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。     

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。     

高分辨率遥感影像的边缘损失增强地物分割

目的 针对高分辨率遥感影像语义分割中普遍存在的分割精度不高、目标边界模糊等问题,提出一种综合利用边界信息和网络多尺度特征的边缘损失增强语义分割方法。方法 对单幅高分辨率遥感影像,首先通过对VGG-16（visual geometry group 16-layer net）网络引入侧边输出结构,提取到图像丰富的特征细节;然后使用深度监督的短连接结构将从深层到浅层的侧边输出组合起来,实现多层次和多尺度特征融合;最后添加边缘损失增强结构,用以获得较为清晰的目标边界,提高分割结果的准确性和完整性。结果 为了验证所提方法的有效性,选取中国北方种植大棚遥感影像和Google Earth上的光伏板组件遥感影像进行人工标注,并制作实验数据集。在这两个数据集上,将所提方法与几种常用的语义分割方法进行对比实验。实验结果表明,所提方法的精度在召回率为00.9之间时均在0.8以上,在2个数据集上的平均绝对误差分别为0.079 1和0.036 2。同时,通过消融实验分析了各个功能模块对最终结果的贡献。结论 与当前先进方法相比,本文提出的边缘损失增强地物分割方法能够更加精确地从遥感影像的复杂背景中提取目标区域,使分割时提取到的目标拥有更加清晰的边缘。     

边缘追踪模型与SURF检测结合提取天绘影像机场目标

目的 遥感影像提取识别机场目标是遥感领域研究的热点。但是大多研究仅使用被裁剪的影像进行提取识别,由于处理速度等原因很少使用整景高空间分辨率遥感影像提取机场目标。大多数研究是先提取出图像中的直线,根据直线确定机场跑道再确定机场目标,但高分辨率图像提取的直线不仅是机场跑道的,还有可能是高速公路、铁路、大型厂房的外墙、耕地边缘、山脉、地层等,如何区分提取的直线是机场跑道很少被研究。很多研究提取的都是大型机场目标,没有对小型机场进行提取识别,另外如果图像中同时有两个机场应该如何提取也没有被研究。天绘具有数据实时回收,数据全球覆盖等特点,本文将使用高空间分辨率天绘影像（6 000×6 000 像素）提取机场目标。天绘影像地物类型复杂,细节丰富,仅使用一般的空间滤波或边缘探测方法会导致检测结果中有过多的噪声和伪边缘,致使机场目标识别不出来,所以建立了一种以边缘提取追踪模型和SURF（speeded up robust features）检测结合的检测方法和提取流程,达到机场目标识别的目的。方法 边缘提取追踪模型是建立在边缘提取基础上。首先对天绘影像进行滤波处理消除噪声,再对图像进行梯度幅值和法线梯度方向的计算,并利用改进的非极大值抑制方法找到梯度图像中局部变化的最大值,删掉其他值,获得单像素边缘图像,然后对边缘图像进行边缘轮廓线追踪提取出边缘轮廓线,最后使用直线检测和SURF检测方法识别出机场目标。结果 使用本文方法成功地识别了4景天绘卫星图像中的机场目标。借助改进的非极大值抑制和边缘轮廓线追踪提取方法有效地提取了影像中所有地物的边缘,识别出的地物边缘都是清晰的、单像素的边缘,对地物边缘轮廓进行直线提取,并在提取直线的基础上使用SURF检测获得图像中的机场目标。利用天绘卫星图像成功在2景图像中分别提取出一大、一小两个机场,在另外两景图像中分别各提取出一个机场,顺利地实现了用天绘卫星图像提取识别机场目标的过程。结论 本文提出的机场目标提取方法十分有效,该方法不仅适合于天绘卫星遥感数据,还适用于和天绘卫星类似的其他遥感卫星数据。其中对非极大值抑制方法的改进能够提取出更准确的边缘,也能提取出更细微的边缘, 抑制虚假边缘的产生,对提取小型机场有帮助。     

参考1维光谱差异的区域生长种子点选取方法

目的 区域生长法是遥感影像分割中常用的算法,该算法首先选取适当的像元作为生长的起始点（种子点）。现有的种子点选取方法存在种子点数目较多、效率低以及地物细节种子点不足等问题。针对种子点选取存在的问题,提出一种基于1维光谱差异的区域生长种子点的选取方法。方法 首先计算像元间1维（水平、竖直）方向上的光谱差异,然后选取光谱差异的局部极小值作为种子点,最后对种子点进行优选,得到区域生长的起点。结果 应用本文方法选取种子点,对高分辨率的IKONOS遥感影像进行了区域生长。将实验结果与分形网络演化方法及Kernel Graph Cuts方法的分割结果进行了目视对比,并且分别计算了3种方法所得分割结果的基元内部同质性和基元间相关性的评价指数。目视比较的结果表明,本文的种子点选取方法能够为区域生长提供具有代表性的种子点,得到了精细的分割结果。在定量评价上,本文方法也表现出了数值优势,各波段分割质量指数均提高15%以上。结论 提出的种子点选取方法能够为高分辨率遥感图像的区域生长分割提供具有代表性的种子点,产生精细的分割图像,对于地物细节有良好的分割效果,具有较高的实用价值。     

