遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

基于互信息相似性度量的多时相遥感图像配准

图像配准是多源图像分析的基础，特别是对于多时相遥感图像的变化检测，图像配准的性能直接影响到变化检测的实现。针对当前利用互信息实现图像配准时出现的稳健性问题，本文提出一种新的多时相遥感图像配准方法，在计算互信息时引入图像的梯度信息，作为多时相遥感图像配准的相似性度量准则，并在配准过程中应用多分辨率分析技术，使得图像配准在提高稳健性的同时减少运算量。将此方法用于变化检测中的多时相遥感图像配准实验，结果显示该方法比直接应用灰度互信息的配准方法具有更好的稳健性。     

基于U形结构提取的港口目标检测研究

遥感图像中港口目标的检测是目标识别研究的重要方面,准确、高效地自动提取港口目标对于提高遥感图像自动解译能力具有重大意义。文章提出一种基于U形结构单元提取的遥感图像港口目标检测的方法。首先利用梯度算子和灰度相似性聚类分割海洋和陆地区域并提取粗略海岸线,再根据内港区域的封闭特性提取疑似区域,在分析内港区域结构的基础上,引入U形结构元的概念以及提取算法来对疑似区域进行确认。试验表明,该方法检测的港口目标准确率较高,速度较快,能够满足民用和军事识别的需求。     

基于U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

面向小样本遥感解译的空间置弃FCN模型

针对当前缺少大型遥感数据集,复杂深度学习语义分割模型优化难等问题,文章通过改进经典全卷积网络(Fully Convolutional Network,FCN)模型,提出了一种面向小样本遥感数据集,联合批归一化和空间置弃方法的智能解译语义分割模型,为解决小样本数据集过拟合问题提供新的思路.首次将空间置弃层引入FCN模型,...     

基于梯度特征的图像自动分割方法

利用遥感图像进行海上目标检测、监视的关键技术是实现海陆分离，从而为目标检测、监视减少不必要的处理工作。传统的采用阈值分割方法分离陆地，但是这种方法对于陆地上灰度级较低区域容易造成误分割。而且，很显然的不能够充分利用图像中的灰度变化信息，即梯度。为此提出了一种基于梯度特征的海陆分割算法。首先利用边缘检测提取图像的梯度特征，梯度特征对灰度级并不敏感而对梯度的变化敏感，对于陆地灰度级较低的区域也能够提取边缘。对得到的边缘进行形态学处理，利用设定的面积阈值将图像分为主体陆地区域和孤立陆地区域，进一步可以屏蔽陆地。实验结果表明，该方法可以较好的分割陆地中阴暗区域，对于未经辐射校正图像有较好的适用性，并且有较快的处理速度。     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

基于深度学习的遥感图像目标检测方法及系统设计

为解决传统的目标检测算法难以满足遥感图像数据爆发式增长需求这一问题,文章提出基于深度学习的遥感图像目标检测系统软件。首先,为给深度学习网络训练提供高质量的样本数据,在GIS平台上实现了样本标注功能和数据集兼容性转换功能,并提供图像预处理方法对样本进行扩充;其次,针对遥感图像场景分类与遥感图像特定目标检测,应用深度学习技术,分别实现了模型训练、迁移学习、目标检测等功能;最后,采用了形态学处理、矢量化、直角化约束等方法,对遥感图像场景分类的效果进行改善。实验结果表明,文章的遥感图像目标检测系统在遥感图像场景分类方面取得了85%的分类精度,在特定目标检测方面取得了95%的检测精度,明显优于传统的遥感图像处理方法。该系统软件满足目标检测应用需求,能够为遥感影像分类、信息提取、变化检测等任务提供技术支持。     

一种变化检测的新算法

变化检测技术是遥感图像应用中的关键技术之一。在分析变化检测算法的基础上，提出了一种新的变化检测算法，该算法主要由三步组成：差图像的优化获取、变化区域的准确检测、目标阴影的修正。仿真结果表明了本文所提算法对变化目标的检测准确可靠，且对背景有较强的鲁棒性。     

高分辨率SAR图像分割及目标特征提取

提出了一种非监督SAR图像快速分割算法,对分割得到的目标区域进行特征提取.分割方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响.然后提取目标区域6个特征以详细描述目标,实验结果表明：该方法计算速度快,能够从获得的目标区域得到大量有用的信息.     

