结合空间上下文与慢特征分析的多光谱影像变化检测

为了提高多光谱影像变化检测的精度,本文提出了一种结合空间上下文与慢特征分析的方法。首先采用自适应空间上下文提取算法围绕像素构建自适应区域,探索像素周围的上下文信息;然后通过迭代慢特征分析,由相应像素周围的成对自适应区域定量计算成对像素之间的变化强度,增强变化区域与未变区域的可分性;最后生成变化强度图像,采用大津阈值法作二值分类,将变化强度图划分为二值变化检测图。利用Landsat 7卫星ETM+传感器的图像,与4种基于代数的方法及基于变换的方法进行对比试验,结果表明,本文方法在降低漏检方面有所改善,提高了召回率。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

机载激光点云与摄影测量点云非监督建筑物变化检测

机载激光扫描和航空摄影测量两种技术获取的点云属性差异大,变化检测易受噪声和数据误差影响。为此设计了一种非监督的建筑物变化检测方法。首先利用基于坡度信息的渐进三角网加密和基于表面生长的点云分割方法,从激光点云中提取出地面、屋顶和植被3类要素;其次以激光扫描数据为基准检测建筑物拆除和加高两类变化;并对剩下的区域以密集匹配点云为基准探测出新建的建筑物;最后对检测的变化结果进行形态学滤波。实验证明,该方法能有效克服两种点云的差异和密集匹配噪声的影响,不仅能获得锐利的建筑物变化轮廓,而且能得到建筑物增高或拆除的类别标签。     

基于DeepLabv3架构的高分辨率遥感图像分类

针对目前使用机器学习解决高分辨率遥感图像分类主要存在下采样导致的细节信息丢失问题,提出了一种基于DeepLabv3架构的小波域DeepLabv3-MRF(Markov random field,MRF)算法。选择当前较为普遍的DeepLabv3架构分类算法,能够获得更为精确的分类结果;采用小波域DeepLabv3-MRF算法,还能够获得更为清晰的边缘细节信息。选取南方某地区高分辨率无人机遥感图像进行分类实验,通过小波变换的方向性、非冗余性以及MRF变换像素空间的交互性这三个方面,将分类结果与原始DeepLabv3架构分类结果对比分析。结果表明,所提出的分类方法精度明显高于原始DeepLabv3架构分类算法的精度,总体精度可提升3%左右,并且可以充分表达高分辨率遥感图像细节信息。     

深度图像分割的城市区域倾斜影像密集匹配点云滤波算法

倾斜摄影测量作为一个新兴领域发展势头迅猛,在众多领域得到了广泛应用。但倾斜影像密集匹配点云处理技术研究却相对较少。倾斜影像密集匹配点云分布不均匀、表面粗糙,因而传统的激光扫描点云处理算法在用于倾斜影像密集匹配点云处理时的适用性较低。本文从倾斜影像密集匹配点云特点出发,提出了一种利用点云高程信息生成深度图像提取建筑物非连通区域,在全局范围选取种子点实现多种子点区域生长的点云快速滤波算法。实验结果表明,该算法滤波效果好、速度快,可以改善密集匹配点云部分地物底部边缘不清晰引起错分和区域生长无法分割建筑物非连通区域的问题。