结合非监督分类和几何—纹理—光谱特征的高分影像道路提取

目的 目前针对复杂场景高分辨率遥感影像道路提取多采用监督分类方法,但需要人工选择样本,自动化程度低且具有不稳定性。基于像元级的方法,提取完整度低且易产生椒盐噪声;面向对象的方法易产生粘连问题。为了提高道路提取的完整度、准确度和自动化程度,提出一种基于非监督分类和几何—纹理—光谱特征的道路提取方法。方法 首先考虑光谱特征利用非监督分类进行初步分割,结合基于纹理特征分类的结果得到初始道路区域。然后根据道路特征建立一套完整的非道路区域滤除体系：边缘滤波断开道路和非道路的连接、纹理滤波滤除大面积非道路区域、形状滤波去除剩余小面积非道路区域。最后利用张量投票算法得到连贯、平滑的道路中心线。结果 选择复杂场景下的高分辨率IKONOS影像和QuickBird影像进行实验,与国内外基于像素和面向对象的两种有代表性的道路提取方法进行对比,采用完整率、正确率、检测质量3个评价指标进行定量评价。实验结果表明该方法相比于其他算法在完整率、正确率和检测质量上平均提高26.61%、5.57%和26.77%。定性分析结果表明,本文方法可以有效改善椒盐噪声和粘连现象。此外本文方法的自动化程度更高。结论 提出了一种基于非监督分类和几何—纹理—光谱特征的高分辨遥感影像道路提取方法,非监督相对于监督分类的方法有更高的自动化程度,复杂场景下的道路提取融合几何—纹理—光谱特征有效避免了基于像元级道路提取易产生的椒盐噪声现象和面向对象道路提取易产生的粘连现象。该方法适用于高分辨率遥感影像城市道路提取,能够得到较高的完整度、准确度以及自动化程度。非监督分类和多特征结合的道路提取方法有广阔的应用前景。     

改进卷积网络的高分遥感图像城镇建成区提取

目的 城镇建成区是城镇研究重要的基础信息,也是实施区域规划、落实城镇功能空间布局的前提。但是遥感影像中城镇建成区的环境复杂,同时不同城镇建成区在坐落位置、发展规模等方面存在许多差异,导致其信息提取存在一定困难。方法 本文基于面向图像语义分割的深度卷积神经网络,使用针对特征图的强化模块和通道域的注意力模块,对原始DeepLab网络进行改进,并通过滑动窗口预测、全连接条件随机场处理方法,更准确地实现城镇建成区提取。同时,针对使用深度学习算法容易出现过拟合和鲁棒性不强的问题,采用数据扩充增强技术进一步提升模型能力。结果 实验数据是三亚和海口部分地区的高分二号遥感影像。结果表明,本文方法的正确率高于93%,Kappa系数大于0.837,可以有效地提取出大尺度高分辨率遥感影像中的城镇建成区,且提取结果最为接近实际情况。结论 针对高分辨率遥感卫星影像中城镇建成区的光谱信息多样化、纹理结构复杂化等特点,本文算法能在特征提取网络中获取更多特征信息。本文使用改进的深度学习方法,提出两种处理方法,显著提高了模型的精度,在实际大幅遥感影像的使用中表现优秀,具有重要的实用价值和广阔的应用前景。     

高分辨率SAR影像形态学层级分析的建筑物检测

目的 现有基于结构分析的高分辨率SAR影像建筑物检测方法,只考虑了直线和L形结构建筑物,并且依赖建筑物高亮线条处阴影区作为建筑物识别的主要特征;当处于复杂场景时,阴影区受制于背景较暗或建筑物密集而无法准确得到,导致建筑物检测误差大、检测率低。针对上述问题,提出一种基于形态学层级分析的高分辨率SAR影像无监督建筑物检测算法。方法 该方法基于单幅单极化高分辨率SAR影像,首先利用改进的形态学交替滤波算子有效抑制其固有的斑点噪声,大大剔除了同质区背景噪声的干扰;然后利用层级分析形态学差分属性断面算法来实现对SAR影像建筑物的几何结构特征的提取;最后结合特征融合和属性阈值分割等后处理步骤得到复杂场景下建筑物提取信息。结果 将上述方法在建筑物密集的城区SAR影像中实验,通过与其他方法对比分析,具有检测率高、误差小的特点,准确率和召回率分别为95.38%、86.31%,并对降低虚警率方面有明显的优势。结论 将形态学交替滤波与形态学属性滤波的改进与结合,在对不同走向、尺寸和形状的高密度建筑物检测中具有较好的适应性。     

