基于Geo Eye-1立体像对影像提取建筑物高度的方法研究

在城市规划、公共管理、防灾减灾和导航等领域,高精度的城市建筑物三维信息发挥着重要作用。传统的建筑物高度信息获取方法具有成本较高、精度较低、时效性差的缺点。随着亚米级的高空间分辨率遥感卫星的发展和普及,基于遥感卫星立体像对数据反演建筑物高度信息的方法受到广泛关注。基于Geo Eye-1卫星数据,本文提出了一种自动化程度较高的建筑物高度信息提取方法。首先,利用有理函数模型对Geo Eye-1立体像对数据进行几何校正,生成数字表面模型;然后,基于多窗口滤波方法,在无须辅助数据的情况下,利用数字表面模型生成数字高程模型,通过叠置分析提取建筑物的高度信息;最后,根据建筑物轮廓数据绘制研究区建筑的高度分布图。研究结果表明,该方法在多种地表类型上提取出建筑物的高度信息具有较高的精度,具有操作简单、处理速度快等特点。     

无参数高分辨率遥感影像的建筑高度快速提取方法

无参数高分辨率遥感影像快速提取建筑高度,在城市建设和土地管理中有重要的现实意义。当前的研究多以已知参数的遥感影像获取,但其提取方法受限制条件多。本文提出以无参数高分辨率遥感影像,综合利用单张影像上的特征点所构成的4类特征线换算建筑高度的方法。4类特征线包括屋顶位移点与其阴影点的连线、建筑高差引起的屋顶像点位移、阴影全长和建筑遮挡后的阴影长。通过已知的少量建筑的实际高度和推导出的4类特征线换算建筑高度的计算模型,可对大量建筑进行快速、精确地高度量算。结合南京市的Google Earth影像进行了验证,结果表明,该方法采用的影像易于获得,综合量算方法大大增加了单张影像上提取建筑高度的可操作性,并解决了量算建筑高度时无相关参数的问题。该方法精度较高,可大面积、快速提取建筑高度,在生产实践中有较大的实用价值。     

基于高层级地图瓦片的低层级瓦片并行合成技术

瓦片金字塔具有多个层级,以传统方法来说,创建瓦片金字塔需先对影像创建金字塔,而后读取各层级金字塔数据进行切片。随着单幅遥感影像的数据量越来越大,其影像金字塔的数据量也相应越来越大,传统方法构建瓦片金字塔在面对大幅大数据量遥感影像时其效率远远达不到应用需求。针对这种问题,本文提出一种名为para Tile M的并行算法,该算法可以利用高层瓦片来快速合成低层瓦片,实验结果表明:本文算法极大地提高了瓦片金字塔的构建效率,为Web GIS的数据快速发布提供了有力的支持。     

基于图分割的高分辨率遥感影像建筑物变化检测研究

建筑物是城市地理数据库中最容易发生变化和最需要更新的部分,其更新工作量巨大,因此开展对高分辨率遥感影像中的建筑物进行自动提取和变化检测研究具有重要的意义.本文以精确提取变化建筑物的位置和轮廓为目标,基于图分割提出一种高分辨率遥感影像建筑物变化检测方法.首先,将遥感影像中的每个像元映射成图的顶点,利用像元之间的距离阈值构造图的边,综合利用位置,灰度和边缘3种特征计算边的权值,将遥感影像的分割转化为图的分割,并用归一化图分割方法得到分割对象集合;然后,以长宽比和矩形度作为约束条件,对2期遥感影像中的分割对象集合进行筛选,提取建筑物对象;最后,根据2期影像中建筑物之间的空间,面积和格局关系识别建筑物的变化类型(包括新增,消失和改建),并对其进行可视化表达.为了验证本文方法的有效性,分别以深圳市的WorldView影像和北京市的QuickBird全色影像为数据源,从中选取13组具有代表性的子影像进行实验.结果表明,本文提出的方法对配准精度较低的影像组具有一定的适应性,容许的配准误差达到20个像元(10 m),平均查准率和平均查全率分别达到93.16%和87.90%.     

无人机影像的面向对象水稻种植面积快速提取

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。     

GeoEye-1立体像对在公路勘测中的应用研究

高分辨率遥感影像获取公路沿线空间地理信息速度快、信息丰富,其立体像对可定位测图.对基于0.5m分辨率GeoEye-1立体像对在公路勘测中的应用技术进行了研究,给出了利用GeoEye-1立体模型制作公路数字高程模型和大比例尺测图的流程,采用GPSRTK布设地面控制点,通过空三平差消除RPC模型系统误差,实验结果表明可提高...     

