基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA＿UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示：该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.     

面向对象的多尺度高分影像建筑物提取方法研究

近年来,随着航空航天事业的高速发展,带动了遥感对地观测技术的进步,为高分影像的获取奠定了基础。作为地物类别中的主要内容和地形图中的重要成图元素,建筑物的识别与提取,直接影响到地物提取的自动化水平。因此,高分辨率遥感影像中建筑物的提取是图像处理领域中的主要研究内容之一。为了提高城市建筑物信息提取精度,本文改进了常规的面向对象方法,以航空遥感影像和SPOT-6影像为对象针对其下垫面结构复杂的特性,采用多尺度分割和多规则结合的方法自动提取建筑物信息,并通过样本区进行了精度验证,将提取的结果与传统分类方法所得到的结果相互比较。研究结果表明,面向对象的多尺度分割对高分影像中建筑物的提取具有较好地效果,KIA精度达到了0.76,为城市建筑物信息提取的应用提供了新思路。     

基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取

本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号(GF-2)融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆...     

基于U-Net全卷积神经网络的人工建筑物提取

传统基于遥感光谱和空间特征信息提取、图像分割与分类的方法在面向背景复杂、人工地物繁多的影像时存在泛化能力较差的缺陷,即训练后的模型或规则难以适用不同地区、不同数据源的遥感影像,深度学习比以往分类模型在泛化能力方面表现出强大的潜力。本文选取不同区域、不同类型的遥感卫星影像作为试验对象,结合该区域的地理国情监测成果数据和1︰1万基础地理信息数据,进行遥感影像样本标注及样本增强扩充,构建大规模遥感影像基准数据集;然后基于U-Net全卷积神经网络,综合利用二分类和多分类语义分割网络模型,引入jaccard系数,对道路和房屋这两类人工建筑物目标进行了提取。通过与传统浅层分类方法进行精度对比,本文方法总体精度提升8.82%,Kappa系数提升79.54%,道路和房屋目标的F1值均高出70%,IUO指标高出了100%。分析表明：（1）地理国情监测成果和1︰1万基础地理信息数据在构建大规模的语义分割数据集中具有重要作用;（2）U-Net全卷积神经网络方法能够快速、准确地提取出道路和房屋,且具有很好的泛化能力,能够满足宏观尺度的人工地物提取需求,同时提升处理效率。     

基于通道域注意力卷积神经网络的遥感影像高尔夫球场提取

针对高尔夫球场目标大、场景复杂等引起的难以完整准确提取问题,构建了EfficientNetB3+UNet网络,引入通道域注意力模块,设计了大尺寸样本训练策略,并对模型进行了对比实验分析和应用。实验结果表明,所提方法的mIoU精度为0.948 7,明显高于非通道域注意力模型（mIoU为0.884 8）和小尺寸模型（mIoU为0.601 4）,有效提升了高尔夫球场提取的完整性和准确性,显著降低了自然植被、水域等复杂内部场景和球场边缘混合场景等导致的漏提和误提现象。同时,在北京、上海、广州和深圳四地的高尔夫球场提取应用中,模型召回率均优于90%,具有良好的应用价值。     

面向高分影像建筑物提取的多层次特征融合网络

建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network, MAPNet)和MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据...     

基于语义分割网络的高分遥感影像城市建成区提取方法研究与对比分析

城市建成区的提取对城市发展规划有着重要的作用.为了找出能兼顾效率和识别准确率的基于卷积神经网络的遥感影像城市建成区提取方法,从神经网络结构的原理出发,对多种语义分割网络的内部结构进行对比分析,并针对语义分割网络分别进行训练及结果比较.实验结果表明,ShelfNet-50网络能够在训练速度最快的同时保证很高的识别准确率,...     

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。     

面向对象的多尺度多特征高分遥感影像建筑物提取

建筑物作为地理信息基础数据,是衡量城市发展的主要指标,如何对遥感影像对建筑物进行的提取是遥感图像处理的热点。本文研究了基于面向对象的高分遥感影像建筑物提取,首先对影像进行多尺度分割,然后对分割以后形成的有意义的图斑进行处理。结合建筑物的光谱、形状等特征对建筑物进行提取,实验结果表明该方法提取结果较好,精度可以达到90.3%。     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