利用邻域质心投票从分类后影像提取道路中心线

目的 利用分类算法对高分辨率影像中的道路进行分割时,得到的二值图像往往混杂了许多非道路区域,且道路区域呈面状,无法直接应用于生产与研究。针对该问题,提出一种利用邻域质心投票提取道路中心线的算法。方法 首先检测像素在各方向上的连通距离以构建邻域多边形,随后进行质心投票来提取道路的中心线,与此同时估算道路宽度并判断出连通距离较长的方向数目,以排除非道路区域的干扰,最后经形态学处理得到细化的中心线。结果 选取测试图像及具有不同道路分布特征的高分辨率航空影像的分类结果进行实验,并将该算法与Zhang和Couloigner提出的算法进行了对比分析。结果显示,该算法的提取质量为80.6%和79.0%,且计算效率较高,处理实际影像的用时小于参考算法的20%,此外在稳定性及对不同路宽的适应性等多个方面均具有优势。结论 提出一种邻域质心投票算法,该算法能够同时实现传统方法中提纯与中心线提取两个步骤所对应的功能,从分类影像直接提取道路中心线。实验结果表明,该算法能够根据形状特征有效检测道路,且具备一定抗干扰能力,适用于对混杂了非道路区域的高分辨率影像的分类结果进行处理。     

结合双视觉全卷积网络的遥感影像地物提取

目的 遥感影像地物提取是遥感领域的研究热点。由于背景和地物类型复杂多样,单纯利用传统方法很难对地物类别进行准确区分和判断,因而常常造成误提取和漏提取。目前基于卷积神经网络CNN（convolutional neural network）的方法进行地物提取的效果普遍优于传统方法,但需要大量的时间进行训练,甚至可能出现收敛慢或网络不收敛的情况。为此,基于多视觉信息特征的互补原理,提出了一种双视觉全卷积网络结构。方法 该网络利用VGG（visual geometry group）16和AlexNet分别提取局部和全局视觉特征,并经过融合网络对两种特征进行处理,以充分利用其包含的互补信息。同时,将局部特征提取网络作为主网络,减少计算复杂度,将全局特征提取网络作为辅助网络,提高预测置信度,加快收敛,减少训练时间。结果 选取公开的建筑物数据集和道路数据集进行实验,并与二分类性能优异的U-Net网络和轻量型Mnih网络进行对比。实验结果表明,本文提出的双视觉全卷积网络的平均收敛时间仅为U-Net网络的15.46%;提取精度与U-Net相当,远高于Mnih;在95%的置信水平上,该网络的置信区间明显优于U-Net。结论 本文提出的双视觉全卷积网络,融合了影像中地物的局部细节特征和全局特征,能保持较高的提取精度和置信度,且更易训练和收敛,为后续遥感影像地物提取与神经网络的设计提供了参考方向。     

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.     

基于各向异性Markov随机场的遥感影像亚像元尺度建筑物提取

基于遥感影像的建筑物自动提取方法容易受混合像元影响,目标提取精度不高。亚像元定位可以提取亚像元尺度地物分布信息,减轻混合像元对目标提取结果造成的影响。传统亚像元定位模型采用各向同性邻域描述地物的空间相关性,并没有考虑地物特有的形状信息,难以满足建筑物提取的需要。在考虑建筑物光谱特征的基础上,建立了平行与垂直于目标建筑物主方向的各向异性邻域,并采用基于各向异性Markov随机场的亚像元定位模型进行了亚像元尺度的建筑物提取。基于QuickBird多光谱数据与AVIRIS高光谱数据的实验结果表明,该模型提取的建筑物不仅具有更高的空间分辨率,而且能够较好地保持建筑物边缘与角点的形状信息,是一种有效的亚像元尺度建筑物提取方法。     

