近似方法进行推理,实现对分割信息边界的优化。通过分析Deeplabv3+模型在噪声样本集数据的训练效果验证其鲁棒性,并基于公开影像及矢量数据源设计大规模遥感训练样本集智能采集系统。采集罗德岛2 000平方公里遥感影像及相对应典型要素标记数据作为样本进行实验,结果表明,该方法分割精度MIoU值达到80.32%,结合形态学滤波处理,要素边界轮廓明显优于初始分割结果。     

利用U型网络的遥感影像建筑物规则化提取

针对全卷积神经网络双线性插值及转置卷积算法在高分遥感影像建筑物提取任务中无法准确还原分割对象轮廓的问题，基于Unet网络建立改进的ResNeXt＿SPP＿Unet全卷积神经网络，并提出改进Douglas Peucker图像后处理算法完成建筑物提取规则化。ResNeXt＿SPP＿Unet网络重点优化两个方面，一是将Unet中的标准卷积替换为ResNeXt Block，在减少模型运算数量的同时提高网络的分割精度；二是在Encoder末尾阶段引入SPP金字塔池化层，以多尺度特征融合的方式提升对象边缘的分割准确度。经实验对比分析，结果表明在高分遥感影像建筑物提取任务中，改进ResNeXt＿SPP＿Unet优于Unet等经典分割网络及ResUnet++等前沿分割网络，平均交并比达到了0.853 8，平均像素准确率达到了0.935 9。最后，将改进的Douglas Peucker算法衔接于ResNeXt＿SPP＿Unet模型之后，通过增加对建筑物轮廓边缘的旋转及连接等处理操作改进该算法，进一步拟合建筑物真实轮廓，对建筑物的边界进行规则化校正，效果良好。     

边缘增强的EDU-Net遥感影像建筑物提取

针对高空间分辨率遥感影像背景信息复杂，现有语义分割模型提取建筑物轮廓易出现边缘缺失、边界划分不清晰等问题，提出一种边缘增强型EDU-Net深度学习网络。在EDU-Net结构设计中，通过构建边缘特征约束模块，结合Sobel边缘检测图细化建筑物边缘特征；同时，基于二次强化策略提升模型对建筑物边缘信息的表征学习能力。在WHU数据集上，EDU-Net语义分割指标MIoU和F1分别为91.99%和92.37%,相较DoubleU-Net提升0.99%和1.05%;在中国典型城市建筑物数据集上，MIoU达83.12%,同时边缘与边界分割效果更佳，证明了所提出模型具有较好的分割性能和普适性。     

基于生成对抗网络的地面新增建筑检测

针对传统的基于地物纹理和空间特征的方法很难精确识别地面新增建筑的问题，提出了一种基于生成对抗网络的新增建筑变化检测模型（CDGAN）。首先，使用Focal损失函数改进传统图像分割网络（U-net），并以此作为模型的生成器（G），用于生成遥感影像的分割结果；然后，设计了一个16层的卷积神经网络（VGG-net）作为鉴别器（D），用于区分生成的结果和人工标注（GT）的真实结果；最后，对生成器和判别器进行对抗训练，从而得到具有分割能力的生成器。实验结果表明，CDGAN模型的检测准确率达到92%，比传统U-net模型的平均区域重合度（IU）提升了3.7个百分点，有效地提升了遥感影像中地面新增建筑物的检测精度。     

基于多尺度特征融合模型的遥感图像建筑物分割

针对传统深度网络模型难以精确提取建筑物边缘轮廓特征及对不同尺寸建筑物无法自适应提取的问题,提出一种膨胀卷积特征提取的多尺度特征融合深度神经网络模型(Multiscale-feature fusion Deep Neural Networks with dilated convolution,MDNNet)对遥感图像建筑物自动分割的方法。首先在ResNet101模型中引入膨胀卷积扩大提取视野保留更多特征图像分辨率;其次利用多尺度特征融合模块获取多个尺度的建筑物特征并将不同尺度的特征融合;最终利用特征解码模块将特征图恢复到原始输入图像尺寸,实现遥感图像建筑物精确分割。在WHU遥感图像数据集的实验结果表明,提出模型有效克服道路、树木和阴影等因素影响,分割结果有效保留建筑物边界细节信息,有效提升分割精度,像素准确率PA达到0.864,平均交并比mIoU达到0.815,召回率Recall达到0.862。     

