基于卷积神经网络的遥感图像水体提取

为解决基于遥感图像监测地表水资源变化的问题,在深度学习的框架下,基于卷积神经网络(CNN)提出了用于遥感图像水体提取的模型.利用网络爬虫的方式,搜集遥感图像,并通过随机裁剪、数据清洗等方式构建训练、验证和测试数据集.通过对低层语义特征学习提取抽象的高层特征,基于提取的高层特征进行网络模型训练.实验结果表明:水体提取的精...     

基于MODIS地表反射率数据的水体自动提取研究

应用阈值法对遥感图像上的水体目标进行提取时,水陆分割阈值的确定是其难点。以MODIS地表反射率数据为数据源,首先统计大量MODIS地表反射率影像第6波段的水陆分割阈值的范围作为先验阈值范围;然后将历史存档的研究区水体边界矢量叠加到图像上,并且将矢量边界向外扩大一倍,使得扩大后的范围内的水体和陆地面积相当;最后统计扩大后区域的第6波段的灰度直方图,并寻找先验阈值范围内的最小值作为最佳的水陆分割阈值进行水体提取。克服了统计直方图双峰谷值作为分割阈值的传统方法容易受到地物复杂性及噪声影响的难题,使得水陆分割阈值的确定变得更加简单、高效,实现了针对遥感影像上水体目标的自动提取,大大提高了水体提取的效率。     

水库水体面积提取方法

遥感影像的水库水体信息提取对水库面积变化监测有很大的帮助,因此,提出一种基于遗传算法和改进Otsu算法的水体提取方法。对处理后的遥感影像使用NDWI (normalized difference water index)水体指数法进行初始的水体提取,由于传统的Otsu算法对直方图呈现双峰分布的图像提取效果不佳,利用遗传算法对最大类间方差公式进行双阈值计算,引入滑动窗口对图像进行阈值判断;使用自适应阈值算法进行局部阈值分割。通过对石梁河水库和小塔山水库的实验,表明该方法能够准确提取出水库的水体信息,误提取和漏提取现象得到了很大的改善。     

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。     

Sentinel-2A影像珠海市污染水体识别

针对目前较少研究使用中高分辨率卫星对内陆河流污染水体进行遥感识别,使用Sentinel-2A遥感影像,基于一般水体和污染水体之间的光谱差异特征,构建了单波段阈值法、波段比值法、波段差值法和河流污染指数法,对内陆河流污染水体进行识别.通过对四种遥感识别方法的精度分析表明,河流污染指数遥感识别精度最高,为92.59％,单波...     

一种遥感影像水体信息自动提取方法

本文提出了一种基于卫星图像数据的LBV变换与归一化植被指数NDVI的遥感影像水体信息自动提取的方法.水体经过LBV变换后形成的B分量图的灰度值很大,水体信息的归一化植被指数值小于0;构建水体信息自动提取模型条件是水体信息满足B分量数值大于某一阈值并且归一化植被指数值小于0;与其它方法进行实验比较该方法可以较准确的进行水体信息的自动提取,同时准确地将水域与低密度覆盖的水植混合体分开.     

Landsat数据水体自动提取研究进展

水体自动提取是当前遥感技术应用研究的热点之一。在简述水体遥感识别机理的基础上,回顾了国内外常用的Landsat数据水体自动提取方法,并将其划分为单波段阈值法、多波段谱间关系法、水体指数法和分类后提取法4类进行综合阐述,最后从辐射校正、混合像元和图像二值细化3方面对水体自动提取的未来研究方向做了展望,以期为水体自动提取及相关研究提供参考。     

基于改进分水岭变换的遥感图像建筑物提取

遥感图像的分割是遥感信息提取与目标识别的基础和关键。以高分辨率城镇地区遥感图像为研究对象,提出一种基于全局阈值的多级分水岭算法,用于遥感图像的分割。该算法通过引入差异度函数,在执行传统分水岭算法的过程中对图像中存在的噪声区域进行修正,并通过使用全局阈值有效的控制欠分割问题。首先基于全局阈值的多级分水岭算法对高分辨率遥感图像进行初始分割,然后综合利用分割对象的颜色和形状特征信息,进行区域合并和梯度边缘提取,得到最终的建筑物提取结果。实验结果表明,所提出的基于全局阈值的多级分水岭算法较好地避免了过分割和欠分割现象,结合区域合并和梯度提取,能够快速准确地对城镇遥感图像中的建筑物进行提取。     

