基于深度学习的高分辨率卫星遥感影像围填海检测识别

基于高分辨率卫星遥感影像自动、准确提取围填海土地利用现状,是实现围填海集约使用的重要技术手段。针对高分辨率卫星遥感影像地物特征复杂,依赖人工提取特征的传统方法较难满足业务部门实际需求的问题,提出了基于深度学习的围填海检测识别技术框架,该框架使用UNet网络的多约束变体结构,并针对高分辨率遥感影像地物特征复杂导致地物分类不一致的问题,引入全连接条件随机场和图像腐蚀运算对分割结果进行后处理。以天津市滨海新区2016年和2020年高分辨卫星遥感影像为数据源进行了验证,实验表明围填海地物分割整体准确率、F1-score、Kappa系数以及mIoU分别达到96.73%、92.87%、90.28%、86.82%。在此基础上,分析提取了该围填海区域土地利用动态变化特征,为围填海集约使用管理提供了有效技术支撑。     

遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

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。     

基于ENVINet5的高分辨率遥感影像稀疏塑料大棚提取研究

随着设施农业管理要求的提高,需要提取高分辨率遥感影像中大范围、低密度的塑料大棚空间分布信息作为农业管理和资源分配的依据。以浙江省桐庐县为研究区域,利用高分辨率遥感影像数据,对比分析不同机器学习方法提取塑料大棚的效果。ENVINet 5深度学习架构可以克服标签较少的困难,通过语义学习进行塑料大棚提取和面积估算,总体精度和Kappa系数达到97.84%和0.81;U-net深度学习网络的提取结果中,总体精度和Kappa系数为96.22%和0.79,两种深度学习方法均优于利用支持向量机进行塑料大棚提取的结果。研究表明通过深度学习方法提取高分辨率遥感影像中稀疏分布的塑料大棚有很好的效果,可以为农业经济作物管理、规划和气象保障提供支持。     

高分辨率遥感影像中提取道路网方法综述

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面。针对其特点,介绍了高分辨率遥感影像上道路网提取的基本思想和步骤,从提取要素层次的角度对现有的道路网提取方法进行了分析和综述,并指出当前高分辨率遥感影像道路网提取方法需要进一步解决的遮挡、地物特征类似、地物复杂等问题。展望了未来利用高层次知识、图像融合技术、三维信息等高效提取道路网的可行性。     

基于深度卷积神经网络的油罐目标检测研究

油罐是用于储存油品的工业设施，常用在炼油厂等工业园中，通过卫星或航空遥感图像实现油罐目标的快速检测，可以实现对侵占生态保护红线的疑似工业园区的快速查找，为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性，基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架，通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试，实现了遥感影像上油罐目标的快速检测；通过修改锚点尺度和数量，丰富了候选框类型和数量，提升了油罐的目标检测精度，最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测，为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。     

利用InSAR技术提取地质灾害信息的对比研究

目前遥感技术已经成为地质灾害监测得主要手段之一.首先详细阐述了利用卫星遥感影像提取地质灾害信息的方法,并以滑坡为例对国内外研究现状进行了综述.然后通过实例说明了利用InSAR技术提取地质灾害信息的有效性;通过对比研究,给出了雷达影像在监测地质灾害中的优势和不足.最后提出要综合利用多卫星来进行监测,以提高地质灾害信息提取...     

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。     

滑坡高分辨率遥感多维解译方法及其应用

目的:高分辨率遥感影像技术的发展使得对于地质灾害体的要素组成、形态结构的遥感解译成为可能。目前,遥感影像解译存在着过度依赖影像色彩、纹理、阴影等光学要素,片面追求影像解译标志,DEM数据利用程度低,对基于DEM、GIS的影像复合分析、空间分析、3D可视化等技术方法的应用较少等问题。方法：本文以灾前灾后高精度DEM和高分辨率遥感影像为基础,探讨了地质灾害滑坡的一维、二维、三维三种遥感解译方法,分析了三者之间的互补关系,并应用三种遥感解译方法对贵州关岭“6.28”特大滑坡进行了遥感解译分析,文章最后对有关滑坡多维遥感解译方法体系的建立进行了讨论。结果：研究结果表明：滑坡高分辨率遥感多维解译方法中,一维高程曲线计算、二维影像对比分析、三维场景精细解译分别属于滑坡遥感解译的初判方法、动态分析方法、定量计算方法;结论：其中,一维高程曲线计算为滑坡遥感的二、三维解译提供了有关滑坡崩塌区、滑坡区、堆积区的可能分区参考框架,而二维影像对比分析向三维场景精细解译的发展则体现了以人机交互方式为主要手段的滑坡高分辨率遥感影像解译由定性监测向定量计算的发展。     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：(1)不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;(2)深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

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...     

