共查询到18条相似文献，搜索用时 687 毫秒
1.
针对高分辨率遥感影像变化检测结果较破碎,易产生椒盐噪声、监督训练过程中人工标注成本较高、训练样本冗余以及大量未标注样本信息未有效利用等问题,提出一种超像素与主动学习相结合的高分辨率遥感影像变化检测方法。利用超像素分割算法得到超像素对象,提取其光谱和纹理特征;引入并借助主动学习样本选择策略充分利用未标注样本信息,挖掘不确定性最大、最易错分的样本交由用户人工标注;为保证所选样本的多样性,加入基于余弦角距离的样本相似性度量,以减少样本间信息冗余,在减轻人工标注负担的同时获得良好的分类性能。通过对2组不同场景的遥感影像的实验,表明本文提出的2种方法能够在标注少量训练样本的情况下获得较好的变化检测结果,且加入样本相似性度量的变化检测方法在有效减少人工标注成本和训练样本冗余的同时,能够更快地达到收敛、提升检测质量。 相似文献
2.
3.
基于图像特征的地类识别技术精度低且复杂度高,难以满足土地利用动态监测的实时性要求。而基于深度学习的遥感影像地类识别技术数据处理及特征提取能力较强,能够有效提升识别精度,使地类信息获取更加智能化,因而被广泛应用于遥感影像地类处理。根据地类识别技术不同,可以分为遥感影像分割、遥感影像分类以及目标监测三种方式。每类识别技术根据训练数据是否有标注可以分为有监督学习、半监督学习以及无监督学习三种类型。通过对相关技术和文献的调研和分析,介绍各种深度学习模型的理论基础与基本结构,总结国内外基于深度学习的遥感影像地类识别方法的优缺点,并指出未来的发展方向。 相似文献
4.
基于监督分类的高分辨率遥感影像变化检测需要大量人工标注,且单个监督分类器难以适应高分影像中复杂多样的地表变化信息提取,检测结果中“椒盐噪声”严重、变化图斑破碎。因此,本文提出一种基于Adaboost集成算法、自动标注训练样本的变化检测方法。首先利用非监督分类方法完成变化初检,接着在初检结果中进行“非等距”区间采样自动获取均匀分布的训练样本;然后以Adaboost算法为集成框架,选择决策树桩、Logistic回归和kNN作为弱分类器,构建一种混合分类器集成系统,充分挖掘和利用高分影像中的空间信息以提升分类精度和分类器泛化能力,最后利用SLIC分割算法和空间邻域信息对像元级检测结果进行空间约束滤波,进一步提升变化检测精度。为验证本文方法的有效性,选取SPOT-5和WorldView-2影像为实验数据,结果表明本文方法能有效降低训练样本人工标注成本、提高变化检测精度。 相似文献
5.
遥感场景分类作为一种理解遥感影像的重要方式,在目标检测、影像快速检索等方向有着重要的应用,当前主流的场景分类方法多关注影像深层次特征的准确提取,忽略了场景目标在不同分布尺度下的差异性。此外,有限的高质量场景标签进一步限制了模型分类性能。为了解决以上问题,本研究提出了基于多尺度对比学习的弱监督遥感场景分类方法,首先利用多尺度对比学习的自监督策略,从大量无标注数据中自动获取影像不同尺度下的特征表示。其次,基于多尺度稳健特征对分类模型利用少量标签进行微调,并结合标签传播方法生成高质量样本标签。最后,结合大量无标签数据构建弱监督分类模型,进一步提升场景分类的能力。本研究在遥感场景AID数据集和NWPU-RESISC45数据集上分别使用1%、5%和10%的标注样本下分类精度分别达到了87.7%、93.67%、95.56%和86.02%、93.15%和95.38%,在有限标注样本条件下与其他基准模型相比有着明显的优势,证明了本文模型的有效性。 相似文献
6.
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。 相似文献
7.
集成夜间灯光数据与Landsat TM影像的不透水面自动提取方法研究 总被引：1，自引：0，他引：1
利用多源遥感数据提取不透水面信息是一个重要的研究方向。针对以往研究中多需要人工选取不透水面样本进行模型训练的问题,本文通过整合夜间灯光遥感与Landsat TM影像中的空间和光谱信息实现了不透水面覆盖范围（Impervious Surface Area,ISA）的自动提取。首先根据夜间灯光的分布来定位ISA聚集的城市区域的位置,分别在城市区域内部和外部自动提取可靠性高的ISA及非ISA样本,然后通过迭代分类提取城市区域的ISA,再以此为样本对城市区域外部进行分类,最后将分类结果整合完成整幅影像的ISA提取流程。应用本方法对美国雪城地区的DMSP/OLS夜间灯光影像上提取了84个城市区域,提取精度大于95%。从中分别选择高ISA密度和低ISA密度的2个城市区域作为ISA提取的测试区,本文方法在城市区域内的ISA提取总体精度与kappa系数分别为88.23%和0.63;在城市区域外部为78.6%和0.54,均优于人工样本选取方法的提取精度,表明该方法能够实现精度稳定且高效的ISA自动提取。 相似文献
8.
