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。     

多层次编码—解码网络遥感图像建筑物分割

为提高高分辨率遥感影像建筑物边缘提取精度和高分辨率特征利用率,提出了一种基于残差分组卷积的高分辨率遥感影像建筑物提取方法.利用多层次编码—解码结构提取影像中建筑物不同尺度特征,同层次特征之间引入密集连接保证高分辨率特征的有效性,相邻层次特征之间引入交换单元增加不同深度的上下文信息交互.使用武汉大学建筑物数据集对模型进行训练及评估,与现有的全卷积神经网络SegNet、UNet和UNet++相比,评价指标recall、IoU、F1等高出2％以上.实验结果表明该网络在对建筑物边缘精准提取方面具有很好的效果.     

多特征融合的高分辨率遥感影像建筑物分级提取

目的 针对高分辨率遥感影像普遍存在的同谱异物和同物异谱问题,提出一种综合利用光谱、形状、空间上下文和纹理特征的建筑物分级提取方法。方法 该方法基于单幅高分辨率遥感影像,首先利用多尺度多方向梯度算子构造的建筑物指数和形状特征提取部分分割完整的矩形建筑物目标;然后由多方向线性结构元素和形态学膨胀运算确定投票矩阵,从而获取光照方向,并利用光照方向和阴影特征对已提取建筑物进行筛选,剔除非建筑物对象,完成建筑物初提取;最后借助初提取建筑物对象的纹理特征向量建立概率模型,取得像素级建筑物提取结果,将该结果与影像分割相结合实现建筑物提取。结果 选取两幅高分辨率遥感影像进行实验,在建筑物初提取实验中,将本文方法与邻域总变分法和Sobel算子进行对比,实验结果表明,本文方法适用性强,为后提取提供的建筑物样本可靠性更高。在建筑物提取实验中,采用查准率、查全率和F₁分数3个指标进行定量分析,与形态学建筑物指数结合形态学阴影指数算法、邻域总变分结合混合高斯模型和贝叶斯判决算法相比,各项精度指标均得到显著提升,其中查准率提高了2.90个百分点,查全率提高了12.49个百分点,F₁分数则提升了8.84。结论 本文提出的建筑物分级提取方法具备一定抗干扰能力,且提取准确性高,适用性强。     

基于形态学阴影指数的高分二号影像建筑物高度估计

高分二号卫星是我国自主研发的高分辨率对地观测卫星,分辨率达到亚米级。利用高分二号卫星遥感影像,结合数学形态学和面向对象分类的思想进行城市建筑物高度估计。首先,利用多尺度分割将影像分割成对象;进而结合光谱、形状、形态学阴影指数(MSI)等特征面向对象进行分类,相对准确提取出建筑物的阴影并计算阴影的长度;最后,结合影像成像时的卫星、太阳和建筑物的几何关系模型进行建筑物高度估计,并利用实地测量数据进行精度评价和误差分析。结果显示,90%的估计结果绝对误差小于1m,说明该方法可以有效地从高分二号影像中提取建筑物高度,展现了国产高分辨率遥感影像提取城市建筑物信息的巨大潜能。     

应用剖分遥感影像模板快速提取作物种植面积

全球剖分理论为全球海量遥感影像数据的组织管理和多尺度遥感影像的作物提取和识别提供新的解决思路．结合基于地图分幅扩展的全球剖分模型及其剖分面片的几何特征,阐述剖分遥感影像模板的概念模型和数据模型,提出利用剖分遥感影像模板来提取作物种植面积的处理流程．并给出不同尺度范围提取作物面积适宜选取的剖分级别和影像分辨率。采用高分辨率遥感影像初步尝试对河南省许昌地区小麦种植面积进行提取,通用遥感影像处理软件相比,其精度和速度都有一定的提高．     

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。     

高分辨率多光谱遥感影像中城区道路信息的自动提取

提出一种从高分辨率遥感影像提取城市区域道路网络的方法。该方法采用改进的数学形态学运算方法对影像进行分割,进而得到粗略道路信息网,然后利用道路网的几何特征实现道路与建筑物的有效区分,最后通过抽骨架的方法获得最终道路网中心线。试验数据为某一城区高分辨率卫星影像,并对最终提取的结果进行了评价,结果表明,所提出的方法能够从高分辨率多波段卫星遥感影像上精确、有效、自动提取城区道路网络。     

利用边界校正网络提取建筑物轮廓

基于影像自动提取建筑物轮廓是遥感领域在现代化城市建设中长期存在的问题。为了充分利用高分辨率遥感影像中建筑物的全局和局部信息以更精确地对建筑物进行分割和提取,提出了基于全卷积神经网络的针对边界约束的校正神经网络模型。该模型由共享后端和多任务预测模型组成,利用修改的U-net和多任务框架,根据共享后端的一致特征生成分割图预测和轮廓构建。模型通过对边界信息的限制和规定,提高性能。在建筑物数据库上的实验表明,边界校正网络模型在建筑物分割和轮廓提取的结果精度均在89%以上,优于传统的U-net模型结果。     

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。     

高分辨率遥感卫星影像的河流提取方法研究

为了克服单纯采用光谱信息提取河流的缺陷,利用高分辨率遥感影像突出的高分辨率的特性提出一种综合影像中光谱、纹理、几何特性等多特征联合提取河流的方法。该方法分别对河流水体的光谱特征、纹理特征及河流几何形状进行描述,选取特征参数,构造综合特征矩阵,利用均值聚类分割最终得到河流目标。通过对真实高分辨率遥感影像Worldview1影像进行的实验验证了该方法的高精准性及快速性。     

