基于最优尺度的遥感影像土地覆盖分类仿真

土地覆盖遥感影像是国家的战略性、基础性资源,真实、准确和实时的土地覆盖类型信息对科学保护和合理利用土地资源至关重要。随着大数据时代遥感影像数量快速增长,已有算法的准确性和稳定性无法满足土地覆盖情况分类需求。为进一步提升土地覆盖分类准确率,提出一种基于最优尺度分割与特征融合的方法。首先针对预处理后的遥感影像,利用局部方差计算出分割的最优尺度,并以尺度为基准优化过分割、欠分割影像;然后以分割后的影像为基准,采用局部二值模式算子(LBP)及神经网络提取土地影像的纹理特征和光谱初级特征;最后将影像的两种特征有机融合,并利用支持向量机分类器(SVM),构建了土地遥感影像分类模型(OSF-SVM模型)。分割仿真结果表明,与已有方法相比,文中的尺度分割技术在RR、RI及ARI指标上具有所提高,平局提升了10.83%;分类仿真结果表明,较传统SVM模型相比,OSF-SVM模型在R、P以及F₁指标上分别平均提高了4.1%、3.9%和4%。因此,通过最优尺度分割和特征融合构建的OSF-SVM遥感影像土地覆盖分类模型,提高了影像分割及分类的精确度与稳定性。     

基于超像素统计量的随机森林遥感图像分类

针对遥感图像地物覆盖分类方法对图像空间分布信息利用不足的问题,提出一种基于超像素统计量的随机森林遥感图像分类方法。以北京市海淀区为研究区,选用Landsat-8卫星为主要数据源,通过改进SLIC超像素分割方法,使之适用于多光谱遥感图像中超像素的分割,提取超像素常见的六个统计量(最小值、最大值、均值、标准差、上四分位数、下四分位数)用于随机森林在遥感图像中的分类。实验结果表明,本文对研究区遥感图像的总体分类精度为89.01%,明显改善了对地物的错分和漏分现象,能够推广到Landsat-8遥感图像的地物覆盖分类工作中。     

基于轻量语义分割网络的遥感土地覆盖分类

高分辨率遥感图像有丰富的空间特征, 针对遥感土地覆盖方法中模型复杂, 边界模糊和多尺度分割等问题, 提出了一种基于边界与多尺度信息的轻量化语义分割网络. 首先, 使用轻量化的MobileNetV3分类器, 采用深度可分离卷积来减少计算量. 其次, 使用自顶向下和自底向上的特征金字塔结构来进行多尺度分割. 接着, 设计了一个边界增强模块, 为分割任务提供丰富的边界细节信息. 然后, 设计了一个特征融合模块, 融合边界与多尺度语义特征. 最后, 使用交叉熵损失函数和Dice损失函数来处理样本不平衡的问题. 在 WHDLD数据集的平均交并比达到了59.64%, 总体精度达到了87.68%. 在DeepGlobe数据集的平均交并比达到了70.42%, 总体精度达到了88.81%. 实验结果表明, 该模型能快速有效地实现遥感图像土地覆盖分类.     

分块低秩图的遥感影像半监督分类应用

随着信息技术和对地观测技术的飞速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。分类模型的准确性和抗干扰能力对精确绘制复杂的土地覆盖和土地利用分类至关重要。针对大规模遥感数据难以获取大量标记数据的问题,基于低秩表示模型和图的半监督学习方法,提出了基于分块低秩图的大规模遥感图像半监督分类应用。为了解决低秩表示计算复杂度高的问题,将预处理后的图像按像素进行分块处理,并在每个块上实现低秩表示。在WorldView-2影像上的分类结果表明,在少量标记样本下,该方法利用简单的最近邻分类器即可实现对城市地物的精确分类。因此,该方法有效地提高了土地覆盖的分类精度,在遥感图像分类中具有较高的效率。     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。     

