遥感影像目标识别中的多尺度分析

针对遥感影像目标特性随分辨率变化的问题,提出了目标识别的多尺度分析方法。首先,基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因,这种变化主要是由混合像元在目标中所占的比例决定的;然后,根据多尺度影像中的目标提取实验,分析并验证了目标提取误差随着尺度变化的规律;最后,基于遥感影像目标的多尺度特性分析,进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看,目标的形状结构特征随着尺度的变化而发生改变,而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征,揭示了目标特征随尺度变化规律,对多尺度遥感影像自动目标识别具有指导意义。     

基于多源遥感数据的区域景观格局尺度效应

无论在景观生态学还是在遥感领域,尺度问题都是非常重要的问题,目前已有的研究主要考虑景观的粒度效应,很少涉及遥感影像空间分辨率对景观格局的影响。在遥感和地理信息系统软件的支持下,利用多源遥感影像,结合研究区的特点进行了景观分类,并从不同遥感数据的空间分辨率角度进行空间粒度放大试验,探讨景观格局的尺度效应。研究结果表明：基于不同空间分辨率遥感影像的土地利用空间数据具有尺度效应,其所反映的区域土地利用景观格局在宏观上是一致的,但类型的边界、形状和数量均产生较大的差异;景观格局指数能反映不同遥感影像所记录的地表信息,从不同遥感数据源、不同空间分辨率的角度定量化判断尺度放大过程中区域土地利用景观特征信息的尺度效应。     

融合多特征的高分辨率遥感影像变化检测

针对单一特征难以反映目标物的全面信息,不能有效地进行变化检测的问题,提出一种顾及光谱、纹理和结构特征的遥感影像变化检测框架。该方法由3部分组成：利用光谱特征及决策融合方法获得目标物的光谱变化信息;通过构建多尺度灰度共生矩阵纹理特征集和方向梯度直方图特征集,获得目标物在纹理特征和几何特征方面的变化信息;对光谱、纹理和结构特征变化结果进行分析,基于逻辑运算进行融合,并结合形态学算子对检测结果进行后处理,获得最终的综合变化图斑。选取3组涉及不同地物变化的高分辨率遥感影像开展变化检测实验,并与其他方法进行对比分析。结果表明,该算法框架可以有效集成多特征的优势,显著提高变化检测过程的适用性和鲁棒性。     

KCCA与SVM算法支撑下的遥感影像变化检测

针对多时相影像间存在非线性变化以及变化检测阈值难以确定问题,提出结合核典型相关分析和支持向量机的遥感影像变化检测算法。首先,运用核函数对多波段遥感影像非线性映射到高维特征空间进行多变量典型相关分析,去除影像间的相关性,并构造差异影像向量。然后,采用支持向量机方法提取差异影像变化区域与不变化区域。以Landsat-8遥感影像多光谱数据进行实验,结果表明,该方法可以很好提取多光谱影像的变化信息。最后,利用形态学算子对分类结果作处理,消除了“椒盐现象”的干扰,同时提高了变化检测精度。     

KCCA与SVM算法支撑下的遥感影像变化检测

针对多时相影像间存在非线性变化以及变化检测阈值难以确定问题,提出结合核典型相关分析和支持向量机的遥感影像变化检测算法。首先,运用核函数对多波段遥感影像非线性映射到高维特征空间进行多变量典型相关分析,去除影像间的相关性,并构造差异影像向量。然后,采用支持向量机方法提取差异影像变化区域与不变化区域。以Landsat-8遥感影像多光谱数据进行实验,结果表明,该方法可以很好提取多光谱影像的变化信息。最后,利用形态学算子对分类结果作处理,消除了"椒盐现象"的干扰,同时提高了变化检测精度。     

遥感图像目标多尺度特征分析

地面目标在不同尺度的遥感影像中表现出不同的特征,对自动目标识别的准确性有很大影响。基于多分辨率遥感影像,研究典型图像目标的识别技术,给出了多尺度图像目标识别框架。首先针对不同尺度的遥感影像,分析了每个尺度上目标识别的有效特征。然后在提取典型目标的多种特征基础上,对这些特征进行尺度相关性分析,并研究不同的尺度对目标形状结构等特征产生的影响。实验结果表明,基于多分辨率遥感影像的识别框架可以有效地实现图像目标的分析与识别。     

基于均值漂移聚类的油罐识别

从高空间分辨率遥感影像中自动的提取油罐目标和具有重要的意义。针对传统方法计算复杂度高的不足,结合油罐和油库区域在遥感影像中体现的光谱和空间分布特点,提出一种基于均值漂移迭代聚类的油罐自动识别算法。算法基于均值漂移的分割算法进行区域的多层次合并,同时在每个分割尺度上依据形状参数检测油罐。多幅遥感影像的实验结果表明了算法具有较高的识别精度和的较低时间复杂度。     