基于多特征的城市用地高分辨率影像分类与提取

利用高分辨率影像对象的多特征信息,采用面向对象的影像分析技术与多尺度影像分割技术,建立基于多特征的遥感影像分类模型,提取城市用地信息,为城市用地的合理规划与有效管理提供信息支撑。该方法分类速度快、精度高,为遥感影像信息的分类与提取提供了新的思路。     

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。     

最优尺度下的面向对象建筑物提取北大核心CSCD

针对基于面向对象方法提取建筑物准确度与精度不高的问题,提出了一种面积方差最优尺度分割法。该方法利用SPOT 5卫星遥感影像,根据建筑物特征对影像进行多尺度分割,以所有类别分割对象与实际目标匹配程度作为衡量的依据获得最优尺度。在不同尺度等级的对象层次上,根据对象的多特征组合,完成对建筑物分层分类提取。实验结果表明,该方法大大减少了分类的不确定性,获取了较高的精度,为建筑物准确提取提供了思路。     

改进SegNet+CRF高分辨率遥感影像建筑物提取方法

将传统的语义分割SegNet网络用于高分辨率遥感影像的建筑物提取时,分割的建筑物存在边界模糊、精度较低、错检漏检等问题。为了解决上述问题,提出一种改进SegNet网络+CRF语义分割方法。编码阶段的最低分辨率层引入空洞金字塔池化模型,通过并行的空洞卷积操作扩大特征提取的感受野;解码阶段构建特征金字塔实现特征多尺度融合,弥补上采样过程中丢失的特征信息;最后,预测图像送入全连接条件随机场模型进行后处理,优化提取的建筑物边缘。实验表明,相较于原SegNet网络,改进方法的建筑物提取像素精度、召回率、平均交并比分别提高了0.48%、1.29%、2.36%。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

高分辨率遥感影像道路提取

针对实际应用中高分辨率遥感影像道路提取自动化程度低的现状,提出了一种半自动的高分辨率遥感影像道路提取方法。方法采用数据预处理、尺度分割、分类以及形态优化的工作流程,对高分一号遥感影像进行道路半自动提取。数据预处理利用NDWI、DNVI获得道路潜在区域,边缘增强突出道路边缘信息;采用多尺度分割切割道路潜在区域,尺度对比法获得道路最优分割尺度;主要依据道路的光谱特征、形状特征制定分类规则集进行分类;运用形态学开启运算、闭合运算优化道路形态。实验结果表明:在样本区域内提取精度达到90%,整景影像提取精度达到80%,且可推广到具有陕北地区地貌特征的高分一号影像道路快速提取应用中。     

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%。     

基于面向对象的青海湖环湖区居民地信息自动化提取

居民地的空间格局和密度直接反映着区域人类活动的强弱程度,影响着区域人地系统演变和生态环境可持续发展。基于高分辨率卫星遥感影像数据,提出了一种面向对象的青海湖环湖区居民地信息自动化提取方法。首先,利用尺度集理论对高分辨率卫星遥感影像进行多尺度分割,获取不同尺度的分割对象;其次,通过机器学习算法集对分割对象的自定义特征、光谱特征、几何特征和纹理特征进行训练,选取最优自动分类算法;最后,利用最优自动分类算法提取青海湖环湖区城镇居民地和农村居民地信息。采用平均召回率、平均准确率和平均F值评价指标对分类结果进行精度评价,其中,城镇居民地各评价指标均在93%以上,农村居民地各评价指标均在86%以上。结果表明:该方法提取城镇居民地和农村居民地总体精度较高,在大面积人类活动精细化监测中具有较好的科学意义和应用价值。     

基于MMBI的高分辨率影像建筑物提取研究

利用高空间分辨率遥感影像准确提取建筑物信息是在更精细尺度上分析、管理人类活动的重要途径,但建筑物形态的多样性、复杂性使得建筑物提取方法在精度、效率等方面依然面临挑战。基于高分辨率影像中建筑物所呈现的多种形状及结构特点,通过发展形态学建筑物指数并结合具有良好保边去噪性能的引导滤波,提出了基于多结构元素形态学建筑物指数(MMBI)的建筑物提取方法。将之应用于具有不同特征的GeoEye-1影像建筑物提取实验,并与MBI方法进行比较,发现该方法准确率达到88.2%以上,比MBI的准确率提高了约5%,且漏检率下降近6%。结果表明:MMBI方法能够快速、准确地提取出高分辨率影像中的建筑物区域,在建筑物的自动化提取方面具有较好的应用前景。     

基于多尺度特征融合的U-Net网络高分影像不透水面提取研究

不透水面作为监测城市生态环境的重要指标,其信息提取具有重要意义。由于城市地表的复杂性及细化的城市管理需要,急需提取高精度的城市不透水面。但是基于传统方法提取高精度的城市不透水面面临巨大困难。而深度学习方法因其自动化提取影像特征的特点逐渐成为遥感影像地物提取的新兴方法。基于此,采用多尺度特征融合的U-Net深度学习方法以提升语义分割精度,开展高分辨率遥感影像不透水面的精确提取研究。模型引入残差模块代替普通卷积以加深网络,提取更多影像特征;加入金字塔池化模块增强网络对复杂场景的解析能力;利用跳跃连接方式融合不同尺度特征,有利于恢复空间信息。以广州市航摄正射影像为数据源,通过卷积神经网络将遥感影像分割为背景、其他、植被、道路和房屋5种地物类型,将其与人工目视解译的地面真值进行验证,最终提取研究区域不透水面。实验证明：多尺度特征融合的U-Net模型总体精度和Kappa系数分别为87.596%和0.82。在定性与定量两个方面均优于传统的监督分类法、面向对象分类法和经典U-Net模型法。结果表明：该模型利用多维度影像特征信息,有效提升了复杂场景图像的分割精度,分割效果好,适用于高分辨率遥感影像不透...