基于改进MRF的遥感影像建筑物精提取

随着遥感图像的快速发展与广泛应用,基于遥感影像的建筑物提取能够及时、准确地提取建筑物信息,在地图快速更新、城市管理等应用中具有重要的研究意义。目前经神经网络进行特征分析提取的建筑物灰度图存在图像模糊、错分建筑物等情况,并且需要经过二值化处理才能为后续工作所利用。为了提高分类精度,本文在神经网络初提取的基础上,首先采取大津法分割,形态学处理灰度图。并改进马尔可夫随机场方法,提出根据图像局部邻域特征动态估计先验参数β的新方法,且将原始图像特征引入马尔可夫随机场,对大津法分割的结果进行进一步的分割,并对建筑物边缘的锯齿边界进行修正,以提高分类精度。实验表明,所用方法能够有效减少神经网络提取出的灰度图中的错分建筑物。     

基于改进深度神经网络的遥感影像语义分割

研究了基于深度学习的遥感图像语义分割问题,将建筑物作为遥感图像中的待分割目标,采用语义分割算法将建筑物提取出来.提出了一种改进的U-net网络,根据分割实际需求,保持网络对目标提取特征能力的前提下,将原U-net网络的卷积核数量适当减少,降低了网络参数数量和计算复杂度;增加了Batch Normalization层抑制过拟合问题;在上采样部分增加特征图的局部信息以优化网络对于细节的分割效果.使用公开的数据集INRIA Aerial Image Dataset来评估改进的U-net网络的实际效果,和原U-net相比,单张图片训练速度提升了8％,分割精度也明显提升,训练中的过拟合情况得到改善.证明了本文改进的U-net网络具有对遥感图像的语义分割任务的有效性和可行性.     

一种形态重建的遥感影像城市道路提取方法研究

以QuickBird多光谱影像为例,提出一种从高分辨率遥感影像中提取城市道路的方法。首先利用直方图均衡化对原始遥感影像作增强处理,突出影像的边缘信息。用Otsu自动阈值分割法对增强处理后的图像进行初步分割,提取出城市道路和房屋等建筑物。根据图像中各类要素的形态特征差别构建不同的标记图像,采用不同的结构元素构建道路模型,用该模型对阈值分割后的图像进行形态重构,分别提取出城市道路和建筑物。对形态重构生成的道路模块进行优化处理,提取出城市道路轮廓。实验结果表明,该方法能有效地从高分辨率遥感影像中提取出城市道路网。     

利用深度残差网络的遥感影像建筑物提取

高分辨率遥感影像中建筑物的提取技术一直是遥感领域的研究热点。针对传统方法需要人工选取特征的缺点,提出一种结合深度残差网络结构和金字塔式层级连接的高分辨率遥感影像建筑物提取方法。首先对影像进行多尺度扩充,保证网络能够探测不同尺度建筑物特征;其次利用新提出的卷积神经网络训练模型,提取建筑物的像素级特征信息;然后对预测结果进行多模型集成计算,降低随机误差;最后对预测概率图选取合适的阈值,进行过滤去除椒盐噪声,利用形态学运算对结果后处理,保证建筑物完整,边界平滑。实验表明,相比于其他网络结构,所提网络结构的建筑物提取精度更高。     

基于能量最小化的星载SAR图像建筑物分割方法

针对星载合成孔径雷达 (Synthetic aperture radar, SAR) 图像信噪比低、建筑物目标几何变形大以及周围背景复杂的特点, 本文提出了一种基于能量最小化的星载SAR图像建筑物分割方法.基于星载SAR图像数据构造条件概率能量项, 推动变形曲线向建筑物目标边界演化; 在能量泛函模型中定义长度能量项以保证变形曲线的平滑; 在水平集方法获取的SAR图像初始分割结果的基础上, 以高分辨率光学遥感影像中建筑物目标的轮廓作为先验信息, 构造先验形状能量项约束曲线在第二阶段的演化, 最终实现SAR图像建筑物的分割.实验结果表明, 该方法显著提高了建筑物目标轮廓的分割精度.     

