基于本体的城市遥感影像语义模型

在快速的城市化进程中,遥感技术可以为城市土地利用变化提供直观、准确、同步的信息。本体是对概念化的明确描述和说明,更接近于认知模型,易于理解和共享;同时叉能以计算机可操作的形式化语言明确表达目标领域的概念体系及其蕴含的语义。因此,在分析和借鉴现有相关研究的基础上,将本体、语义思想引入到遥感影像表达,建立了基于本体的城市遥感影像解译应用语义模型和解译框架,应用此框架将有助于提高城市遥感影像解译的精度与效率,对推动遥感技术在城市相关领域中的应用有着积极的意义。     

基于本体的城市遥感影像语义模型

在快速的城市化进程中,遥感技术可以为城市土地利用变化提供直观、准确、同步的信息。本体是对概念化的明确描述和说明,更接近于认知模型,易于理解和共享;同时又能以计算机可操作的形式化语言明确表达目标领域的概念体系及其蕴含的语义。因此,在分析和借鉴现有相关研究的基础上,将本体、语义思想引入到遥感影像表达,建立了基于本体的城市遥感影像解译应用语义模型和解译框架,应用此框架将有助于提高城市遥感影像解译的精度与效率,对推动遥感技术在城市相关领域中的应用有着积极的意义。     

基于语义单元的遥感影像判读理论初探

为了从遥感数据中有效地获得所需要的信息和充分发挥目视判读与计算机自动处理的优势,以探索扩展遥感图象智能化判读与影像理解的理论与方法的新途径,在分析和总结目前遥感影像判读方法的基础上,尝试从城市遥感影像的语义单元的角度,分析不同级别的语义单元特征,给出了一些基本概念的定义,并初步探讨了基于语义单元的遥感影像判读理论的研究内容及其方法.     

融合高分辨率遥感影像和POI数据的多特征潜在语义信息用于识别城市功能区

准确识别和划分城市功能区对合理规划城市发展和解决城市问题具有重要作用.遥感影像拥有丰富的光谱纹理特征但难以表征建筑物的社会经济属性,而社交媒体数据等城市数据为城市研究与应用提供了丰富的数据资源,补充了遥感影像所缺失的建筑物内在特征.融合高分辨遥感影像和POI数据的多特征信息,利用嵌入主题模型挖掘其潜在语义信息识别城市功...     

基于遥感影像综合理解模型的遥感影像分类

为了改善遥感影像的分类精度,介绍了遥感影像综合理解模型,并提出了一种新的遥感影像理解模型。利用它支持图像分类,在分类过程中,相关的地理数据得到使用,且用规则表示成像和知识。经验证,该方法与传统方法相比,有效改善了分类精度,是一种好的分类方法。     

基于深度学习的自然灾害遥感影像语义分割

自然灾害种类繁多, 通过遥感影像语义分割相对比较困难. 为了能够更好实现遥感影像分割, 本文提出一种基于生成对抗网络的3层遥感影像语义分割模型, 针对不同场景的解析, 基于全卷积神经网络FCN, 设计一种多层次的遥感语义分割框架. 有效对遥感图像语义分割进行处理, 从而提高了模型的分割精度. 实验表明利用这种模型是有效的, 特别是受损建筑的分割结果, mIoU为82.28%, 通过该模型与其他网络模型进行对比, 其性能评价指标明显优于其他网络模型. 最后, 通过对自然灾害各种场景影像进行分析, 为应急管理部门提供一份可靠的数据报告.     