青海湖区域水体识别系统设计

青海湖是我国最大的内陆湖,其对于当地生态系统起着至关重要的作用.对青海湖水体进行快速有效监测,成为研究的一个方向.目前的水体识别研究多采用单机版来进行实现,其存在识别速度较慢,自动化程度低等问题.随着遥感数据量的日益增长,传统识别方法难以满足需求.基于Hadoop和Spark分布式大数据框架,设计并实现了自动化水体识别系统.该系统主要实现了遥感图像的数据存储,数据读取,数据处理,模型预测等功能模块,并最后通过shell脚本来实现系统的自动化执行.最后选用了青海湖区域三天遥感图像数据来对系统进行验证.实验结果表明,该系统能够自动完成水体识别流程,并能准确的预测水体.     

直线截距直方图城区遥感图像多阈值分割

阈值分割简单有效,但现有的单阈值方法对城区图像分割效果不佳,难以取得令人满意的结果。为了快速准确地对城区遥感图像进行分割,本文提出了基于直线截距直方图倒数灰度熵和人工蜂群优化（artificial bee colony optimization, ABC）的多阈值分割方法。首先,给出直线截距直方图的定义并建立城区遥感图像的直线截距直方图;然后,计算该直方图倒数灰度熵的大小,推导出其单阈值选取公式;最后,将其推广到多阈值选取,并利用人工蜂群优化算法,对多个阈值进行快速精确地寻优,以此最终实现城区遥感图像的多阈值分割。实验结果表明,该方法所分割的图像中多目标的形状、边缘更为准确,纹理及细节特征更加清晰,且所需运行时间仅为同类多阈值分割方法的25%,是一种行之有效的城区遥感图像分割方法。     

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...     

不同指数法在地表水体提取中的效果比较

由于遥感技术能够快速、高效地获取地表水体的时空分布特征,目前基于影像提取内陆水体的方法很多,但针对不同类型的水域,哪一种方法提取效果更好,是值得探讨的问题。以天健湖、须水河和黄河郑州段3个水域为研究对象,基于GF-2,Landsat 8,SPOT5卫星影像,采用水体、植被指数法等几种方法提取水域部分。通过分析提取效果,得出:对于水体较浅的天健湖,无论是GF-2还是Landsat 8影像,提取效果较好的方法是水体指数法,提取效果较差的均为单波段阈值法;对于相对较深的须水河,无论是GF-2还是Landsat 8影像,提取效果较好的方法是植被指数法,提取效果较差的均为单波段阈值法;对于含沙量较大、有细小水体的黄河水域,提取效果相对较好的是水体指数法,较差的是单波段阈值法和植被指数法。表明:在基于影像提取水体时,首先应弄清水域的情况,以采用相应的遥感指数。     

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。     

深度学习在多时相大棚提取应用研究

蔬菜大棚对于农业生产具有重要意义。受季节和环境影响,其在遥感影像上不同时期呈现不同形态,仅通过单时相特征提取精度不能满足要求。近几年,深度学习被证明适合遥感数据的分类,为实现深度学习在农业遥感上的有效应用,提出了一种改进的多时相语义分割模型（Multi-temporal Spatial Segmentation Network,MSSN）用于蔬菜大棚提取。提出基于补丁长短时记忆网络（Patch-LSTM）,该网络充分利用图像的空间和时序信息。采用带空洞卷积的空间金字塔池化（ASSP）解决网络对尺度敏感问题。进一步添加跳连层（Skip-layer）和反卷积层提升特征图的还原能力。选择山东高密GF-2遥感影像进行实验。结果表明,该分割模型在测试集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU（Intersection Over Union）,可以实现高精度的蔬菜大棚提取,为深度学习在农业遥感的应用提供新的方法。     

改进U-Net网络的遥感影像道路提取方法研究

从遥感影像中提取道路目标对智慧城市建设具有重要意义。由于遥感数据中道路及背景特征复杂多样,使用深度学习方法对道路进行提取的准确性仍然受到限制。基于U-Net网络架构设计实现了用于遥感影像道路提取的深度语义分割模型AS-Unet,该模型分为编码器和解码器两部分。在编码器部分加入通道注意力机制,对提取的丰富低层特征进行筛选,突出目标特征,抑制背景噪声干扰,从而提高深浅层信息融合准确率;为解决网络对道路目标单一尺寸的敏感问题,在编码器最后一层卷积层后面加入空间金字塔池化模块来捕获不同尺度道路特征;在解码器部分加入空间注意力机制,进行位置关系信息学习和深层次语义特征筛选,提高特征图还原能力。在Massachusetts和DeepGlobe道路数据集上进行实验,结果证明,在召回率、精度、[F1]值等评估指标上,明显优于SegNet、FCN等语义分割网络。所设计的AS-Unet网络性能优良,具有更高的分割准确率,具备一定理论和实际应用价值。     