利用角度纹理特征提取高分辨率遥感影像中城市主干道路

目的 路网密度是一个地区交通可达性的重要指标,获取影像中的道路像元是计算路网密度的首要环节。本文利用高分遥感影像中城市主干道路光谱特征沿道路方向趋向一致的特性,提取城市主干道路。方法 通过分析像元点的角度纹理图,根据最小灰度方差所在方向设计2维Gabor滤波器。用滤波值数组作为每个像元的表征,借助k均值聚类分割策略将道路像元提取出来,并细化为主干道路网。结果 以完全率、正确率和提取质量作为精度评价指标,以k均值聚类作为分割策略,当分割对象分别为灰度值、灰度共生矩阵、多通道2维Gabor滤波值及本文采用的特征向量时,评价结果分别为0.45、0.51、0.37,0.62、0.70、0.54,0.58、0.66、0.52及0.72、0.78、0.65;以Hough变换法作为提取策略时,评价结果分别为0.41、0.56和0.34;以多尺度分割法作为提取策略时,评价结果分别为0.41、0.56和0.34。由此可知,采用相同分割策略,本文采用的分割对象相较其他对象可以获得更好的分类精度。相较传统的基于线状或面状特征的分类手段,本文方法在精度方面亦具有一定的优势。结论 本文提出了一种全新的道路像元提取方法,通过构造特定方向的2维Gabor滤波值数组进行影像分割。实验表明该方法具有较好的抗噪性和普适性,广泛适用于GF-1、GF-2、IKONS、QuickBird及其他传感器获取的高分辨率遥感影像。     

基于水动力学、分数阶微分及Steger算法的线状目标提取

目的 线状目标的检测具有非常广泛的应用领域,如车道线、道路及裂缝的检测等,而裂缝是其中最难检测的线状目标。为避免直接提取线状目标时图像分割难的问题,以裂缝和车道线为例,提出了一种新的跟踪线状目标中线的算法。方法 对图像进行高斯平滑,用一种新的分数阶微分模板增强图像中的模糊及微细线状目标;基于Steger算法提出一种提取线状目标中心线特征点的算法,避免了提取整体目标的困难;根据水动力学思想将裂隙看成溪流,通过最大熵阈值处理后,先进行特征点的连接,再基于线段之间的距离及夹角进行线段之间的连接（溪流之间的融合）。结果 对300幅裂缝图像及4种类别的其他线状目标图像进行试验,并与距离变换、最大熵阈值法+细线化Otsu阈值分割+细线化、谷底边界检测等类似算法进行比较分析,本文算法检测出的线状目标的连续性好、漏检（大间隙少）和误检（毛刺及多余线段少）率均较低。结论 本文算法能够在复杂的线状目标图像中准确快速地提取目标的中心线,一定程度上改善了复杂线状目标图像分割难的问题。     

采用积分图块间距离检测图像边缘

目的 边缘是图像的重要特征之一,是后续测量、基于形状配准的基础,为了更好地获得图像中的边缘信息,提出一种利用积分图块间距离检测图像边缘的方法。方法 首先,分析欧氏距离图理论,给出采用局部区块内和距离的方式检测图像边缘的方法。其次,提出采用积分图完成高斯模板块内求和算法,并利用这种方法加速完成了图像块内像素求和,以此提高算法的执行速度。最后,给出了本文算法的执行流程。结果 以人工标注模拟图像的边缘为标准,采用本文方法得到的边缘检测结果重叠率高于97%,Canny算法的重叠率为80%、高斯曼哈顿距离与欧式距离算法的重叠率分别低于63%和28%。从真实图像实验结果上看,随着图像尺寸的增加,Canny与本文方法的执行时间均略有增加,但幅度不大,在处理1024×768的图像时分别耗时1.7 s与4.6 s。由于本文方法增加了积分图及块内和的求解,因此耗时略高于Canny方法。综上,采用本文方法获得的边缘检测结果不仅具备较高的重叠率,而且执行时间较少,其执行速度不会随图像尺寸的增加而大幅度降低。结论 由实验结果可见,本文提出的图像边缘检测方法具备较高的准确性与实用性。由于本文方法具备较高的执行速度,因此适用于所有以边缘检测结果为基础的后期图像处理技术,包括对于实时性要求较高的视频流边缘检测与分析。     

基于变差函数的中高分辨率SAR影像农村建筑区提取

目的 基于中高分辨率影像进行大范围的农村建筑区提取时,由于影像分辨率的限制以及农村建筑区规划自身规划特点等因素,造成了传统变差函数方法的高错分误差。为了准确提取农村建筑区,为后续获取建筑密度和人口密度等工作建立基础,提出了一种基于迭代P参数法的阈值确定方法。方法 通过设定亮度阈值,在变差函数纹理计算中为满足条件的像元点赋以权值。本文方法确保在4个方向都满足条件的像元点(认为是建筑区)获得较大的变差函数值加成,而仅在一个方向或者没有方向满足条件的像元点(认为是非建筑区)获得较小加成或不变,以此改进传统变差函数方法,抑制了农村建筑区与周边非建筑区的混淆。结果 以Radarsat-2的多个极化波段影像为数据源进行了实验,改进变差函数方法在实验区1与实验区2的各个波段平均检测率分别为91.58%和90.11%,平均错分误差分别为19.83%和31.87%。结论 与传统变差函数方法以及最小距离法相比,既保证了较高的检测率,同时显著降低了错分误差,不足之处是在建筑区与非建筑区的边缘处以及与建筑区具有相似纹理特征的非建筑区处出现错分,需要进一步的研究和完善。