基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。     

一种面向对象的机场跑道变化检测方法

利用遥感影像变化检测技术获取机场跑道变化信息,可以为机场跑道打击效果评估等多种军事应用提供决策支撑。为了快速、准确的检测出机场跑道的变化区域,并定量、定性的获得变化属性,文章以"资源三号"卫星影像为例,提出了一种新的面向对象的机场跑道变化检测方法。首先,将经过配准处理的前后时相遥感影像进行多尺度分割,分割尺度利用尺度参数估计(Estimation of Scale Parameters,ESP)算法确定;之后,利用影像分割结果对不同时相的对象进行切割,形成前后时相上位置、大小一致的对象单元,再利用不同时相对象间的变化向量大小确定变化区域;最后,利用特征空间优化之后的特征集合对已确定的变化区域对象进行监督分类,获得机场跑道内部各对象的变化属性。结果表明:在变化区域的检测上,该方法避免了单张影像的分类过程,可有效提高检测效率;在变化类别的检测上,该方法在检测出的变化区域基础上进行分类,可大幅提高变化类别的检测精度,并且能够获得更为丰富的变化属性和满足快速准确检测机场跑道相关变化的信息。     

“高分二号”卫星数据面向对象的海岸线提取法

"高分二号"(GF-2)卫星的成功发射是中国遥感事业发展的重大突破,标志着中国遥感卫星进入亚米级时代。由于兼具高辐射精度、高定位精度和快速机动能力等特点,GF-2卫星数据应用于海岸线提取将极大提高提取的精度和速度。现有的遥感解译海岸线方法主要有阈值分割法、边缘检测法、区域生长提取法、神经网络法和面向对象法等,其中面向对象法是一种新兴的遥感图像解译方法,该方法通过对影像的分割,使同质像元组成大小不同的对象,从而实现较高层次的遥感图像分类和目标地物提取。文章以深圳大鹏半岛GF-2卫星数据为例,通过对影像进行正射校正、配准、融合和裁剪等预处理,再采用面向对象方法对海岸线进行了提取,并对入海河流河口处的海陆分界线划分进行了初步研究。研究结果表明,将海岸线提取结果与GF-2卫星遥感影像叠加进行验证,结果可靠,且所耗时间短,效率高。     

基于集成活动轮廓模型的SAR图像分割方法

图像分割是合成孔径雷达(Synthetic Aperture Radar, SAR)图像自动解译技术中的一个重要问题。基于活动轮廓的思想,给出了一种适应于SAR图像分割的集成活动轮廓模型。该模型综合利用SAR图像的边缘和区域特性,通过检测算子提取SAR图像的边缘信息,利用似然函数的最大化提取图像中不同统计信息的区域;通过边缘和区域的共同曲线运动实现对SAR图像的分割。利用加性算子分裂算法,给出了该模型的快速实现方法。通过MSTAR和实测星载SAR数据进行试验验证,并与其他算法比较,结果表明：所提方法适应性强,可适应复杂背景的SAR图像分割,并且分割定位准确、收敛速度较快;所提实现算法稳健,能适应不同参数设置,且对初始条件不敏感。〖JP〗     

基于Contourlet域Krawtchouk矩和改进粒子群的遥感图像匹配

为了进一步提高遥感图像匹配的精度和运算效率,提出了一种利用Contourlet变 换、Krawtchouk矩和改进粒子群的遥感图像匹配算法。在分别对参考图像和目标图像进行Co ntourlet分解的基础上,引入Krawtchouk矩来提取图像的局部特征,并利用改进的带极值扰 动的简化粒子群优化算法对低分辨率的遥感图像进行匹配操作,然后逐级上推,
最终实现全分辨率情况下遥感图像的匹配。实验结果表明,该算法与目前常用的遥感图像匹 配算法相比,不仅具有更高的匹配精度和运算效率,还有较强的鲁棒性。
     

融合ASPP与双注意力机制的建筑物提取模型

精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大,近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展,然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分,难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network,ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力（Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中,通过ASPP模块来捕获和聚合多尺度上下文信息,采用SCA模块选择性增强特定位置和通道中更有用的信息,并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验,结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%,相比其他模型能够获得更清晰的建筑物边...     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。     

基于过渡区的序列图像运动目标分割方法

序列图像运动目标检测技术是目标搜索与跟踪系统的一项核心技术.提出了一种基于过渡区的序列图像运动目标分割方法,该方法通过提取序列图像过渡区来进行目标分割,并与传统的阈值分割算法进行效果比较.实验结果表明,该方法能取得更好的序列图像运动目标分割效果.     

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征（Speeded Up Robust Features,Surf）算法对＂资源三号＂卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。     

应用Landsat-8卫星遥感图像的青海地区土壤分类研究

遥感技术的迅速发展和应用,为土壤分类提供了新的技术与数据支持,文章提出一种利用陆地卫星-8(Landsat-8)遥感图像的土壤分类方法,用于青海地区土壤分类,所提取的特征包括4种,即基于遥感图像的变换特征、指数特征、纹理特征和基于高程图像的地形特征,通过随机森林方法实现土壤分类。文章首先提出2个基于遥感图像的纹理特征——熵与平滑度,从中国土壤数据集中自动提取了16 444个数据点,并在试验中采用,充分验证了此分类方法的有效性。