基于卷积神经网络的高分辨率遥感影像云检测

在深度学习理论模型的基础上,提出了基于卷积神经网络的云检测方法。以GF-2号卫星影像为数据源,选取广西壮族自治区贵港市为实验区,提取了不同下垫面的云,验证了该方法的有效性。     

基于编解码网络的航空影像像素级建筑物提取

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

空洞卷积模型遥感影像建筑快速检测方法研究

基于端到端的检测框架,使用多空洞率卷积核组作为特征提取模块,并在不同特征提取层间设置了密集连接,来加强不同尺度特征图内的信息复杂度;以多尺度特征图融合为基础,构建了4个输出层的特征图上采样金字塔,最后通过数据增强提高了训练集内目标的表达能力。测试结果表明,本文方法在测试数据集上能够达到较高的检测精度,体现了良好的实时检测能力,并且对不同背景下多角度的房屋目标具有很好的泛化性能。该方法在城市违章建筑监管与智慧城市建设等领域具有较高的实用价值。     

轻量卷积神经网络遥感影像目标检测方法

针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法.采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标.利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模...     

基于可变模板的航空影像中建筑物提取

针对航空影像中目标提取的困难，提出了一种基于可变模板的航空影像中建筑物提取方法，产并针对几种比较典型的建筑物，详细讨论了模板的设计、目标初始参数的 获取及模板最优参数求解等几个关键性的问题。     

结合卷积神经网络与显著性特征的机场检测

遥感影像机场检测中,针对传统人工设计特征的方法稳健性差、检测耗时的问题,提出了一种结合卷积神经网络与显著性特征的遥感影像机场检测算法。利用卷积神经网络快速准确地检测出机场目标,确定兴趣区域,对兴趣区域进行显著性检测和连通区提取,从而获取更加精确的机场边界,最后利用多种场景下的影像进行测试。结果表明,本文方法具有明显的精度和速度优势;利用频率视觉显著性分析方法对获得的机场区域进行视觉显著性检测,可有效获取机场和跑道的精确边界,提高机场检测的效果和实用价值。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征,对大范围复杂场景和多尺度的飞机目标稳健性较差,基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题,针对上述问题,本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点,采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索,快速获取疑似飞机目标作为兴趣区域,然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力,在卷积层中引入多层感知器,并在训练过程中采取多任务学习与离线难分样本挖掘的策略;在测试阶段,建立影像金字塔进行多级搜索,并结合非极大值抑制消除冗余窗口,从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试,结果表明,本文方法具有较高的准确性和较强的稳健性,可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

针对已分割出的建筑物立面,提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面损毁检测的方法。该方法首先通过改进的k-means算法分割出建筑物立面的门窗和墙面,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,本文方法在没有先验信息的情况下仅利用单时相倾斜航空影像就能简单高效地判定建筑物立面损毁。     

基于可变模板的航空影像中建筑物提取

针对航空影像中目标提取的困难,提出了一种基于可变模板的航空影像中建筑物提取方法,并针对几种比较典型的建筑物,详细讨论了模板的设计、目标初始参数的获取及模板最优参数求解等几个关键性的问题。采用这种方法进行航空影像中目标的提取时,可以将影像中的多种信息和人的识别能力进行有效的融合,因而能够达到可靠地提取影像中目标的目的。作为一种有效的优化求解方法,模拟退火被用于目标提取的优化过程。为了验证这种方法提取航空影像中目标的能力,给出了利用可变模板提取航空影像中几种不同类型的建筑物的例子。     

可变形部件模型在高分辨率遥感影像建筑物检测中的应用

高分辨率遥感影像具有场景复杂、目标种类多样、同一目标呈现多种形态等特点,给建筑物检测带来困难。近年来,可变形部件模型（deformable part model,DPM）被广泛应用到模式识别领域,并且在自然场景的目标识别方面取得很好的效果。结合可变形部件模型,提出一种针对高分辨率遥感影像中建筑物的检测方法,将建筑物看作可变形部件的组合,通过训练得到其对应的参数模板,并采用滑动窗口的方式遍历待检测的影像,判断其中是否存在建筑物目标。通过对分辨率为0.5 m的高分辨率遥感影像的实验证明了方法的有效性。     

