改进U-Net的遥感图像语义分割方法

利用深度神经网络进行遥感影像语义分割是遥感智能解译的一个重要内容,在城市规划、灾害评估及农业生产等领域具有十分重要的作用。高分辨率遥感影像具有背景复杂、尺度多样及形状不规则等特点,使用自然场景语义分割方法处理遥感图像往往存在分割精度低的问题。针对上述情况,本文在U-Net模型基础上,提出了一种多尺度跳跃连接方法来融合不同层次的语义特征,获取准确的分割边界与位置信息;引入注意力机制和金字塔池化解决复杂背景下的精细分割问题。为了验证本文方法的有效性,在WHDLD和LandCover.ai数据集上进行试验,并与主流语义分割方法进行对比。试验结果表明,本文方法的mIoU分别达到74.28%和82.04%,F₁均值达到84.47%和89.76%,均优于其他对比方法;相比于U-Net的分割结果,IoU在建筑物、道路等占比较少的类别上提升明显,且优于其他对比方法。     

密集卷积残差网络的遥感图像融合

针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络.该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的...     

“云指数法”云检测研究

针对FY-2C数据的特点,提出了一种基于云指数进行云检测的方法。实验结果表明,该方法能在光谱信息较少、空间分辨率较低的情况下,对大空间尺度的FY-2C遥感数据提供较好的云检测结果。     

基于显著性图像与纹理特征的遥感影像云检测

遥感影像云检测是遥感影像处理中非常关键的环节,准确识别影像含云区域能够提升影像的利用价值.根据遥感影像的成像特点,将阈值法和纹理特征结合实现云和下垫面的分割.首先将影像从RGB(red-green-blue)空间转化为HSI(hue-saturation-intensity)空间,进而构建影像的显著性图像,利用Otsu...     

遥感影像目标检测的轻量化密集连接网络北大核心CSCD

针对无人机遥感影像中可能出现的多个密集的小目标,在检测时会出现误检、漏检的难点问题,本文提出了一种基于YOLO v4的具有密集连接网络模块的遥感影像轻量化目标检测算法,实现了对无人机遥感影像中车辆小目标的高精度识别。首先,对YOLO v4主干网络CSP Darknet53的卷积层采用密集连接、稀疏连接两种处理方式,加强特征的提取和重复使用,以缓解梯度消失问题;然后,对此模块进行模型剪裁,减少网络层数并定义为新的密集连接网络模块;最后,在NWPU-VHR-10数据集和笔者所在课题组制作的Vehicle-850无人机影像数据集上进行了对比试验并取得了较好的效果。本文改进后的网络结构在提高遥感影像目标检测准确率的同时,缩短了网络模型的收敛时间,减少了模型占用的内存空间,提高了遥感影像中目标检测的速度。     

基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析

基于遥感影像的信息提取与变化分析是检测地球表面变化的重要方法,在城市规划、环境监测、灾害评估等方面应用广泛。合成孔径雷达（SAR）可以穿透云层,实现洪水期的对地观测,但侧视成像会随地形起伏产生叠掩、阴影等现象。DEM可以提供地面点的高程信息,反映地形的起伏变化,但无法提供地物信息。因此,本文提出了一种融合多源遥感影像、基于改进U-Net网络的变化检测方法;并通过试验证明了该方法可以实现高精度、高效的洪涝灾害信息提取。     

基于U-Net3+的高分遥感影像建筑物提取

针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.902 7,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。     

改进U-Net模型的遥感影像水体提取研究

针对传统遥感水体提取方法在大范围、高分辨率遥感影像水体提取任务中效率低等问题,该文提出了一种基于改进U-Net模型的遥感影像水体快速提取方法。通过减少以VGG16为特征提取网络的下采样层和相对应的上采样层来精简网络,提升模型运行效率。基于高分影像进行了沈阳市的水体提取研究,结果表明,改进U-Net模型各项精度指标均高于U-Net模型,交并比(IoU)和F₁分别达到了90.3%和94.9%。与此同时,模型的训练时长和预测时长分别缩短了25.8%和21.6%。该文为遥感影像中水体的高效提取和分类提供了参考,并可用于水资源调查、管理和规划。     

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。     

增强型多时相云检测

针对云检测在高亮度地表以及雪覆盖区域存在过度检测的问题,设计了一种不依赖热红外波段的增强型多时相云检测EMTCD(Enhanced Multiple Temporal Cloud Detection)算法。首先,利用云的光谱特征建立单时相云检测规则,并基于云、雪的光谱差异构建了增强型云指数ECI(Enhanced Cloud Index),改进了云、雪的区分能力;其次,以同一区域无云影像为参考,基于ECI指数构建了多时相云检测算法,较好地克服了单时相云检测中高亮度地表、雪和云容易混淆的问题,提高了云检测的精度;最后,选择两个典型区域的Landsat-8 OLI影像,对比分析了不同算法的云检测结果。实验结果表明:ECI指数能够有效区分云、雪,EMTCD方法的平均检测精度达到93.2%,高于Fmask(Function of mask)(81.85%)、MTCD(Multi-Temporal Cloud Detection)(66.14%)和Landsat-8地表反射率产品LaSRC(Landsat-8 Surface Reflectance Code)的云检测结果(86.3%)。因此,本文提出的EMTCD云检测算法能够有效地减少高亮度地表和雪的干扰,实现不依赖热红外波段的高精度云检测。     

基于改进的最大类间方差法的遥感影像变化检测

变化检测技术被广泛应用于灾情估计、环境监测、农作物生长、森林覆盖等多个领域。为了自动获取变化检测的阈值,本文仔细分析了最大类间方差的方法和原理,改进了二维最大类间方差方法在变化检测中的应用,并利用多套遥感影像数据进行了实验,实验表明了该方法的可行性和有效性。     

基于随机森林的FY-2G云检测方法

根据遥感影像中云检测原理,提出了基于随机森林的遥感影像云检测方法,并将其应用于FY-2G影像。结合国家气象卫星中心（NSMC）的云检测产品数据进行了算法的精度检验,云检测个例的精度检验结果显,最高命中率（POD）为88.32%,最低误报率（FAR）为9.36%,临界成功指数（CSI）为80.14%。结果表明,该方法有效地提高了云检测精度,同时能正确标识NSMC中部分误判的情况。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

利用最小交叉熵的多时相影像变化检测

针对目前多时相遥感影像变化检测中缺少有效的确定变化阈值方法的问题,文章提出一种基于最小交叉熵的方法:采用中值滤波方法分别消除两个时相遥感影像中的噪声;将比值法和差值法融合构造两个时相遥感影像的差异影像;通过最小交叉熵确定差异影像的最佳变化阈值,并对差异影像进行分割得到变化区域;最后对变化检测精度进行评估。实验结果表明,提出的方法具有较高的检测精度,是一种有效的多时相遥感影像变化检测方法。     

多核多类关联向量机的高分辨率影像目标检测

从高分辨率遥感图像数据中准确检测多类目标的任务对于检测速度和模型训练时间提出了较高的要求.文章提出了一种MKL_mRVM方法:该方法采用基于快速边缘似然最大算法直接计算mRVM分类器的决策函数,避免了传统RVM重复计算目标函数Hessian矩阵的过程,并且因为不需要构造一系列两类分类器,缩短了多类模型的训练时间;同时,将多个基础核引入多类模型,训练过程中采用交叉验证方法确定基础核权重,在随机分出的确认集上检验分类器的精度,选取使得分类模型精度最高的值作为权重的优化结果.实验结果表明,该方法能够在保持解的稀疏性的前提下,有效地缩短模型训练时间.