基于实例分割的城中村建筑物矢量轮廓提取北大核心CSCD

针对当前基于深度学习的遥感图像分割算法只能获取城中村建筑物像素掩膜,而无法直接获取矢量轮廓的问题,设计了一个实例分割模型PolarMask-UV,采用极轴表示代替传统的像素表示以描述目标轮廓,将繁重的逐像素密集预测任务简化为实例中心点分类和稀疏距离回归问题,实现对城中村建筑物的端到端矢量多边形提取。以2017年杭州市的高分二号影像为实验数据,分析结果表明:设计的算法在维持轻量化的同时可以有效地减少错检漏检,并且完整精细地恢复小尺寸目标的边界轮廓,具有良好的泛化性能;相比其他方法,可直接获得矢量边界且平均精度更高。研究成果可为城中村的规划管理业务提供直观准确的建筑物位置、形状及数量信息。     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

结合PU学习的遥感影像建筑物自动提取方法

针对目前基于机器学习的高分辨率遥感影像的地物提取方法往往需要大量标记样本训练模型的问题，提出了一种利用正样本和未标记样本学习的遥感影像建筑物自动提取方法。首先，利用面向对象的图像分析方法对遥感影像进行分割从而产生地理对象；其次，基于影像建筑物阴影特征和边缘特征提取建筑物像素，结合分割结果自动获取正样本；再次，利用已提取的正样本和剩余的未标记样本训练Bagging-PU分类器对建筑物进行提取；最后，通过基于邻域统计的二值化处理得到建筑物检测最终结果。该方法实现了训练样本标签的自动获取，不需要外部标签样本输入，就能够自动从遥感影像中提取建筑物。在ISPRS(Vaihingen)数据集上的实验表明，该方法提取结果总体精度达到0.928,F1分数为0.864。     

基于改进Mask-RCNN的遥感影像建筑物提取

由于遥感影像中建筑物种类繁多且与周围环境信息混淆,传统方法难以实现建筑物的准确高效提取.本文提出了一种基于改进Mask-RCNN的建筑物自动提取方法,利用PyTorch深度学习框架搭建改进Mask-RCNN网络模型架构,在网络的设计中添加了路径聚合网络和特征增强功能,通过监督和迁移学习的方式对Inria航空影像标签数据集进行多线程迭代训练与模型优化学习,实现了建筑物的自动精确分割和提取.基于不同开源数据集,分别与SVM、FCN、U-net和Mask-RCNN等建筑物提取算法进行对比,实验表明,本文方法可以高效准确、高效地提取建筑物,对于同一个数据集,提取结果的mAP、mRecall、mPrecision和F1分数这4个评价指标均优于对比算法.     

基于深度学习的海岸线边缘检测网络模型

海岸线的动态监测对海岸带的规划管理具有非常重要的意义。由于海陆环境错综复杂,遥感影像中海陆边界光谱特征不明显,导致提取的海岸线定位不准确。提出一种融合语义分割网络和边缘检测网络的深度卷积神经网络模型(EWNet)。该模型包含2个分支流：语义分割流负责提取分层语义信息并用来指导边缘检测流获取岸线语义信息;边缘检测流通过语义分割流完善边缘语义信息。在“高分一号”遥感图像上的实验结果表明,与几种最新网络模型相比,EWNet获得了更精确的海岸线边界提取结果。     