面向遥感影像的深度语义哈希检索

目的 哈希检索旨在将海量数据空间中的高维数据映射为紧凑的二进制哈希码,并通过位运算和异或运算快速计算任意两个二进制哈希码之间的汉明距离,从而能够在保持相似性的条件下,有效实现对大数据保持相似性的检索。但是,遥感影像数据除了具有影像特征之外,还具有丰富的语义信息,传统哈希提取影像特征并生成哈希码的方法不能有效利用遥感影像包含的语义信息,从而限制了遥感影像检索的精度。针对遥感影像中的语义信息,提出了一种基于深度语义哈希的遥感影像检索方法。方法 首先在具有多语义标签的遥感影像数据训练集的基础上,利用两个不同配置参数的深度卷积网络分别提取遥感影像的影像特征和语义特征,然后利用后向传播算法针对提取的两类特征学习出深度网络中的各项参数并生成遥感影像的二进制哈希码。生成的二进制哈希码之间能够有效保持原始高维遥感影像的相似性。结果 在高分二号与谷歌地球遥感影像数据集、CIFAR-10数据集及FLICKR-25K数据集上进行实验,并与多种方法进行比较和分析。当编码位数为64时,相对于DPSH（deep supervised Hashing with pairwise labels）方法,在高分二号与谷歌地球遥感影像数据集、CIFAR-10数据集、FLICKR-25K数据集上,mAP（mean average precision）指标分别提高了约2%、6%7%、0.6%。结论 本文提出的端对端的深度学习框架,对于带有一个或多个语义标签的遥感影像,能够利用语义特征有效提高对数据集的检索性能。     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息.目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取,导致分割错误率较高.本文提出一种基于编码与解码结构特征连接的方法,对DeconvNet网络模型进行改进.模型在编码时,通过记录池化索引的位置并应用于上池化中,能够保留空间结构信息;在解码时,利用编码与解码对应特征层连接的方式使模型有效地进行特征提取.在模型训练时,使用设计的预训练模型,可以有效地扩充数据,来解决模型的过拟合问题.实验结果表明,在对优化器、学习率和损失函数适当调整的基础上,使用扩充后的数据集进行训练,对遥感影像验证集的分割精确度达到95%左右,相对于DeconvNet和UNet网络模型分割精确度有显著提升.     

城市住宅区遥感影像的分形特征研究

本文以分形理论和方法为基础，首先运用图像处理技术，对一幅上海城区彩红外航片扫描成像，并对住宅区分三类和８个区域进行了光谱数据采样。进而设计了粗视化求分维的算法和程序，分别从两个波段、两种采样方式计算获得了每一样区的４个分维数据。分析表明：住宅区影像的光谱曲线是一种典型的分形曲线，它们的分维值有效地反映了各类住宅区的图像结构特征。本研究揭示了城市住宅区遥感影像的分形特征提取可以进一步应用于住宅区的建设、规划和管理等定量指标估算。     

基于语义引导与多尺度增强的遥感影像分割网络

遥感影像语义分割在环境监测、土地覆盖分类和城市规划等领域发挥着至关重要的作用. 卷积神经网络及其改进模型是遥感影像语义分割的主流方法, 但此类方法更加关注局部上下文特征的学习, 无法有效建模不同物体之间的全局分布关系, 进而制约了模型的分割性能. 为了解决该问题, 本文在卷积神经网络的基础上, 构建了全局语义关系学习模块, 充分学习不同物体之间的共生关系, 有效地增强了模型的表征能力. 此外, 考虑到同一场景中, 待分割物体的尺度存在差异性, 构建了多尺度关系学习模块, 以融合不同尺度的全局语义关系. 为了评估模型的性能, 本文在Vaihingen和Potsdam两个常用的遥感影像数据集上进行了充分的实验. 实验结果表明, 本文方法能够获得比已有的基于卷积神经网络的模型更高的分割性能.     

基于熵增强的无监督域适应遥感图像语义分割

为了实现利用有标注源数据获得在无标注目标数据上可用的遥感图像语义分割模型,提出了一种基于熵增强的域适应端到端语义分割方法.首先,为了充分利用遥感图像多尺度信息并且减少域之间传感器分辨率带来的域偏移,采用空洞空间金字塔池化模块作为分类器;其次,为了使无标注的目标域类别正确对应,使用了两个分类器进行协同训练;将像素点预测值的信息熵当做分类置信度的度量,将其作为对抗损失的权重,从而使训练能专注于难分类的像素,降低域偏移.在ISPRS(WGII/4)2D数据集上进行实验,所提方法相对于直接使用分割模型和使用传统对抗方法,mIoU分别提高了18％和12％.实验结果表明,所提方法在遥感图像域适应语义分割表现上优于直接使用分割模型或使用传统对抗域适应分割方法.     