利用视角转换的跨视角影像匹配方法

目前遥感影像跨视角匹配技术无法直接使用大幅卫星影像进行匹配,难以满足大范围复杂场景匹配的任务需求,且依赖大规模数据集,不具备良好的泛化能力。针对上述问题,本文在质量感知模板匹配方法的基础上结合多尺度特征融合算法,提出一种基于视角转换的跨视角遥感影像匹配方法。该方法首先利用手持摄影设备采集地面多视影像,经密集匹配生成点云数据,利用主成分分析法拟合最佳地平面并进行投影变换,以实现地面侧视视角到空视视角的转换;然后设计了特征融合模块对VGG19网络从遥感影像中提取的低、中、高尺度特征进行融合,以获取遥感影像丰富的空间信息和语义信息;最后利用质量感知模板匹配方法将从视角转换后的地面影像上提取的特征与遥感影像的融合特征进行匹配,获取匹配的软排名结果,并采用非极大值抑制算法从中筛选出高质量的匹配结果。实验结果表明,在不需要大规模数据集的情况下本文方法具有较高的准确性和较强的泛化能力,平均匹配成功率为64.6%,平均中心点偏移量为5.9像素,匹配结果准确完整,可为大场景跨视角影像匹配任务提供一种新的解决方案。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

基于MAEU-CNN的高分辨率遥感影像建筑物提取

从高空间分辨率图像（HSRI）中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN（Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint）。首先,在设计的网络编码部分加入多尺度特征融合（MFF）模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块（MFEF）,以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络中以优化提取的建筑物边界,最终获得精确边界的建筑物信息。MAEU-CNN在ISPRS Vaihingen语义标记数据集和WHU航空影像数据集2种不同尺度建筑物数据集上进行了试验分析,在ISPRS Vaihingen语义标记数据集上,MAEU-CNN在精度、F1分数和IoU指标中获得了最高精度,分别达到了93.4%、93.62%和88.01%;在WHU航空影像数据集上,召回率、F1分数和IoU指标中也获得了最高精度,分别达到了95.45%、95.58%和91.54%。结果表明,本文所提出的MAEU-CNN从遥感图像中提取建筑物信息精度较高,并且对于不同尺度具有较强的鲁棒性。     

POI辅助下的高分辨率遥感影像城市建筑物功能分类研究

城市建筑物是城市的重要组成部分,对城市建筑物进行功能分类可以为城市功能区划分提供有利依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。仅利用目前的遥感分类技术难以对高分辨率遥感影像的城市建筑物信息进行功能分类,然而将遥感、互联网兴趣点（Point of Interest, POI）数据以及GIS技术有效地结合在一起,可以更为细致地分析城市信息,不仅实现了建筑物功能分类,而且提高了分类的准确率与可信度。本文首先选取卷积神经网络（Convolutional Neural Networks, CNN）方法对高分辨率遥感影像数据进行建筑物提取;然后,对POI数据的城市商服、公建和住宅用地进行核密度分析;最后分别统计每个建筑物3种用地的核密度平均值,并将该值设置为此建筑物的属性值,并结合POI数据的实际情况选择具有最佳功能分类精度的属性值作为阈值提取3种用地信息,从而完成不同功能的城市建筑物分类。精度评价结果表明,该方法对3种用地的提取效果良好,分类精度达到86%以上。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

基于阴影的资源三号卫星数据城市建筑物高度估算

利用我国首颗民用高分辨率测绘卫星—ZY3影像,运用面向对象方法及形态学的思想,以形态学建筑物指数MBI和形态学阴影指数MSI,构建了基于知识规则的城市建筑物和阴影信息提取模型,很好地完成了北京方庄小区和厦门软件园的建筑物和阴影的提取,并实现了阴影长度的自动估算。利用太阳、卫星和建筑物成像几何关系,以阴影长度估算了城市建筑物高度,并以实测数据进行精度评价及误差分析。在以北京市方庄小区为例的试验中,建筑物高度提取的平均相对误差为7.08%,绝对误差小于6 m的建筑物占90%以上,80%以上的建筑物相对误差在10%以内,而误差较大的多为阴影较难识别的低矮建筑物和建筑密度较大使得阴影相互遮挡的高层建筑物。在厦门市软件园区实验中,94.3%的建筑物绝对误差在5 m以内,且计算高度与实际高度相关系数达到0.992,进一步验证了所用方法的可靠性。本文提出的建筑物信息提取方法,可很好地实现高分辨率影像城市建筑物高度估算,展示出资源三号卫星数据在城市建筑物信息提取方面的应用潜力。     