改进U-Net型网络的遥感图像道路提取

目的 遥感图像道路提取在城市规划、交通管理、车辆导航和地图更新等领域中发挥了重要作用,但遥感图像受光照、噪声和遮挡等因素以及识别过程中大量相似的非道路目标干扰,导致提取高质量的遥感图像道路有很大难度。为此,提出一种结合上下文信息和注意力机制的U-Net型道路分割网络。方法 使用Resnet-34预训练网络作为编码器实现特征提取,通过上下文信息提取模块对图像的上下文信息进行整合,确保对道路的几何拓扑结构特征的提取;使用注意力机制对跳跃连接传递的特征进行权重调整,提升网络对于道路边缘区域的分割效果。结果 在公共数据集Deep Globe道路提取数据集上对模型进行测试,召回率和交并比指标分别达到0.847 2和0.691 5。与主流方法U-Net和CE-Net（context encoder network）等进行比较,实验结果表明本文方法在性能上表现良好,能有效提高道路分割的精确度。结论 本文针对遥感图像道路提取中道路结构不完整和道路边缘区域不清晰问题,提出一种结合上下文信息和注意力机制的遥感道路提取模型。实验结果表明该网络在遥感图像道路提取上达到良好效果,具有较高的研究和应用价值。     

基于三种高分辨率影像样本迁移学习的城市水体提取研究

水体提取是遥感监测城市水环境必不可少的步骤,提取城市中的细小水体目前已成为遥感影像深度学习领域的热点。但是,深度学习需要大量的样本数据集作为输入,而且不同空间分辨率影像往往需要构建不同的样本集。如果影像的空间分辨率差异不大,可以先采用分辨率较低的影像样本训练模型,并加入少量的较高分辨率样本再次训练模型,这种模型可以保证精度和节约时间。研究选用了U-net图像分割模型,针对3种不同空间分辨率——分别为0.5 m、0.8 m和2 m的影像进行样本迁移学习。发现2 m到0.8 m、2 m到0.5 m、0.8 m到0.5 m 3种迁移学习后,提取水体结果对应评价指标F1-score、MIoU、Kappa都在0.80以上。在分辨率差异不大的前提下,这种从较低分辨率样本迁移到较高分辨率影像提取城市水体的方法基本可行,结果精度较好,适用于缺水型城市的水体提取。     

基于流形学习的光学遥感图像分类

随着光学遥感图像技术的快速发展与广泛应用,对光学遥感图像的准确分类具有深远的研究意义。传统特征提取方式提取的高维特征中夹杂着许多冗余信息,分类过程可能导致过拟合现象,针对传统的线性降维算法不足以保持原始数据的内部结构,容易造成数据失真这一问题,提出基于流形学习的光学遥感图像分类算法。该算法首先提取出图像的SIFT特征,然后将流形学习运用于特征降维,最后结合支持向量机进行训练和识别。实验结果表明,在Satellite、NWPU和UCMerced实验数据中,冰川、建筑群和海滩分类精度得到了有效提高,达到85%左右;针对沙漠、岩石、水域等特殊环境遥感图像,分类精度提高了10%左右。总而言之,基于流形学习的分类算法对通过降维之后的数据能够保持在原高维空间中的拓扑结构,相似特征点能得到有效聚合,预防了"维数灾难",减少了计算量,保证了分类精度。     

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。     

基于CNN的高分遥感影像深度语义特征提取研究综述

近年来,深度学习作为计算机视觉的研究热点,在诸多方面得以发展与应用。特征提取是理解和分析高分遥感影像的关键基础。为促进高分遥感影像特征提取技术的发展,总结了深度学习模型在高分遥感影像特征提取技术的研究与发展,如:AlexNet,VGG-网和GoogleNet等卷积网络模型在深度语义特征提取中的应用。此外,重点分析和讨论了以卷积神经网络模型为基础的各类深度学习模型在高分遥感影像特征提取方面的应用与创新,如:迁移学习的应用;卷积神经网络(Convolutional Neural Network,CNN)模型结构的改变;CNN模型与其他模型结构的结合等方式,均提升了深度语义特征提取能力。最后,对卷积神经网络模型在高分遥感影像深度语义特征提取方面存在的问题以及后续可能的研究趋势进行了分析。