深度卷积神经网络特征提取用于地表覆盖分类初探

目的 地表覆盖监测是生态环境变化研究、土地资源管理和可持续发展的重要基础,在全球资源监测、全球变化检测中发挥着重要作用。提高中等分辨率遥感影像地表覆盖分类的精度具有非常重要的意义。方法 近年来,深度卷积神经网络在图像分类、目标检测和图像语义分割等领域取得了一系列突破性的进展,相比于传统的机器学习方法具有更强的特征学习和特征表达能力。基于其优越的特性,本文进行了深度卷积神经网络对中分辨率遥感影像进行特征提取和分类的探索性研究。以GF-1的16 m空间分辨率多光谱影像为实验数据,利用预训练好的AlexNet深度卷积神经网络模型进行特征提取,以SVM为分类器进行分类。分析了AlexNet不同层的特征以及用于提取特征的邻域窗口尺寸对分类结果的影响,并与传统的单纯基于光谱特征和基于光谱+纹理特征的分类结果进行对比分析。结果 结果表明在用AlexNet模型提取特征进行地表覆盖分类时,Fc6全连接层是最有效的特征提取层,最佳的特征提取窗口尺寸为9×9像素,同时利用深度特征得到的总体分类精度要高于其他两种方法。结论 深度卷积神经网络可以提取更精细更准确的地表覆盖特征,得到更高的地表覆盖分类精度,为地表覆盖分类提供了参考价值。     

改进SeMask主干网络的高分辨率遥感影像变化检测模型

随着城市化进程的加速和人口不断增加, 土地资源的利用和管理变得愈发重要. 高分辨率遥感影像技术的发展为土地覆盖类别变化检测提供了新的途径. 目前, 多数遥感影像变化检测任务主要针对显著建筑物的变化检测, 缺少对土地覆盖类别变化检测任务的研究, 本研究基于公开数据集, 对更多土地覆盖类别变化情况进行标注. 在原语义分割主干网络的基础上结合孪生网络结构, 提出适用于土地覆盖类别变化检测任务的检测模型, 该模型在网络的特征提取阶段加入变化引导模块, 以辅助网络关注两时相影像中的变化信息, 并在网络不同阶段加入通道信息交互模块, 以增强不同特征图的信息融合. 同时, 在特征提取阶段最后一层加入特征对齐模块, 以缓解下采样过程导致的特征偏移. 在土地覆盖类别变化检测数据集上的实验结果表明, 本文提出的方法可以有效提取影像中的变化信息, 并提高分割精度.     

图像语义分割在智慧农业中的应用

计算机视觉与物联网技术的飞速发展,为农业生产带来了新机遇。智慧农业中的感知层设备可获取农业生产过程中的各类图像信息。将图像语义分割应用在农田场景识别中,可实现农业设备的自动导航和避障;应用在遥感图像分割中,可监控和管理土地资源;应用在作物分割识别中,不仅可以监测农作物的生长发育状态,还可以实现农作物的智能采摘等功能,为农业生产提供智能决策与控制。     

基于云理论的遥感图像土地利用分割分类方法研究

传统的遥感图像土地利用分类技术自动化和智能化的程度较低,遥感图像土地利用分类问题是一个包含随机性和模糊性的不确定性问题,而云模型把模糊性和随机性集成到一起,构成定性和定量相互间的映射。据此,本文探索将云理论引入到遥感图像土地利用分割分类技术中,建立了基于灰度的云映射空间,实现对遥感图像的分类。同时以武汉市南湖地区进行了实证分析,进一步阐述了模型构建过程,通过分类结果的评价和对比,探索该方法在本领域中的适用性。     

跨层细节感知和分组注意力引导的遥感图像语义分割

目的 语义分割是遥感图像智能解译的关键任务之一,遥感图像覆盖面广,背景交叉复杂,且地物尺寸差异性大。现有方法在复杂背景下的多尺度地物上分割效果较差,且分割区域破碎边界不连续。针对上述问题,提出了一种跨层细节感知和分组注意力引导的语义分割模型用于高分辨率遥感图像解析。方法 首先采用结构新颖的ConvNeXt骨干网络,编码输入图像的各层次特征。其次,设计了分组协同注意力模块,分组并行建模通道和空间维度的特征依赖性,通道注意力和空间注意力协同强化重要通道和区域的特征信息。接着,引入了自注意力机制,构建了跨层细节感知模块,利用低层特征中丰富的细节信息,指导高层特征层学习空间细节,保证分割结果的区域完整性和边界连续性。最后,以山西省太原市为研究区域,自制高分辨率遥感太原市城区土地覆盖数据集（Taiyuan urban land cover dataset,TULCD）,所提方法实现了太原市城区土地覆盖精细分类任务。结果 实验在自制数据集TULCD和公开数据集Vaihingen上与最新的5种算法进行了比较,所提方法在两个数据集上平均像素准确率（mean pixel accuracy,mPA）为74.23%、87.26%,平均交并比（mean intersection over union,mIoU）为58.91%、77.02%,平均得分mF1为72.24%、86.35%,均优于对比算法。结论 本文提出的高分辨率遥感图像语义分割模型具有较强的空间和细节感知能力,对类间差异小的相邻地物也有较强的鉴别能力,模型的整体分割精度较高。     