局部自适应混合模型的遥感图像去噪算法

遥感图像的噪声分析和去除作为经典问题一直受到关注并成为遥感图像处理的一个重要研究领域。传统的去噪方法在一定程度上可以去除图像中的噪声,但往往在去噪的同时会使图像的边缘和细节信息模糊化。针对P-M模型在去除遥感图像高斯噪声时所存在的对图像强边缘和细节附近的噪声难以去除,以及ROF模型通常会导致平坦区域出现“假边缘”,甚至会产生块状效应等问题,提出一种基于局部自适应的混合模型。该模型针对图像局部区域所包含纹理信息的不同,自适应地调整约束权函数,使模型在平滑局部区域能更多地发挥P-M模型的特点,而在纹理丰富或边缘区域则更多地发挥ROF模型的特性,使模型在有效地去除高斯噪声的同时,很好地保护了遥感图像中的边缘特征和细节纹理信息。实验结果表明,对相同的高斯噪声所提出的混合模型去噪后图像的SNR较P-M和ROF模型分别提高了3dB和2dB。     

自适应感受野机制遥感图像分割模型

目的 遥感图像中存在大小、形态不一的目标,增加了目标分割任务的困难性。感受野代表了特征图中每个像素对应输入图像的区域,若感受野与目标形状的契合度较高,则特征图中包含的目标特征更加完整,有利于分割。在现有的分割方法中,通常采用的是正方形的感受野,而遥感图像中目标形状多变,导致感受野无法较好地契合目标形状,在提取目标特征时会引入过多的无用特征,从而影响分割精度。为此,本文提出基于自适应感受野机制的遥感图像分割模型。方法 在编码—解码网络结构的基础上,引入自适应感受野机制。首先在编码器上提取不同大小和宽高比的感受野特征,然后在特征融合时使用通道注意力模块自适应地获取通道权重,通过加权强化与目标形状契合度高的感受野的特征,弱化与目标形状契合度低的感受野的特征,在保留目标特征的同时减少背景特征的干扰,进而提升模型的分割精度。结果 在Inria Aerial Image Labeling数据集与DeepGlobe Road Extraction数据集上进行实验并与相关方法比较,在两个数据集上的平均交并比分别为76.1%和61.9%,平均F1值分别为86.5%和76.5%。结论 本文模型能够提取不同形状感受野的特征,并自适应地获取通道权重,使模型能提取更加完整的目标特征,从而提升目标分割效果。     

离散ADMM方法下像素与对象基元协同优化的遥感影像无监督语义分割

语义分割是遥感影像分析中的重要技术之一。现有的方法（如基于深度卷积神经网络的方法等）虽然在语义分割中取得了显著进展,但往往需要大量训练数据。基于图模型的马尔可夫随机场模型（Markov random field model,MRF）提出了一种不依赖训练数据的无监督语义分割思路,可以有效地刻画地物空间关系,并对地物空间分布的统计规律进行建模。但现有的MRF模型方法通常建立在基于像素或对象的单一粒度基元上,难以充分利用影像信息,语义分割效果不佳。针对上述问题,引入交替方向乘子法 （alternative direction method of multiplier,ADMM）并将其离散化,提出了一种像素与对象基元协同的MRF模型无监督语义分割方法（MRF-ADMM）。首先构建像素基元和对象基元两个概率图,其中像素基元概率图用于刻画影像的细节信息,保持语义分割的边界;对象基元概率图用于描述较大范围的空间关系,以应对遥感影像地物内部的高异质性,使分割结果中地物内部具有良好的区域完整性。在模型求解过程中,针对像素和对象基元的特点,提出了一种离散化的ADMM方法,并将其用于两种基元类别标记的传递与更新,实现像素基元细节信息和对象基元区域信息的协同优化。高分二号和航拍影像等不同数据库不同类型遥感影像的语义分割实验结果表明,相较于现有的MRF模型,提出的MRF-ADMM方法能有效地协同不同粒度基元的优点,优化语义分割结果。     