融合边界信息的高分辨率遥感影像分割优化算法

目的 针对目前区域分割算法获取的区域边界与真实地物边界不一致问题,利用高分辨率遥感影像地物内具有均质性和地物间边缘信息突出的特点,提出一种融合边界信息的高分辨率遥感影像分割优化算法。方法 首先采用Canny算法对遥感影像进行边缘提取并进行边缘连接处理,产生闭合边界;然后将边界与初始分割结果进行融合处理,获得新的分割结果;最后在闭合边界约束下,基于灰度相似性准则对新的分割结果进行区域合并,获得优化后的最终分割结果。结果 采用本文提出的分割优化算法对Mean Shift算法和eCognition软件获得的分割结果进行优化处理,优化后的分割结果与初始分割结果相比正确分割率（RR）平均提高了4%,验证了本文算法的有效性。结论 该优化算法适用性广,可优化基于区域、基于边界和基于聚类等多种分割方法,同时该算法既能保持高分辨率遥感影像分割的区域完整性,又能保持地物边缘细节特征,提高了分割精度。     

一种高分辨率遥感影像码头轮廓提取方法

针对高分辨率遥感影像码头提取中靠岸舰船的干扰难题,提出了一种高分辨率遥感影像码头轮廓提取方法。该方法首先对码头区域影像进行海陆分割分离出海域,然后利用码头轮廓的平直特性和舰船的形状特征,在海陆图像中的陆域进行靠岸舰船和码头目标的粘连分割,从而实现码头目标轮廓信息的获取。实验结果验证了该方法的有效性。     

利用格式塔的高分辨率遥感影像建筑物提取

目的 格式塔心理学的理论基础为通过对事物的部分感知,实现对事物整体的认识。本文将该思想应用到建筑物提取中,提出一种兼顾目标细节及整体几何特征的高分辨率遥感影像建筑物提取方法。方法 首先,利用SIFT算法提取特征点作为候选边缘点;然后定义格式塔序列连续性原则判别边缘点,从而得到边缘点点集;并由边缘点点集拟合边缘,实现遥感影像建筑物提取。结果 利用提出算法,对WorldView-2遥感影像进行建筑物提取实验。通过与基于多尺度分割和区域合并的建筑物提取算法对比可以看出,提出算法能够更加准确、完整地提取出建筑物。采用分支因子、遗漏因子、检测率和完整性4个定量化指标对实验结果的定量评价,本文算法的检测率和完整性均大于对比算法,且本文算法的检测率均在95%以上,验证了提出基于格式塔理论的高分辨率遥感影像建筑物提取算法的有效性和准确性。结论 基于格式塔的高分辨率遥感影像建筑物提取算法能够准确刻画建筑物细节特征,同时兼顾建筑物整体几何轮廓,准确提取高分辨率遥感影像中的建筑物。本文算法针对高分辨率遥感影像,适用于提取边缘具有直线特征的建筑物。使用本文算法进行遥感影像建筑物提取时,提取精度会随分辨率降低而降低,建议实验影像分辨率在5 m以上。     

基于深度学习模型的遥感图像分割方法

利用遥感图像快速准确地检测地物信息是当前的研究热点。针对遥感图像地表物的传统人工目视解译分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题，提出一种基于改进的U-net架构与全连接条件随机场的图像分割算法。首先，融合VGG16和U-net构建新的网络模型，以有效提取具有高背景复杂度的遥感图像特征；然后，通过选取适当的激活函数和卷积方式，在提高图像分割准确率的同时显著降低模型预测时间；最后，在保证分割精度的基础上，使用全连接条件随机场进一步优化分割结果，以获得更加细致的分割边缘。在ISPRS提供的标准数据集Potsdam上进行的仿真测试表明，相较于U-net，所提算法的准确率、召回率和均交并比（MIoU）分别提升了15.06个百分点、29.11个百分点和0.3662，平均绝对误差（MAE）降低了0.02892。实验结果验证了该算法具备有效性和鲁棒性，是一种有效的遥感图像地表物提取算法。