基于迭代CART算法分层分类的土地覆盖遥感分类

土地覆盖遥感分类是土地利用变化监测及其空间格局分析的重要技术手段。为了进一步提高土地覆盖遥感分类精度,提出一种基于迭代CART算法分层分类的新技术体系。首先,根据类别光谱可分性分析,确定分层分类方法的类别提取顺序依次为水体、植被、裸地和建设用地。然后,在此分类顺序下,分别确定各类别的图像分割参数和分类特征集。最后,在对象尺度上,将CART算法迭代引入分层分类过程,不断选取训练样本进行CART算法的迭代分类依次提取前3个类别,将剩余部分直接划分为建设用地。实验结果证明:该方法可以明显减轻裸地和建设用地的混分现象,获得较高精度的土地覆盖分类结果,总体精度85.76%,Kappa系数0.72。相比于SVM、CART两种单次分类方法,总体精度和Kappa系数分别提升了10.67%～16.5%和0.15～0.21。同时,该方法能够灵活调整某个类别的分类精度并具有很强的扩展性,可以为其他涉及图像分类的遥感应用领域提供方法参考。     

基于深度学习的灾后建筑物损坏程度检测综述

遥感图像分类和语义分割是一项非常有应用价值的计算机视觉任务。由于现实生活对遥感信息有更高的需求,使计算机视觉领域中高分辨率遥感图像研究日益活跃。其广泛应用于国土资源监测、道路提取和土地划分等领域。自然灾害后建筑物损害程度检测也作为其应用领域之一,目的是对灾后建筑物损坏程度进行相关检测和评估。近年来,随着深度学习的发展,遥感图像领域取得巨大进展,深度学习在遥感图像分类和语义分割领域中的应用获得了巨大的成功,使其解析遥感图像信息和提取底物特征的速度更快,也在很大程度上提高了处理遥感图像相关任务的准确性。因此,深度学习中的计算机视觉技术对自然灾害后建筑物损害程度检测具有很大帮助。该文介绍了基于深度学习的自然灾害后建筑物损坏程度检测的相关任务、难点和发展现状。接着对xBD数据集进行介绍,并说明了不同算法模型的相关评价标准。然后对深度学习方法中几种应用于建筑物损坏程度检测的卷积神经网络模型进行总结和对比。最后对其存在的问题及未来可能的发展方向进行了讨论。     

基于高分辨率遥感影像的土地覆盖信息提取

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以高分辨率遥感影像数据IKONOS为主要数据源,以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术,自动提取株洲市城乡结合部的土地覆盖和土地利用信息。达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的,而且精度高,速度快。结果表明利用该方法对复杂的城乡结合部信息获取是可行的。     

利用微调卷积神经网络的土地利用场景分类

针对场景类别之间的相同类内差异性与不同类间相似性所造成的遥感图像场景分类不够精确的问题,提出了将微调(fine-tuning)与卷积神经网络(convolutional neural network,CNN)模型相结合的方法,对土地利用遥感场景图像进行分类。该方法对CNN前层固定,调整分类层,保留了图像的泛性特征;通过卫星影像图获取土地利用场景图块作为训练样本,对训练样本图块进行预处理,然后对在ImageNet数据集上训练得到的AlexNet模型进行fine-tuning,利用得到的CNN模型即可自动提取土地利用遥感图像的图像特征并对其进行分类。为了验证本文方法,对实验区影像进行分割得到测试样本并进行同训练样本一致的预处理,将测试样本的分类结果与随机森林、支持向量机等经典方法的结果进行对比。结果表明,经过fine-tuning的CNN模型在土地利用分类中得到的结果要明显优于其他分类方法。     