遥感湖泊面积MTMF提取方法及空间尺度效应研究

主要研究遥感湖泊面积亚像元分解提取方法和空间尺度效应,为遥感湖泊面积提取、检验及基于此的局地气候变化分析提供科学的基础数据。在对TM遥感数据进行升尺度处理的基础上,采用混合调制匹配滤波(Mixture Tuned Matched Filtering,MTMF)进行亚像元分解,得到不同空间分辨率的湖泊面积。进而分析不同面积湖泊随遥感空间尺度的变化。结果表明:(1)当通过对高空间分辨率的遥感数据重采样获取多尺度遥感影像进行湖泊面积提取及湖泊空间尺度效应分析时,采用最近邻法比像元聚合重采样法更合理。(2)MTMF亚像元分解法可以用于基于水体光谱特征的遥感湖泊边界提取和面积计算,但边界提取过程中容易将湖泊与河流或其他非湖泊的水体混淆。(3)遥感湖泊面积的提取结果受所用遥感影像空间分辨率的影响较大,影像的空间分辨率越低,湖泊面积提取的偏差越大,尤其对面积较小的湖泊。     

光谱与形状特征相结合的道路提取方法研究

针对从遥感影像上提取道路,目前已经有很多研究,但尚有许多问题有待解决。如果仅从光谱特征分类入手提取道路,会存在“异物同谱”问题。为解决这个问题,提出了用光谱特征与形状特征相结合的方法提取道路。提出了3个形状指数描述道路的形状特征。以SPOT卫星影像为例,将高空间分辨率的全色图像与多光谱图像融合,首先基于道路光谱特征进行图像分类,然后再应用道路的形状特征去除分类图像中的“异物”目标。研究结果表明该方法能有效地从遥感影像中提取主干道路。     

地物提取的多尺度特征遥感应用分析

通过空间尺度效应分析,阐述不同属性景观地物在同一分辨率或同一尺度影像中提取的不合理性。为获得精确的地表信息,提出多尺度遥感影像分析方法,解决不同地物在不同空间尺度影像数据中提取的难题。通过多种分辨率影像的多尺度影像信息提取的应用实践,分析地物提取中的多尺度特性、尺度与分辨率关系等。     

基于编码对齐生成对抗网络的异源遥感影像地表覆被变化检测方法

相较于同源遥感影像地表覆被变化检测,异源影像能综合不同卫星传感器间数据特征和现势性等优势,更好满足应用需求。针对异源遥感影像变化检测中存在的光谱差异和特征空间不一致问题,研究提出编码对齐生成对抗网络实现异源影像的高精度变化检测。考虑到异源影像间通道和数据类型上存在差异,难保持重构前后影像空间结构的一致性,研究通过添加自编码器和构造编码对齐损失,约束编码器输出特征的空间结构变化,使重构前后影像空间结构一致,有效减少信息丢失;在跨域映射过程中为减少源域与目标域间影像的色彩差异,采用循环一致对抗生成网络在无成对影像情况下进行色彩迁移,实现两时相异源影像的相互跨域映射,生成能与原始影像直接对比的无色偏重构影像;利用设计的变化概率权重使网络在训练过程中自动选择样本,有效提取覆被变化信息。实验结果表明：该方法与CGAN、SCCN等方法相比能更充分提取影像特征,降低跨域映射函数的随机性;在4组公开数据集的检测精度分别达到0.93、0.96、0.97、0.88,精度最高;变化检测结果与参考图的一致性、检测差异图质量均最优。因此,该方法在异源遥感影像中能够进行高精度变化检测。     

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。     

多尺度分割的高分辨率遥感影像分类对比研究

为进一步提高高分辨率影像地物分类精度,以高分2号卫星影像为研究数据,根据高分2号卫星遥感影像光谱信息以及高空间分辨的结构特点,从遥感影像数据分割的尺寸效果及其各种地物显著特征着手,通过局部方差法寻求出各类地物的最优分割尺度,并建立尺度网络层,利用继承进行多尺寸下多特征的整体融合,在最优尺度层下根据光谱特征、形状特征对高分2号影像进行多特征融合与多尺度分割实验,并在此基础上进行了典型地物的分类对比研究。结果表明多特征融合多尺度分割能够较好利用高空谱信息提高地物分类精度。     

