共查询到20条相似文献，搜索用时 406 毫秒
1.
胡荣明任乐宽苏瑞鹏米晓梅 《测绘科学》2023,(1):39-48
针对高分辨率遥感影像信息复杂浅层网络难以对其目标物特征信息充分学习,图像因裁剪导致边缘信息损失使得模型对图像边缘预测效果较差的问题,该文将U-Net收缩路径加深以增强网络对特征信息的学习能力,并加入随机失活函数(Dropout)层抑制过拟合现象的发生,扩张路径中加入批量归一化层以提高网络训练速度,并将忽略边缘交叉熵函数与骰子函数结合构建联合损失函数作为本文模型的损失函数以提高模型对图像边缘的预测效果。实验结果表明：该文方法对建筑物边缘能够进行有效预测;对建筑物轮廓以及较小建筑物的提取较之SVM、主干网络为VGG的U-Net提取效果有所提高;并在应用扩展研究数据集中有着较好的表现。 相似文献
2.
3.
IEU-Net高分辨率遥感影像房屋建筑物提取 总被引：1，自引：0，他引：1
房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。 相似文献
4.
高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设"智慧城市"等方面具有极其重要的意义。本文首先介绍了高空间分辨率遥感影像中建筑物的特点,然后介绍了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法,即多尺度分割提取方法;基于边缘和角点检测与匹配的提取方法;基于区域分割的提取方法和基于数学工具;新理论以及多种方法结合的提取方法,分析讨论了各种方法的研究进展以及各方法的优缺点,同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。最后对高空间分辨率遥感影像建筑物提取研究前景进行了展望,认为可以从多源或多时相数据、边缘检测以及阴影辅助作用等方面提取建筑物,提高建筑物提取精度和高分遥感影像的利用率。 相似文献
5.
马随阳余永周望曹俊杰 《测绘与空间地理信息》2023,(5):82-85
针对高分辨遥感影像在进行地物要素提取时,自身带来的影像信息细节化程度高,导致不同地物光谱互相重叠,同种地物光谱分布也是可变的,使得不同地物的相对可分性降低这一问题,本文以高分二号卫星为数据源,提出改进U-Net模型,通过加深U-Net网络结构,引入SFAM模块和ASPP模块,多级尺度特征聚合金字塔方法等对原始U-Net模型进行改进。实验结果显示:改进U-Net模型的总体分类精度OA为88.76%,均交并比MI-oU为0.53,相比原始U-Net模型,FCN模型和SegNet模型的分类精度都有明显的提升。综上可知,本文提出的改进U-Net模型在地物要素提取中是可行的,可为地物要素的高精度提取提供技术支持。 相似文献
6.
7.
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集、卫星数据集II（东亚）与Inria航空影像数据集作为实验数据进行测试, 结果发现,所提方法提取出的建筑物更为完整,边界更加精确。 相似文献
8.
建筑物检测在城市规划、变化检测、地表覆盖等方面均起到重要作用。然而高空间分辨率遥感影像(简称"高分影像")中建筑物朝向不一,形态颜色各异,大小尺寸也有着较大差别,使得建筑物检测成为一道难题。为此,提出一种基于多尺度多特征来自动化检测高分影像中建筑物的方法:首先,对影像降采样构建高斯金字塔模型,固定尺度的滑动窗口在不同层影像中对应着不同的实际地面面积;然后,对影像进行超像素分割并计算滑动窗口中多种描述建筑物特性的特征值,通过多特征融合来衡量建筑物目标在不同尺度影像中的显著性;最后,计算超像素块的显著性均值,结合Otsu算法自动求取阈值,进一步设置长宽比等约束条件,从而准确、自动地提取建筑物目标。分别采用空间分辨率为0. 5 m和0. 2 m的影像进行实验,并和基于颜色和纹理建模的马尔科夫随机场模型算法进行定性和定量的比较。实验结果表明,该方法对高分影像中建筑物的提取有更好的实际效果和检测精度。 相似文献
9.
10.
针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。 相似文献
11.
基于建筑物细部边缘信息在数字航片上的精细纹理表达,首先对原始影像进行边缘检测、主成分分析和基于二阶概率统计的纹理滤波等预处理,然后选择用7像元×7像元的窗口锐化得到Contrast纹理特征的灰度图;采用Contrast灰度图(R)、原始航片(G)、原始航片(B)的波段组合进行假彩色合成,得到基于对比度纹理的假彩色合成影像;最后对假彩色合成影像进行多尺度分割和建筑物提取。以北京市延庆县康庄镇2008年12月数字航摄影像为例,运用上述方法进行村镇建筑物信息提取。结果表明,与运用面向对象的分类方法相比,利用纹理增强提取村镇建筑物信息的方法突出了建筑物边缘,减少了冗余分割对象,解决了建筑物与其阴影相混淆不利于建筑物信息提取的问题;并对特征空间进行优化,避免了模糊分类时纹理特征规则运算缓慢的问题,较完整地提取出了村镇建筑物信息,提高了分类精度。 相似文献
12.
