高分辨率遥感影像建筑物分级提取

高分辨率遥感影像建筑物信息自动提取是遥感应用研究中的一个热点问题,但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取仍然十分困难。为此,在综合考虑影像光谱、几何与上下文特征的基础上,提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。该方法首先利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。实验结果表明,本文方法能够高效、高精度地完成复杂场景下的建筑物信息提取,且提取结果的正确性和完整性都优于效果较好的PanTex算法。     

高分辨率遥感影像的建筑物自动提取

文章结合结构图分析方法,提出一种针对高分辨率遥感影像中建筑物自动提取方法.该方法利用几何限制对线基元进行初连接,解决由于边缘检测无法完整提取建筑外边缘问题;通过构造结构图确立线基元之间连接关系,搜索结构图中闭合路径,建立高级别特征,对过于散列的线基元进行整合;在此基础上,综合考虑建筑物的几何结构、光谱特征等图像信息筛选闭合路径,实现对建筑物的提取.最后通过对天绘一号高分辨率遥感影像进行建筑物自动提取验证了该方法的有效性.     

基于角点的高分辨率遥感影像建筑物提取

几何结构是高分辨率遥感影像中人工地物区别于其他地物目标的突出特征。针对高分辨率遥感影像中建筑物提取的问题,提出一种基于角点这一几何结构特征的建筑物自动提取方法。该方法无需事先标记训练数据,而是通过计算影像的建筑物指数来直接获取建筑物位置。首先利用基于模板的角点检测算子提取影像中的角点;其次综合角点的位置、角度和显著性等信息,利用空间投票的统计方法计算影像中每个像素属于建筑物的概率;最后经过阈值分割得到建筑物提取结果。实验采用了自主收集的影像分辨率为0.5 m的Spacenet65数据集进行测试。结果表明,提出的方法能够准确提取出高分辨率遥感影像中的不同类型的建筑物。     

基于高分辨率遥感影像的建筑物提取方法综述

建筑物的提取是地理数据库更新和建设的重要内容,利用高分辨率遥感影像进行建筑物提取是该项研究的重要方向,也是遥感前沿技术研究的重要内容。本文将相关文献进行归纳分析,将建筑物提取方法分为3种有代表性的类型:基于对象分割的提取方法、基于建筑特征的提取方法和结合辅助信息的提取方法,综述分析了每种类型的提取方法并总结了其优缺点,展望了高分辨率遥感影像中建筑物提取的发展前景。     

基于高分辨率DSM和遥感影像的建筑物提取

提出一种基于高分辨率数字表面模型(DSM)和遥感影像光谱特征的建筑物提取方法。具体步骤是:首先,使用多分辨率分割方法对RGB波段和DSM波段进行组合分割,形成图像基元;然后,利用建筑物高程高于地面其他区域的特点,使用阈值分割将影像对建筑物进行初始分类;由于树木的高程和建筑物像类似,这就造成了对建筑物的混淆,为了解决这个问题,利用树木的辐射不均一所形成的标准差特征较大这一特点,对建筑物和树木进行区分,最终形成建筑物的精确提取。试验结果证明了本文方法的有效性。     

密集城区高分辨率遥感影像建筑物提取

建筑物在地理国情监测中是一个重要目标,快速、准确地提取城市建筑物可以带来巨大的经济价值。本文在前人针对城市区域的建筑物提取研究基础上,对现有提取方法存在的问题,提出了一种针对密集城区的面向对象自动化建筑物提取流程。首先利用高分辨率遥感影像得到阴影和建筑物初提取结果;然后利用阴影和建筑物的空间位置关系,建立筛选条件,对疑似建筑物区域过滤;最后通过图割算法来精确建筑物轮廓。通过使用武汉地区的两幅QuickBird影像进行算法验证试验,可得到准确的检测结果。本算法可应用于密集城区的建筑物检测,能够有效减少人工判图的工作量。     

高分辨率遥感影像建筑物提取方法研究

选取了监督分类、植被指数法、支持向量机和面向对象4种方法对资源三号和高分一号影像提取建筑物信息。通过对不同方法的精度评价,探索一种最适合高分一号和资源三号影像的建筑物提取方法。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法.首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;...     