基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。 相似文献
9.
面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例 总被引：4，自引：1，他引：3
本文对面向对象影像分析方法做了初步的探索和应用研究,通过建立多尺度影像空间和分类规则库对四川理县"5.12"震后的航空影像进行土地覆盖分类,并在此基础上提取了房屋和居民地的空间分布矢量信息。将土地覆盖分类的结果与传统的基于像元的方法进行对比,结果表明:面向对象方法的分析结果更接近于人工解译的效果,对试验区的分类精度也远远高于基于像元的影像分类的精度,有效克服了传统分类方法所存在的"椒盐噪声"问题,与基于像元分类的栅格数据相比,面向对象的方法可直接提取GIS分析的矢量信息,展示了面向对象技术应用于高分辨率影像信息提取的广阔前景。 相似文献
10.
为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。 相似文献
11.
面向地理国情监测的变化检测与地表覆盖信息更新方法 总被引：1，自引：0，他引：1
常态化地理国情监测能够全面、动态地掌握地理国情信息及其变化,为经济建设和社会发展提供数据基础。地理国情普查成果是按照统一规范标准、经过内业解译和外业核查形成的矢量数据。如何在普查成果的基础上,利用多时相遥感影像实现变化信息提取与更新是地理国情监测的关键。针对地理国情普查成果的特点与监测需求,以多时相遥感影像处理分析为基础,构建了针对地理国情监测的变化检测方法体系,提出了像元—对象结合的多时相影像变化检测、基于对象实体统计分析的变化识别方法,实现了综合地理国情普查成果和遥感影像的地理国情变化检测与数据更新。基于像元—对象结合的多时相影像变化检测首先根据传统的变化矢量分析法提取基于像元的变化检测结果,再以地理国情普查的矢量对象为统计单元计算对象内变化像元的比例,以此判断该矢量对象是否发生了变化,并根据变化像元的比例计算其变化强度。基于对象实体统计分析的变化检测方法直接以地理国情矢量为对象进行特征提取和差异构造,再将差异影像进行阈值分割得到基于地理国情对象的变化检测图。最后,根据变化检测结果,对变化区域进行面向对象分割,并从上一期未变化区域选取训练样本训练分类器模型以得到变化区域的地表覆盖类型,将变化区域与未变化区域结合得到更新后的地理国情矢量图。选取江阴市地理国情普查成果和两期高分辨率遥感影像进行试验,结果表明本文提出的方法在准确提取和解释变化区域的同时,明显提高了变化检测和数据更新的效率,可用于常态化地理国情监测。 相似文献
12.
针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。 相似文献
13.
国土调查遥感40年进展与挑战 总被引：1，自引：0，他引：1
运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战：① 高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;② 国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③ 对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④ 从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。 相似文献
14.
城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。 相似文献
15.
海岛 ,特别是一些面积小的岛屿 ,处于复杂的环境中 ,具有陆地与海洋的多种尺度特征。 IKONOS卫星遥感图像是现有遥感信息中空间分辨率最高的卫星数据之一 ,因此是海岛详细探测、大比例尺遥感分析的重要信息源。南麂列岛作为国家级海洋自然保护区 ,素有“贝藻王国”之称 ,具有典型性和示范性。本文是利用 IKONOS卫星遥感图像研究南麂列岛岸线特征、人工构筑物与近海目标以及土地覆盖的初步成果。结果表明它对细小目标的探测具有很大的潜力。 相似文献
16.
混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。 相似文献
17.
以禹城市农村居民点为研究对象,基于禹城市2000和2017年遥感影像解译数据,综合运用GIS、景观生态学及统计学理论与方法,分析了2000年与2017年禹城市乡村聚落的景观格局指数和空间演变特征。结果表明:禹城市两个时期农村居民点在空间分布特征上存在显著差异,与2000年相比,2017年禹城市农村居民点分布更加聚集;从聚集程度来看,禹城市农村居民点聚集的态势不够显著,这与禹城市当地的自然环境有密切的关系;禹城市农村居民点总体用地规模和数量虽然在减少,但部分居民点用地规模增加明显,居民点有集聚发展的态势,同时禹城市农村居民点斑块形态由复杂化向规则化转变。 相似文献
18.
基于Google Earth Engine和NDVI时序差异指数的作物种植区提取 总被引：1，自引：0，他引：1
为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。 相似文献