尺度自适应的高分辨率遥感影像分水岭分割方法

高空间分辨率遥感影像的分割是面向对象分析的重要基础,大部分影像分割算法都涉及分割参数设置的问题,影像分割方法的参数自适应是影响遥感影像分割效率和效果的关键问题之一。针对传统分水岭分割算法易受噪声干扰且分割尺度参数难以自适应选择的问题,提出了一种尺度自适应的高分辨遥感影像分水岭分割方法,即在对原始影像进行中值滤波的基础上,综合考虑高分遥感影像多个波段信息,并利用区域合并进行分水岭分割,然后在空间统计学思想下,统计不同窗口下局部方差的变程实现分水岭分割参数的自适应设置,进而对高空间分辨率遥感影像进行分割。最后,以IKONOS和QuickBird高空间分辨率多光谱遥感影像作为实验数据,对提出参数自适应的分水岭分割方法的有效性进行了验证。基于分割后斑块内均质性和斑块间异质性指标构建综合评价模型,对本文提出的分割方法所得到的分割结果与不同参数序列的分割结果进行了定量比较,对比结果表明采用该分割算法能够得到较好的分割效果。因此,该方法不仅能一定程度上提高影像分割的精度,也保证了分割参数选择的自动化程度,可为今后的影像分割及参数化研究提供一种思路。     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

多源遥感数据土地覆被空间尺度效应探讨

鉴于目前土地覆被空间尺度效应的探讨大多集中于低空间分辨率数据,而对中高分辨率数据却鲜有研究的情况,基于3景中高分辨率(2.5m、10m和30m)的同区域同时相遥感数据的土地覆被分类图,从土地覆被空间一致性、土地覆被空间信息转移、土地覆被空间格局变化3方面进行了空间尺度效应探讨。研究表明,不同空间分辨率影像上反映的区域土地覆被空间格局在宏观上是一致的,但构成各个土地覆被类型斑块的边界、形状和数量随着空间分辨率的转换发生了变化;土地覆被类型的空间信息转移趋势取决于构成该土地覆被类型的斑块的形状、大小和空间分布情况;随着空间分辨率的降低,各个土地覆被类型逐渐趋于完整,斑块的狭长程度和边界的复杂程度逐渐降低。     

面向对象多特征融合的水域岸线目标变化检测

为认真落实河长制"清四乱"等专项行动,量化水域岸线监管测评工作,以岸线码头为目标,研究一种基于面向对象思想多特征融合的水域岸线目标变化检测方法。针对多时相高分辨率遥感影像,利用面向对象多尺度分割原理将具有空间连续性的同类区域划分为目标对象,提取目标对象的光谱、纹理及几何结构组成特征矩阵,并利用高斯径向基核函数支持向量机(RBF-SVM)进行分类;计算变化矢量差值,并与人工判读数据对比分析得到目标变化检测结果。实验结果表明,该研究应用于水域岸线上目标的变化检测中效果明显,RBFSVM分类误差影响最终目标变化检测的正确率,可为实现河湖水域岸线长效管护提供技术支撑。     

公路路域生态环境遥感监测数据源选取研究

为了满足路域生态环境监测遥感数据选取的需求,针对公路建设及生态特点,从时相特征、空间特征、数据特征和价格因素4个方面考虑,以近年修建的8条高速公路为研究对象,对其遥感影像进行了筛选。通过公路修建的不同时期、当地植被生长季以及时相一致性,从时相特征对遥感影像进行选择;根据不同尺度所选择的遥感影像分辨率要求,从空间特征上对其进行选择。依据可见光数据、多光谱数据以及高光谱数据的特征\,云量以及光照因素对遥感影像的影响等,从数据特征方面对遥感影像进行选取;考虑价格因素能够更为有效地使用遥感资源。通过这4个方面的筛选,能够为公路路域生态环境监测选取较为适宜的遥感数据提供科学依据。     

改进U-Net网络的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测中出现的伪变化较多、检测边界模糊、小目标漏检等问题，提出一种孪生结构的Siam-FAUnet变化检测模型。该模型可以实现端到端的变化检测任务。首先，利用改进的VGG16作为编码器提取双时相的影像特征；其次，通过空洞空间金字塔池化模块获取图像多尺度上下文信息；然后，使用流对齐模块将编码器中的低层特征融合至解码器，以此来获取影像的变化区域。实验采用公开的CDD和STAKI数据集进行训练和测试。结果表明，相对于其他主流的深度学习变化检测方法，Siam-FAUnet变化检测模型在准确率、精确率、召回率和F1分值上均有提升，表明该模型具有良好的检测性能。     

一种改进全卷积网络的遥感影像变化检测

针对传统变化检测方法依赖特征工程且自动化程度不高的问题,提出了一种基于改进全卷积网络的变化检测方法,可自动学习多层次特征图,实现端到端的变化检测。首先,将两期影像输入到两个共享权重的编码器以分别提取多维度特征图,并构造差值特征图以有效融合变化信息;然后,利用扩张卷积模块增加感受野以有效捕捉多尺度变化信息;最后,通过解码器层逐步增大特征图分辨率的同时恢复影像细节信息,并利用sigmoid层生成最终变化图。通过高分辨率遥感影像变化检测实验表明,该方法可显著降低变化检测虚检率和漏检率,提高变化检测的精度和可靠性。