基于Lansat7 ETM+影像的城市道路信息提取研究

道路信息是遥感卫星影像中一种重要的地理专题信息，道路信息的提取在卫星数字图像自动解译方面具有理论与方法意义，如果能自动地从遥感卫星影像中提取出道路网，将会简化城市地物目标的分类和测量过程。研究结合了计算机和人在自动检测和识别上的优势，以ETM＋为数据源，提出了遥感卫星影像中道路特征半自动提取的一种方法。研究首先对ETM＋的多光谱影像和15m分辨率的全色影像进行融合，然后通过设计一个高通滤波器和统计滤波器，完成道路信息的检测与识别（其中高通滤波突出地物的线性特征、统计滤波则是消除高通滤波后的一些噪音），最后进行矢量化跟踪完成道路信息的提取。实践结果表明，该方法能够从中等分辨率遥感卫星影像中提取道路信息，取得了较好的精度效果。     

高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用

遥感卫星可快速、动态地获取地震灾区大范围的高分辨率影像,已成为快速获取震后灾情信息的主要技术手段之一。基于震后灾情调查中广泛使用的光学遥感数据和变化检测算法,首先对遥感数据及其产品进行了归纳总结,在此基础上综述了基于高分辨率遥感影像的变化检测算法在震害提取中的应用,阐述了基于像元和面向对象两类变化检测方法的基本原理和优缺点,讨论和总结了应用中存在的问题和不足,以期为未来地震应急中的灾情调查工作提供参考。     

基于影像融合的IKONOS影像阴影信息自动提取方法

高分辨率卫星影像中的地物阴影是其特有的组成部分，如何有效地提取和利用这些阴影信息对于高分辨率卫星影像的应用是一个具有重要意义和实际价值的问题。本文提出在对IKONOS全色波段与多光谱的2、3、4波段进行基于IHS色度空间的影像融合的基础上，运用波谱角度映射表分类方法，对IKONOS影像中的阴影进行自动提取。试验结果表明该方法提取效果良好，平均精度可达85．3％。该方法为高分辨率卫星影像的阴影信息自动提取提供了一种有效途径。     

基于机载LiDAR和多光谱图像的建筑物震害自动识别方法

地震破坏的建筑物在遥感影像上和空间上表现出的特征各异,致使遥感定量化估计其破坏程度较困难.本文介绍了基于LiDAR和多光谱影像相结合的多源遥感影像进行倒塌建筑物的面向对象识别的方法、分析处理步骤和特征参数选择,并以2010年1月12日海地地震后的太子港局部LiDAR数据和高分辨率卫星影像为例,提取了倒塌和未倒塌建筑物,经与高分影像目视解译结果比较,面向对象分类结果具有较高的分类精度.     

遥感应用分析中影像分割方法

影像分割是数字图像模式识别的基础, 是实现从影像上进行目标计算机自动提取的第一步工作, 在遥感应用分析中具有重要意义。近年来, 随着大量的高质量的高分辨率遥感影像出现, 其相关应用迫切需要有效的、考虑其高分辨率影像特点的影像分割方法。但由于高分辨率遥感影像本身的一些特点, 遥感应用分析中传统常用的分割方法难以达到满意的效果。对遥感应用分析中的影像分割方法进行了总结和分析, 并结合高分辨率遥感影像的特点, 分析了高分辨率遥感影像分割的技术难点, 说明了基于像素的传统影像分割方法的局限性, 着重阐述了数学形态学、面向对象分析等方法能更充分地利用影像中目标的色调、纹理、几何等属性, 因此在高分辨率遥感影像分割方面更具有优势。最后, 探讨了遥感应用分析中影像分割方法的发展趋势。     

一种面向对象的高分辨率影像道路提取方法

高分辨率遥感影像为用户提供了丰富的地表细节信息, 如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库, 成为遥感信息处理研究的热点。传统的道路提取方法一般采用像素级检测方法, 仅利用了像素的光谱信息作为道路提取的依据, 无法利用影像的空间信息。提出了一种面向对象的高分辨率卫星影像道路提取方法, 并选取南京市IKONOS 影像进行了实验。首先, 对影像进行分割获取影像对象, 再通过对IKONOS 影像中道路特征的分析, 利用影像对象的光谱特征、几何特征和空间关系建立知识库, 最后, 利用知识库中的规则来提取影像中的道路。实验结果表明采用本方法能够较好地提取出实验区中的道路。     

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.     

基于深度卷积神经网络的油罐目标检测研究

油罐是用于储存油品的工业设施,常用在炼油厂等工业园中,通过卫星或航空遥感图像实现油罐目标的快速检测,可以实现对侵占生态保护红线的疑似工业园区的快速查找,为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性,基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架,通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试,实现了遥感影像上油罐目标的快速检测;通过修改锚点尺度和数量,丰富了候选框类型和数量,提升了油罐的目标检测精度,最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测,为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。