基于改进Contourlet变换的遥感图像融合算法

针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。     

加强类别关系的农作物遥感图像语义分割

目的 遥感图像处理技术在农作物规划、植被检测以及农用地监测等方面具有重要的作用。然而农作物遥感图像上存在类别不平衡的问题,部分样本中农作物类间相似度高、类内差异性大,使得农作物遥感图像的语义分割更具挑战性。为了解决这些问题,提出一种融合不同尺度类别关系的农作物遥感图像语义分割网络CRNet(class relation network)。方法 该网络将ResNet-34作为编码器的主干网络提取图像特征,并采用特征金字塔结构融合高阶语义特征和低阶空间信息,增强网络对图像细节的处理能力。引入类别关系模块获取不同尺度的类别关系,利用一种新的类别特征加强注意力机制(class feature enhancement, CFE)结合通道注意力和加强位置信息的空间注意力,使得农作物类间的语义差异和农作物类内的相关性增大。在解码器中,将不同尺度的类别关系融合,增强了网络对不同尺度农作物特征的识别能力,从而提高了对农作物边界分割的精度。通过数据预处理、数据增强和类别平衡损失函数(class-balanced loss, CB loss)进一步缓解了农作物遥感图像中类别不平衡的问题。结果 在Barley...     

遥感图像语义分割中的弱监督域自适应算法

近年来,遥感图像的语义分割得到广泛应用。虽然基于深度学习的方法极大程度地提高了遥感图像的语义分割精度,但由于遥感图像的多样性（不同的地理位置、地形和天气条件）以及像素级标签的缺乏,该算法难以适用于跨多个域的任务。而若重新训练新的域则需要消耗大量人力资源来收集相应的像素级标签。为了解决这一跨域问题,基于对抗学习提出了一种目标域图像级标签已知的弱监督域自适应方法：利用图像级标签,提出多类域判别器,使目标域各个类别自适应地对齐到源域;为保持训练过程的平稳,一种基于熵值产生目标域像素级伪标签的方法被提出以监督特征提取器,提升模型表现。在ISPRS Vaihingen与ISPRS Potsdam数据集上的大量实验表明,改进后的算法优于其他遥感图像语义分割中的基于对抗学习域自适应算法。     

针对质量评价的环境星遥感真实图像库构建

目的 随着遥感信息爆炸时代的来临,海量的遥感图像信息不断地从太空中传来。如何有效地利用这些遥感数据成为学者们新的研究热点。遥感图像质量评价不仅能筛选出有价值的图像以供后续的图像处理,如地物分类、目标识别等,还能对卫星设备的运转情况进行检测,而目前还没有公开的针对质量评价的遥感图像库。为此,构建了一个针对质量评价的环境星HJ-1A/1B真实遥感图像专家评分库。方法 遥感图像专家评分库包含70组,每组包含同一地点的5个不同时间点的图像,共350幅真实遥感图像以及每幅图像对应的主观评价质量分数。并通过基于卷积神经网络的图像质量评价算法来验证该遥感图像专家库的可用性。结果 将本文算法和4种效果较好的无参考图像质量评价算法在本文数据库上进行性能检测,并对各算法性能与训练测试集规模的关系进行对比实验。实验结果表明,目前针对仿真图像的无参考图像质量评价算法并不适用于该遥感图像库,验证了遥感真实图像与自然仿真图像的巨大差异,而基于卷积神经网络的算法结果则表明该数据库具有质量评价研究价值。结论 本文构建的基于环境星遥感真实图像库能够为遥感图像质量评价提供验证平台,并且数据规模可以为深度学习在遥感图像处理领域的应用提供支持。     

基于aiNet人工免疫网络的遥感图像检索

受多方面因素的影响,图像在特征空间中的分布是非常不均匀的,往往围绕多个中心。为了解决多个特征中心的问题,提出了一种基于aiNet人工免疫网络的遥感图像检索算法。该算法根据免疫网络机理及相关反馈技术,利用aiNet人工免疫网络对用户的反馈信息进行学习记忆,能有效寻找多个最优解,提高了系统对用户语义的理解能力。由于该网络具有减少冗余、多样性、学习和记忆的特性,避免了传统算法容易陷入局部最优的缺点。实验结果表明,该算法能有效理解用户的反馈信息,提高了传统检索方法的准确性。