基于FlowS-Unet的遥感图像建筑物变化检测

针对目前人为探察土地资源利用情况的任务繁重、办事效率低下等问题, 提出了一种基于深度卷积神经网络的建筑物变化检测方法, 利用高分辨率遥感图像实时检测每个区域新建与扩建的建筑物, 以方便对土地资源进行有效管理.本文受超列(Hypercolumn)和FlowNet中的细化(Refinement)结构启发, 将细化和其他改进应用到U-Net, 提出FlowS-Unet网络.首先对遥感图像裁剪、去噪、标注语义制作数据集, 将该数据集划分为训练集和测试集, 对训练集进行数据增强, 并根据训练集图像的均值和方差对所有图像进行归一化; 然后将训练集输入集成了多尺度交叉训练、多重损失计算、Adam优化的全卷积神经网络FlowS-Unet中进行训练; 最后对网络模型的预测结果进行膨胀、腐蚀以及孔洞填充等后处理得到最终的分割结果.本文以人工分割结果为参考标准进行对比测试, 用FlowS-Unet检测得到的F1分数高达0.943, 明显优于FCN和U-Net的预测结果.实验结果表明, FlowS-Unet能够实时准确地将新建与扩建的建筑物变化检测出来, 并且该模型也可扩展到其他类似的图像检测问题中.     

利用概率主题模型的遥感影像半监督分类

土地覆盖是自然环境与人类活动相互作用的中心,而土地覆盖信息主要是通过遥感影像分类来获取,因此影像分类是遥感影像分析的最基本问题之一。在参考基于概率主题模型的高分辨率遥感影像聚类分析的基础上,通过半监督学习最典型的生成模型方法引出了基于概率主题模型的半监督分类（SS-LDA）算法。借鉴SS-LDA模型在文本识别应用的流程,构建了基于SS-LDA算法的高分辨率遥感影像分类的基本流程。通过实验证明,相对于传统的非监督分类与监督分类算法,SS-LDA算法能够获取较高精度的影像分类结果。     

基于遥感影像的土地资源利用区划自动识别技术

针对遥感影像中存在着等级错乱的纹理特征,在实际识别中易出现识别精度过低的问题,因此研究出一种基于遥感影像的土地资源利用区划自动识别技术.通过计算机对获取的遥感图像进行分割并模拟遥感小班界线勾绘,提取土地资源的纹理特征,确定土地资源区域,利用多光谱影像中的纹理特征模拟区划中长分辨率的全色影像,构建识别方程,完成对自动识别技术的研究.实验识别区域转化为遥感图像后,采用相同参数的传统计算机自动识别技术与设计的自动识别技术实验结果表明:设计的自动识别技术的识别率在95％以上,精度数值最大.     

面向对象的土地覆盖信息提取方法研究

利用遥感方法提取土地覆盖信息时,常用的自动分类方法只能利用遥感数据的光谱信息,而面向对象的分类方法在综合利用遥感数据光谱信息、纹理特征、拓扑关系和加入专题信息进行多尺度分割获取对象后的基础上,通过对对象的目视识别建立模糊判别函数来进行分类。利用面向对象的方法成功提取了三峡库区奉节县中部的土地覆盖信息,得到了较为满意的结果,利用野外采样数据进行验证其精度达89.2%。     

美国高分辨率土地覆盖信息提取技术研究进展

土地覆盖数据是进行全球变化研究的基础。美国地质调查局组织的土地覆盖特征研究项目成功的开展了两次工作, 建设了土地覆盖数据库, 得到了多方面的认可, 代表了美国相关领域的前沿技术。项目中涉及一系列技术, 包括土地覆盖分类分区、遥感影像选取、数据预处理过程、图像转换变化分析、土地覆盖分类技术、数据产品验证、土地覆盖数据库建设等。另外还有关键技术研究, 包括: 土地覆盖多边形分析、纹理特征分析、树冠密度信息提取、城市不透性表面估算等。就美国地质调查局项目中土地覆盖遥感影像数据处理方法、技术流程、数据库建设, 以及有关土地覆盖度等相关关键技术进行了介绍, 期望能够反映其进展情况, 对国内的相关工作起到启示作用。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。