基于卷积神经网络的高分遥感影像单木树种分类

树种调查一直面临着成本高、效率低、精度不高等问题。利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类。基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类。在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5_relu和AlexNet_mini都未取得最佳分类效果;GoogLeNet_mini56、ResNet_mini56和DenseNet_BC_mini56分别对不同的树种具有最佳分类效果;DenseNet_BC_mini56总体精度最高(94.14%),Kappa系数最高(0.90),是总体最佳分类模型。该研究证明了CNN在单木树种分类中的有效性,能为森林资源调查提供重要的解决方案。     

基于显著性特征和DCNN的高分遥感影像场景分类

高分遥感影像的场景分类是解译遥感影像信息的重要工作之一.为了准确提取出目标信息,针对高分遥感影像场景分类中存在的背景复杂、目标多样、目标信息与背景信息难以区分等问题,提出了一种基于显著性特征和深度卷积神经网络(DCNN)的高分遥感影像场景分类方法.首先,利用K-means聚类与超像素分割算法得到影像的颜色空间分布与颜色对比图,融合不同对比图,以得到显著图.然后,通过对数变换增强显著图中的特征,采用自适应阈值分割方法提高目标的区分度并划分出目标区域和背景区域,以提取出感兴趣区域.最后,构建了一种用于提取深层语义特征的DCNN模型,并将得到的特征输入网络模型中进行训练和分类.实验结果表明,本方法能有效区分主要目标信息与背景信息,减少无关信息的干扰,在UC-Merced数据集和WHU-RS数据集上的分类精度分别为96.10％和95.84％.     

改进的U-Net算法在遥感图像典型农作物分类研究

针对传统算法提取遥感图像分类特征不全,及识别农作物分类准确率不高的问题,以无人机遥感图像为数据源,提出改进U-Net模型对研究区域薏仁米、玉米等农作物进行分类识别。实验中首先对遥感影像进行预处理,并进行数据集标注与增强;其次通过加深U-Net网络结构、引入SFAM模块和ASPP模块,多级多尺度特征聚合金字塔方法等对算进行法改进,构建改进的U-Net算法,最后进行模型训练与改进修正。实验结果表明:总体分类精度OA达到88.83%,均交并比MIoU达到0.52,较传统U-Net模型、FCN模型和SegNet模,在分类指标和精度上都有明显的提升。     

遥感影像区域覆盖最优数据集的筛选模型

随着遥感影像数据越来越多,面向指定区域的遥感数据查询,往往出现查询结果数据量大、数据重叠且数据质量良莠不齐的问题。针对传统查询方法的问题,提出一种遥感影像区域覆盖最优数据集的筛选模型。该模型基于成像时间、云量和分辨率等参数建立归一化数学计算模型,完成指定时空范围内覆盖最优的遥感影像数据集筛选。试验结果表明,使用区域覆盖最优数据集筛选模型,能够有效剔除遥感数据中较早时相、重复覆盖和多云量的数据,有效地缩减用户数据筛选时间。     

基于模型的遥感图像港口检测

遥感图像中港口检测是遥感海洋应用研究的重要方面。快速、准确地检测港口将大大提高遥感图像中码头建筑和港口内舰船目标的自动解译能力。通过深入研究港口目标配置,建立了港口模型和港口先验知识库,在此基础上提出了一种基于模型的遥感图像港口检测的方法。并且针对提出的方法对确定港口目标的范围相对较大的不足,通过定义港口目标主轴,计算得到了对港口目标更准确定位的港口外接矩形。实验结果表明,相对于已有的港口检测方法,新方法检测的港口具有目标完整、定位准确以及更好的通用性等特点。      

基于遥感影像和神经网络的城市用地功能分类

城市用地功能分类的准确识别对精准把握城市现状、优化城市空间结构有重要意义。基于此,利用高分辨力遥感影像,提出一种针对中国城市用地功能分类的模型。设计一种多分辨力特征融合的卷积神经网络识别遥感影像中的特定功能区;针对中国城市功能区分布的特点,建立一个用于城市用地功能分类的新数据集。实验显示,本文算法在6种用地功能类型上的分类精确度达88%,表明算法对城市用地功能分类识别具有较高的准确性。最后,通过对北京部分主要城区的案例研究,验证了所提出的模型在城市规划相关领域提供数据支持的价值和有效性。     

基于深度学习算法和无人机遥感影像对植株的识别研究

传统的植株识别方法难以满足遥感影像数据的识别需求,在此情况下,急需一种有效的识别方法.本文分析了基于深度学习算法和无人机遥感影像对植株的识别,经分析显示,二者均具有一定的有效性,保证了植株识别的精度.     

基于RDA-Net模型的遥感影像云与云阴影检测方法

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA Net)的遥感影像云与云阴影检测方法.模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征.首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试.实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节.     

基于深度卷积网络的高分遥感图像语义分割

随着我国高分对地观测系统的不断发展,对高分影像智能化分析与处理的应用需求愈来愈多,基于深度学习语义分割的影像分类也受到高度关注。作为近景图像语义分割的热点模型,Deeplab网络在应用时取得了良好的效果。为了解决多尺度高分辨率遥感影像语义分割问题,本文首先利用空洞卷积扩大Atrous空间金字塔池化（ASPP）结构的感受野,然后对DeepLabv3进行改进并将其用于高分2号遥感影像的分类处理。我们以郴州地区的高分遥感影像为研究对方法进行了验证,首先对原始影像进行预处理,再对预处理图像进行数据增强与扩充,最后通过对不同参数条件下的分类结果进行对比,分析该模型的适应性和精确性。在我们的数据集中,本文方法的实验分类像素精度为88.2％,MIoU达到72.5％,得到了比Deeplab更好的分类效果。      

多层感知机结合辐射传输模型的复杂陆地表面云检测

云检测是卫星遥感数据预处理中至关重要的工作.本文将多层感知机和辐射传输模型相结合,利用可见光和近红外波段反射率信息从卫星影像中识别出云像元.该方法利用SBDART辐射传输模型,模拟获得了各种复杂陆地地表的反射率值数据集,为多层感知机提供训练样本.随后,用训练好的多层感知机模型区分FY-3D卫星MERSIⅡ影像中的云像元...