遥感影像建筑物提取的卷积神经元网络与开源数据集方法

从遥感图像中自动化地检测和提取建筑物在城市规划、人口估计、地形图制作和更新等应用中具有极为重要的意义。本文提出和展示了建筑物提取的数个研究进展。由于遥感成像机理、建筑物自身、背景环境的复杂性,传统的经验设计特征的方法一直未能实现自动化,建筑物提取成为30余年尚未解决的挑战。先进的深度学习方法带来新的机遇,但目前存在两个困境:①尚缺少高精度的建筑物数据库,而数据是深度学习必不可少的"燃料";②目前国际上的方法都采用像素级的语义分割,目标级、矢量级的提取工作亟待开展。针对于此,本文进行以下工作:①与目前同类数据集相比,建立了一套目前国际上范围最大、精度最高、涵盖多种样本形式(栅格、矢量)、多类数据源(航空、卫星)的建筑物数据库(WHU building dataset),并实现开源;②提出一种基于全卷积网络的建筑物语义分割方法,与当前国际上的最新算法相比达到了领先水平;③将建筑物提取的范围从像素级的语义分割推广至目标实例分割,实现以目标(建筑物)为对象的识别和提取。通过试验,验证了WHU数据库在国际上的领先性和本文方法的先进性。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

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。     

资源三号卫星前视影像的建筑物高度提取

建筑物高度对建筑物容积率、城市风向以及城市环境等都具有明显的影响。针对太阳入射方向与卫星观测方向在建筑物异侧时,建筑物侧面与阴影在遥感影像上因极其相似而难以区分的问题,该文基于资源三号卫星前视影像,利用基于规则的面向对象特征提取方法提取建筑物侧面及阴影特征。根据卫星成像时的太阳、卫星以及建筑物之间的空间几何关系,构建了建筑物侧面与阴影的长度比例系数,进而估算了建筑物的高度信息。最后以实测高度进行了高度提取的精度评价,验证结果表明,反演的平均精度达到了92.28%,证明了资源三号卫星前视影像在提取建筑物高度方面的良好可行性。     

高分遥感影像双通道并行混合卷积分类方法

高空间分辨率遥感影像拥有丰富的空间细节信息和多光谱信息。研究表明,二维卷积神经网络适于提取空间信息,而三维卷积神经网络更适于提取光谱信息。为了更好地利用空谱信息,本文提出一种双通道并行混合卷积神经网络(DPHCNN)方法,充分联合二维与三维卷积神经网络在空谱信息提取上的优势,同时引入混合注意力机制、多尺度卷积增强空间细节特征的提取能力,实现高分影像的精准分类。试验中利用高分二号影像数据集进行验证,与当前先进的深度学习分类方法相比,本文提出的DPHCNN方法在保证分类精度高、分类效率较好的同时,能在多时相影像分类中保持最高的稳健性,在综合评价上更具优势。     

融合注意力机制的改进Mask-RCNN遥感影像建筑物提取

针对复杂影像背景和密集建筑物堆叠导致建筑物提取效果不完整,存在误检、漏检等问题,提出了一种改进Mask-RCNN遥感影像建筑物提取方法。利用双通道注意力机制增强目标的有效特征,同时引入特征增强金字塔网络增强网络对遥感影像的上下文特征信息地提取能力,结合双通道下采样模块减少特征损失,提高模型提取的精度和效率。实验表明,提出的改进Mask-RCNN在建筑物数据集和RSOD数据集上,与多种方法进行实验对比验证,Precision和F1值均高于对比方法,且目标识别的结果更加完整,目标漏检率更低。     

基于对象上下文信息的无人机影像建筑物提取

针对全卷积网络进行遥感影像语义分割时存在的空间信息和上下文信息缺失问题,本文提出一种基于对象上下文信息的无人机遥感影像建筑物提取方法。该方法首先采用高分辨率网络(HRNet)作为主干网络提取空间信息完整的多尺度高分辨率特征;然后依据主干网络提取的特征在真实标签的监督下划分对象区域,并计算每个像素与对象区域之间的关系得到像素与对象区域的上下文信息;最后将主干网络提取的高分辨率特征与对象上下文信息组合实现特征增强,依据增强后的特征实现无人机遥感影像中建筑物的提取。两个数据集的实验结果均表明,本文方法有效提高建筑物提取精度。     

无人机影像与卫星影像配准的卷积神经网络方法

针对不依赖于位姿测量的无人机视频影像上目标绝对定位的问题,提出一种基于改进R2D2算法的无人机影像与参考卫星影像配准的方法。首先在R2D2网络生成128通道稠密特征图的基础上,进行双三次函数插值,以获得子像素级位置精度的关键点,并内插描述符;其次利用KD树快速最近邻特征搜索,结合快速采样一致性算法进行误匹配剔除,计算变换模型并对无人机影像进行纠正,完成配准;最后利用两个典型区域对算法进行了测试,并与SIFT和DELF算法进行了对比。实验结果表明,本文算法在正确匹配点数量和计算效率方面优于其他两种算法,对纹理、视角以及尺度差异也具有较好的适应性。     

卫星影像匹配的深度卷积神经网络方法

本文侧重于智能化摄影测量深度学习的第一个方面：深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。