GF-1、GF-2号卫星影像在闲置土地监测中的应用

以武汉市为研究区域,根据闲置土地清理工作的相关技术标准和要求,利用GF-1、GF-2卫星数据进行正射影像图制作和闲置土地信息提取,在定性和定量分析方法的基础上,测试GF-1、GF-2卫星数据在闲置土地监测工作中的适用性。测试结果表明,高分系列卫星数据能够较好地反映城镇闲置土地的关键地物信息,具有较高的可判读性,能够满足闲置土地处置业务的应用需求。     

一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

高分辨率卫星影像车辆检测的抗体网络

将车辆检测的过程视为一种“抗体”检测“危险抗原”的过程, 其中车辆是“危险抗原”, 车辆检测模板是“抗体”。利用一些车辆图像作为训练样本, 建立一种抗体网络学习并获取一组优化的“抗体”。这些“抗体”经过与待测影像的匹配, 实现对道路车辆目标的有效提取。采用0.6m分辨率的QuickBird全色数据进行实验, 实验结果验证了该方法的有效性和可行性。     

基于LBV变换的GF-2影像水体提取方法

针对GF-2影像波段较少、不利于构建水体指数的问题,提出了基于LBV变换的水体提取方法。通过GF-2影像的LBV变换及其归一化,得到了物理意义明确的L、B、V变换分量;利用这三个分量计算特征分量BL、BV,构建完整水体提取方案,对阿克塞县的小苏干湖和石嘴山市某一段黄河进行水体提取。实验结果表明,相比于NIR、NDWI算法,本文算法能够更好地将水体与土壤、植被、建筑物等地物区分开来,在正确率、误提率、漏提率方面总体优于NIR、NDWI算法,提取过程简单,具有较好的应用价值。     

高分二号卫星影像自适应模糊阈值法小波去噪

高分二号卫星影像提供了丰富的图像信息,高分二号影像数据的发布打破了我国高分辨率对地观测数据长期依赖进口的局面。但是图像在传输和保存过程中会有噪声干扰,如果感兴趣区域受到污染,则会导致该区域内的影像信息不能被充分利用。为了解决高分二号遥感影像去噪这一难题,本文采用自适应模糊阈值法去噪方式,该方法根据各个尺度下噪声方差建立的自适应模糊阈值函数非线性处理后,重新构造作为新的小波系数,经小波逆变换后得到去噪图像。通过与均值滤波器滤波、高斯平滑滤波、中值滤波器滤波、小波全局阈值去噪和Birge-Massart策略阈值法去噪比较,结果表明,自适应模糊阈值去噪法充分结合软硬阈值处理方式的优点,既保留图像细节又使图像更加平滑,图像整体信息完好,去噪效果更为理想。     

基于GF-2数据的中梁山岩溶塌陷遥感调查

随着重庆经济增长和交通建设的日益发展,隧道工程建设引起的地面塌陷灾害已经成为中梁山地区最严重的地质环境问题之一,给该地区的经济发展和人民生命财产安全造成了严重影响。以2017年高分二号卫星高空间分辨率影像数据为主要信息提取源,在建立塌陷灾害遥感解译标志的基础上,对中梁山地区的塌陷灾害进行遥感调查和野外验证,共解译岩溶塌陷点120处。研究表明,中梁山岩溶塌陷主要分布在隧道两侧的三叠系下统嘉陵江组、大冶组地层,人为因素(修建隧道)是塌陷灾害的主要诱发因素。     

一种改进YOLOv4的遥感影像典型目标检测算法

如何使传统神经网络算法对遥感影像典型目标检测表现出良好的适应性是当前遥感领域的一项难点.在深入解析最新YOLOv4网络结构及算法核心思想前提下,首先通过增加104×104的特征层尺度并嵌入SE模块进行网络结构改进;继而根据待检测目标尺度特点调整锚点框,提高YOLOv4算法对遥感影像典型目标检测性能;最后设计对照实验进行...     