一种基于高分辨率遥感影像的建筑物提取方法

在总结各种传统基于像素统计特征建筑物提取方法优缺点的基础上,本文结合高分辨率遥感影像的特点,通过对高分辨率遥感影像房屋的光谱特征和几何特征的分析,提出了一种基于高分辨率遥感影像的建筑物提取方法;并采用ERDAS,PCI等遥感软件,结合VC编程工具对该方法的可行性和有效性进行了实验分析与验证。     

高分辨率遥感影像建筑物提取多路径RSU网络法

针对卷积神经网络在提取建筑物的过程中,存在建筑物边界不准确和建筑物内部空洞等问题,提出以RSU模块（residual U-block）为核心的MPRSU-Net （multi-path residual U-block network）。该模块利用编码器-解码器结构和残差连接,实现了局部特征和多尺度特征的融合。由于一个RSU模块提取的信息有限,MPRSU-Net进一步通过多路径结构并行了不同尺度的RSU模块,并在这些模块之间进行信息交换,提高了特征聚集效率。在分辨率为0.3 m的WHU和Inria建筑物数据集上进行试验,精度分别达95.65%和88.63%,IoU分别达91.17%和79.31%,验证了本文方法的有效性。此外,本文方法相较于U²Net,计算量明显降低,模型参数量减少68.63%,表明本文方法具有一定的应用价值。     

利用高分辨率遥感影像提取建筑物方法研究

随着航空航天技术的发展,人们获取的遥感影像数据的空间分辨率不断提高,同时获取难度大幅降低。在遥感数据日益普及的今天,利用影像处理与分析技术对高空间分辨率遥感影像中的感兴趣目标进行自动提取已经成为目前遥感领域研究的热点之一。建筑物作为与人类生活密切相关的主要人工地物,是城市发展的重要标志。目前,通过对高分辨率遥感影像进行建筑物自动提取已经成为建筑物信息获取的重要手段,而建筑物信息可用于进一步研究城市的扩张与发展、城市土地利用现状与变化、城市规划、城市热岛效应、人口估计与预测、灾害监测预警与评估等。     

基于高分辨率遥感影像的DSM建筑物点的提取研究

随着飞行平台与传感器技术的发展,空间信息的获取能力逐渐增强,特别是低空倾斜摄影及其数据处理方法的出现,使得城市真三维信息的获取手段变得更加丰富。针对现有区域生长算法在城市三维密集点云拐角处未能完全生长的问题,设计了点到边(point to edge,PTE)数据结构,提出了遍历PTE数据结构以完善构网的改进策略。实验结果表明,改进算法能对城市真三维密集点云进行较好的表面构网,并且能够解决现有方法在拐角处不能完全生长的问题。     

基于高分辨率遥感影像的DSM建筑物点的提取研究

采用基于小面积去除方法的中值SUSAN噪声点平滑方法,结合高分辨率遥感影像,对DSM中房屋点的提取进行了探讨。实验表明,本方法能有效地从DSM中提取绝大部分建筑物点,有助于建筑物的精确三维重建。     

面向对象的高分辨率遥感影像建筑物轮廓提取研究

探讨一种一般城区场景高密度建筑物的提取方法。利用"自上而下"的多尺度分割、分类方法,首先大尺度分割提取包含建筑物的区域,然后小尺度分割提取建筑物的轮廓。利用太原地区Pleiades卫星影像进行试验验证,对分类结果进行精度评价。试验结果表明,这种方法分类精度理想,适合于一般城区场景高密度建筑物信息提取,与只针对特殊城区场景建筑物的提取方法相比,具有更好的适用性。     

基于DeepLabv3+的高分辨率遥感影像建筑物自动提取

提出一种建筑物自动化提取架构,基于DeepLabv3+网络模型,使用WHU建筑物数据集,完成数据集增强、模型训练、建筑物提取以及精度评估。实验表明,架构中DeepLabv3+模型分类的总体精度为96.3%、准确度为94.2%、召回率为92.5%、F1得分为93.3%、交并比为87.5%,优于基于像素的分类方法(支持向量机、K均值聚类算法(K-Means))和面向对象的分类方法(最邻近节点算法(KNN)、分析与回归树)以及基于深度学习的分类方法(UNet、SegNet、PSPNet)。文中构建的高分辨率遥感影像建筑物自动化提取模式,可以完成建筑物高精度高效率的提取任务。     

基于AlexNet网络的高分辨率遥感影像建筑物提取方法研究

高分辨率遥感影像的数据源日益增长使得其成为主要的遥感数据源之一。本文研究了一种基于AlexNet网络的高分辨率遥感影像建筑物提取方法,该方法是在卷积神经网络的基础上,建立一种端到端自动提取影像中建筑等物体位置的方法:首先使用图像增广技术增加数据集的丰富性和多样性;再通过超参数搜索选择网络使用的较优参数,最终实现了遥感影像中建筑物的自动提取。实验结果表明,该方法可达到75%的提取精度;与传统方法进行定性和定量对比,该方法具有耗时少、精度高的特性,对后续城市规划、三维建模等应用有着重要意义。     

基于高分辨率遥感影像的建筑物轮廓信息提取

针对许多领域对建筑物信息更新的迫切要求,提出并发展了一套完整的基于高分辨率遥感影像的建筑物二维轮廓快速提取流程。首先介绍一种利用数学形态学理论进行边缘检测和边缘连接的新方法,然后利用了模式识别和图像分析领域的相关技术(区域标识和特征量测等)进行建筑物二维信息的提取。最后通过Quickbird影像进行了方法验证,试验证明该流程可以快速有效的提取建筑物轮廓信息。