13.
针对高分影像建筑物提取存在错分和漏分等问题，常见的单幅影像矩形轮廓优化由于投影差、树木和阴影遮挡等问题边缘准确度不够，本文提出了一种融合多时相建筑物轮廓优化方法。首先，将两期高分影像进行匹配等预处理，利用基于偏移阴影分类验证提取建筑物初始结果。然后，分别获得两期影像中各建筑物轮廓的最小面积外接矩形，并对同名建筑物的最小面积外接矩形的各对应角点进行匹配。最后，通过对比两期影像的对应最小面积外接矩形的对应边上建筑物像素点的数量，选择像素点数量多的边作为适宜边进行平移以获得最优边，四条边都是最优边后进行直线正交得到最终符合建筑物原始形态的轮廓。试验结果表明，本文方法相比传统方法和其他轮廓优化方法在精确度和完整度上均有提高。 相似文献
14.
15.
基于编解码网络的航空影像像素级建筑物提取 总被引：2，自引：2，他引：0
建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器，导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景，实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成，编码子网络对输入图像进行空间分辨率压缩，完成特征提取；解码子网络从特征中提升空间分辨率，完成像素级的建筑物提取。此外，本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响，并分别在两个建筑物提取标准数据集上的实验表明，编解码卷积神经网络能有效实现像素级建筑物提取，FoVE能有效提高建筑物提取准确率；通过改变预测时切片大小和重叠度，分析其对建筑物提取结果的影响，揭示了FoVE的饱和性。 相似文献
16.
针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值. 相似文献
17.
18.
云的存在会对遥感影像的处理及目标识别等产生影响,因此,自动提取云对高分辨率卫星影像的应用具有重要意义。高分影像上更加复杂的云的细节形态及似云目标的干扰,使得高分影像的自动云提取难以达到实用水平。本文以雪地为例,选取形状、纹理和边缘3个差异化特征作为云与似云目标区分的关键,提出了一种区分高分辨率遥感影像中云和似云目标的云检测算法。首先利用Wallis滤波对输入影像进行预处理,增强影像中不同尺度的影像纹理模式;然后对影像进行快速稳定的均值漂移分割,利用灰度和纹理特征构成支持向量机的第一层分类器,将分割后的区域对象分成"云"和普通地物,再利用边缘、形状、纹理等特征结合灰度特征构成支持向量机的第二层分类器,将"云"区分为云区和似云目标;最后使用Grab-cut对云检测结果进行边缘迭代精化。本文算法取得了优良的试验结果,证明了算法在似云目标干扰下对高分辨率遥感影像进行精确云检测的能力。 相似文献
19.
提出了一种基于对比度增强和形态学的遥感影像道路边界与特征点提取的方法。先对遥感影像进行对比度变换增强,通过对比分析直方图均衡化和对比度分段线性增强两种方法获取的增强影像,选取区分度大的分段线性增强方法进行影像增强,然后运用数学形态法进行影像分割,实现道路和其他图像信息的有效分离。利用Krisch算子进行边缘检测提取道路的边缘信息,并基于边缘特征利用改进的Harris算子提取特征点,将提取的特征点进行拟合并用函数模型描述图像道路信息,用于后期制图中道路信息的矢量化。 相似文献
20.
由于小波变换方向分辨率较低,而高分影像中地物几何结构丰富,边缘存在于各个方向,导致了图像小波变换的频率系数仅被分解到水平、垂直和对角3个方向子带上,使得小波变换对具有复杂几何结构的地物边缘提取存在不足。为此提出一种Directionlet变换理论结合模极大值法的高分影像边缘提取方法。首先,对原始影像进行基于格的分解获得任意方向一维线集合,再进行小波变换并恢复图像格式得到高频方向子带;然后,利用改进模极大值法和双阈值法对系数进行处理得到边缘结果;最后,采用数学形态学方法对边缘提取结果进行细化连接等后处理,从而实现对高分影像边缘的提取。实验结果表明,该方法与传统边缘检测方法和小波变换相比,边缘提取更加完整,定位精度更高。 相似文献