基于改进Deeplab-v3+的土地覆盖分类

土地覆盖分类是全球变化研究的核心,精准分类是开展土地覆盖分类变化研究的基础。基于此,本文以Deeplab-v3+模型为基础,在编码阶段改进ASPP模型,并采用Xception-ResNet结合的网络结构,解码阶段引入跃层特征融合优化模块,得到改进后的Deeplab-v3+模型,对研究区进行土地覆盖分类提取。结果表明：改进后的模型分类精度为82.93%,训练速度为7 h 22 min,相比原始模型分别提高了4%,模型训练速度提升了25%。综上可知,改进后的Deeplab-v3+模型可以实现快速且高精度的土地覆盖分类,可为土地覆盖分类研究提供技术支持。     

尺度和密度约束下基于YOLOv3的风电塔架遥感检测方法

风电场分布是风电投资监测预警、占地监测和清洁能源消纳能力评价的重要依据,卫星遥感技术是大范围提取风电场分布信息的有效方法.风电塔架作为风电场的遥感解译标识,其在高分影像中是一种多尺度目标,且受影像获取时间、光照条件、地表覆盖等影响导致特征差异大,遥感自动检测难度大.针对以上问题,提出一种尺度和密度约束下基于YOLOv3...     

GF-2影像城市地物分类方法探讨

GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法,本文以四川省隆昌县城为研究区,提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上,通过构建评价函数,并结合最大面积法选取最优尺度,进而构建分层体系,提取影像的光谱、几何及纹理特征建立规则并分类,且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明,本文方法的总体精度和Kappa系数分别为93.33%和0.92。     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开.本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法.首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对...     

利用无人机多源影像检测车辆速度

交通在人民生活和社会经济中有着举足轻重的作用。车辆速度检测是智能交通管理系统的重要组成部分。本文提出了一种基于无人机（UAV）多源影像数据进行车辆速度检测的方法,首先,搭建小型无人机多源数据采集平台,获取可见光影像与热红外影像。然后,针对采集的多源数据,采用深度学习框架YOLO（you only look once）进行车辆检测。最后,基于卡尔曼滤波进行车辆跟踪,并根据跟踪结果计算车辆速度。本文利用无人机平台增加监测车辆的灵活性,同时综合使用多源数据,不仅提高车辆检测精度,还可以不依赖光照条件跟踪车辆。试验结果表明,本文方法具有有效性和稳健性,为道路监控管理部门提供一种高效率、机动灵活的监测模式。     

无人机影像与高分卫星影像融合方法研究

针对目前卫星影像数据有丰富的光谱信息但是空间信息不足,而无人机影像空间分辨率高但是光谱信息缺乏的问题,本文将高分二号卫星多光谱影像数据与无人机正射影像数据融合,得到高空间分辨率和光谱信息丰富的融合影像。通过实际数据分别利用PCA、HIS、高通滤波3种常用的图像融合方法进行高分二号卫星多光谱影像与无人机正射影像的融合实验,并通过定性和定量分析的方法从光谱信息保留的完好性和空间信息表达的分辨率2个方面对比分析了3种融合方法的融合效果。     

福卫2号卫星影像数据处理方法研究

对福卫2号卫星数据处理方法进行了研究,采用了高精度的卫星轨道模型和DEM进行正射精纠正;并对影像融合进行了多种方法实验,从光谱质量和空间信息角度对融合方法的结果进行了比较分析,得到适合福卫2号影像的融合方法,可为福卫卫星处理提供技术参考。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

基于随机森林的GF-2影像土地利用分类研究

高分二号卫星是我国自主研制的第一颗亚米级遥感卫星。其影像因信息丰富、纹理清晰等特点,被广泛应用于土地利用分类研究中。随机森林是一个包含多个决策树的分类器,是遥感影像土地利用分类方面的一种有效方法。针对单纯的随机森林方法在土地分类中存在的错分的情况。本文基于灰度共生矩阵提取影像纹理信息,同时利用影像的归一化差分植被指数(Normalized Difference Vegetation Index,NDVI),将影像的归一化差分植被指数和纹理信息相结合,采用随机森林的方法进行土地利用分类并得到了较高的分类精度。实验证明了该方法对高分辨率卫星遥感影像的土地利用分类具有较好的效果。