车载激光扫描数据中建筑物立面快速提取

本文提出一种结合多种投影影像从车载激光扫描数据中提取建筑物的方法。该方法首先将点云数据投影到XOY平面,生成多种投影影像;然后结合建筑物几何语义特征,对已获取的投影影像进行几何约束与形态学运算,得到建筑物种子区域;在此基础上,通过设置高差阈值,在最高高程影像上进行建筑物种子区域的八邻域区域生长,得到建筑物区域;最后将影像上的建筑物区域反投影到三维空间,提取出建筑物目标。实验结果表明,该方法能有效提取点云数据中的建筑物立面,取得较高的正确率和完整率,且大大提高了计算效率。     

基于摄影测量的ASTER影像云顶高度解算模型与实验

云顶高度是天气预报、天气监测的重要因子,准确的云顶高度对提高天气分析和数值预报的质量,具有重要的科学意义。立体几何法是公认云顶高度解算精度较高的方法,目前,普遍采用卫星-球心-投影云-真云的平面和球面三角几何关系,以及影像匹配技术解算云顶高度,由于采用了理想椭球体和重投影技术,以及对云移动考虑不足,因此误差较大。本文将数字摄影测量理论与遥感技术相结合,首次将摄影测量共线方程用于云顶高度解算。本文利用ASTER影像,依据相关系数法解求云迹风,并将其引入到摄影测量共线方程中,建立了ASTER影像的云顶高度解算模型,进行了未考虑和考虑风速的云顶高度解算,通过地面点计算,本文解算误差为2个像元（30 m）左右,经与MISR云顶高度产品对比分析,认为该模型解算的考虑风速的云顶高度精度优于MISR解算结果。     

基于亮度补偿的遥感影像阴影遮挡道路提取方法

在基于高分辨率遥感影像的道路提取中,阴影遮挡是导致提取的部分或整段道路缺失的重要因素,严重制约了道路提取的自动化过程,因此探索适用性强的阴影情况下道路提取方法对地图数据生产和地理大数据研究具有重要意义。本文针对传统的阴影系数修正方法难以消除植被、建筑上的阴影对道路提取带来的干扰,选用路面颜色不一、地物干扰少的郊区影像与地物丰富、路面地物阴影干扰严重的市区影像开展研究,提出了基于亮度补偿的阴影遮挡道路的提取方法。首先,在图像预处理的基础上,利用HSI阈值分割获取阴影区域;其次,在削弱蓝色分量信息后采用亮度补偿方法实现像素点空间域增强以及阴影区信息的恢复,在增大道路面阴影与周围环境差异的基础上,借助高效的分割算法实现阴影道路提取;最后,通过和由K-means聚类分割获取的非阴影道路进行合并,经细化处理最终实现阴影遮挡道路的完整提取。实验结果表明,此方法提取郊区与市区影像中阴影道路的正确率在80%以上,该方法能有效地提取阴影遮挡道路,消除其他阴影的干扰,降低阴影道路提取时的斑块破碎度,较好的保留道路的主体。     

融合网格注意力阀门和特征金字塔结构的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。     

QuickBird 影像城市阴影信息的提取与消除

城市绿地信息在城市研究中的重要作用。但由于各种因素的影响,城市绿地信息提取的精度受到很大的限制,其中,城市中建筑物的阴影是城市绿地信息提取的一个重要限制因素。本研究选取呼和浩特市城区的QuickBird影像,在获取最佳波段组合的基础上,利用多种方法对遥感影像的阴影信息进行提取和消除,以期获得最佳的阴影消除方法,高效地提取城市绿地信息。首先,通过比值运算、波段重组,增强处理影像阴影信息,用最佳指数法分析QuickBird影像阴影提取的最佳波段组合;然后,根据阴影在近红外波段的最小亮度值与最大亮度值的范围建立掩膜,成功提取影像的阴影信息;最后,将色彩空间变换分别与同态滤波和Gamma矫正结合以消除影像阴影,并与其他方法进行对比。研究结果表明,QuickBird影像阴影提取的最佳波段组合为3/4、4、2波段组合,最佳亮度值范围为70-165;色彩空间变换与Gamma矫正相结合的方法可更好地消除阴影,并能较好地保留影像的彩色信息,是消除阴影的最佳方案。     

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。