基于航片的北京市城市绿地信息快速提取

城市绿地信息对城市绿地规划及生态城市建设具有重要意义。而遥感技术能综合反映地表真实状况,为大范围城市绿地信息的快速获取提供有力途径。本文主要研究了遥感在城市绿化资源调查中的应用,基于0.5米分辨率的航空影像,提出了一种城市绿地信息的快速提取方法,并以北京市为例,进行了北京市绿地信息的快速提取。在绿地信息提取中,植被指数(如归一化植被指数,NDVI)被证实为快速有效的方法,适用于大面积城市绿地信息的快速及自动提取,而由于航片一般缺乏常用的近红外波段,因此研究采用植被颜色指数进行城市绿地信息的快速提取,该方法也适宜于无人机影像。对于北京研究区,本文通过不同指数结果的对比和精度分析选取适宜指数,并基于ENVI软件实现了城市绿地的批量提取,可快速得到全北京市城市绿地结果。     

面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用

高分辨率遥感影像建筑物提取是摄影测量与遥感领域的一个热门研究主题。本文综合利用影像分割、基于图的数学形态学top-hat重建技术,提出了面向对象的形态学建筑物指数OBMBI,并将其应用于高分辨率遥感影像建筑物提取。首先,建立像素-对象-图节点的双向映射关系;然后,基于图的白top-hat重建和上述映射关系来构建OBMBI图像;接着,对该OBMBI图像二值化、矢量化以获取建筑物多边形;最后,对结果进行后处理优化。使用一景航空、一景卫星全色影像对本文方法和PanTex方法进行性能测试。试验表明,本文方法的建筑物提取精度显著的优于PanTex方法。其中,本文方法平均比PanTex方法的正确率高9.49%、完整率高11.26%、质量高14.11%。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

高精度无人机影像空三处理方法

针对无人机影像生产测绘产品时需要地面控制点数量多、外业工作量大的问题,提出无人机影像高精度空三处理方法研究。首先,通过引入构架航线,在无控制点、稀少控制点等不同情况下的进行改进的高精度GPS辅助空中三角测量;然后利用试验对无人机影像高精度空三处理方法的精度分析。结果表明,在稀少控制点情况下,利用改进的高精度GPS辅助空中三角测量方法能够满足1:2000比例尺地形测绘生产要求。     

利用高精度三维测量技术进行路面破损检测

随着中国高速公路发展从大规模建设阶段向大规模养护阶段的转变,高效和自动化的路面破损检测技术具有越来越重要的研究意义和应用价值。公路路面破损检测主要利用光学传感器如相机、激光扫描仪等采集路表面数据,并利用模式识别、机器学习等技术方法自动定位路面破损位置、判别损坏类别。简要回顾了过去二十年路面破损检测的研究,并详细介绍了利用激光三维断面扫描进行路面破损检测的新方法。通过室内对比实验和公路实测实践的评估发现,利用三维断面扫描的路面破损检测技术相对于传统的基于可见光成像的技术具有更强的环境适应性和更高的识别精度。     

An Expert System for Site Evaluation Using Aerial and Space Imagery

Civil engineering projects start with intensive site investigations to evaluate the appropriateness of the geographic location to the intended construction. This process is lengthy and crucial to the success or failure of the project. Personnel with multiple skills are required at the evaluation stage, including experts in soil mechanics, geology, surveying, management, structures and meteorology. However, many less fortunate parts of the world lack such expertise and cannot afford it. The main objective of the research described in this paper is to develop an expert system that will use images from different sources to assess sites for civil engineering works. Five engineering applications have been selected for this research. Certainty factors for uncertain or incomplete information are presented. A frame-based expert system is developed and tested in this research. Three different tests have indicated that the system is accurate and promising for site investigations.     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

光谱和形状特征相结合的高分辨率遥感图像的建筑物提取方法

针对高分辨率遥感影像具有较为丰富的地物属性“谱相”信息和空间分布及其组合“图式”信息的特点,提出了一种光谱和形状特征相结合的建筑物自动提取方法。在多尺度分割和矢量化基础上,根据建筑物的形状、光谱特征,从特征基元中自动选取样本,并计算其特征;通过根据建筑物形状、光谱、纹理构造的模板,在整景影像上进行建筑区域识别,并在建筑区域内提取建筑物外部轮廓。实验表明,本算法具有较高的识别率和较低的误识别率。