共查询到20条相似文献，搜索用时 31 毫秒
1.
语义分割是高空间分辨率遥感图像分析和理解的核心内容之一。现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确。针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能。进一步提出了一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习。在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度。 相似文献
2.
为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。 相似文献
3.
合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。 相似文献
4.
基于SAR图像边缘检测算子和变分水平集方法,依据能量最小化准则,提出了一种新颖的几何活动轮廓模型.其基本思想是,直接定义关于水平集函数的能量泛函,并将经典模型中基于梯度算子的边缘指示函数,替换为基于ROEWA算子的边缘指示函数,提高了模型对于SAR图像的边缘检测能力;同时在新模型中加入水平集函数惩罚项,确保水平集函数逼近符号距离函数.由于该项的作用,模型的数值求解可采用简单的显式差分格式迭代,并保持较快的收敛速度.针对仿真图像、Radarsat和华东电子研究所实测数据的实验结果表明,该模型具有实现简单、分割边界定位准确和收敛速度较快等优点. 相似文献
5.
遥感图像数据规模大，光照、遮挡等情况复杂，目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降，像素类别预测精度降低的问题，本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先，长距离和短距离的完全残差连接既简化了深层网络的训练，又为本层末端融入了原始输入信息，增强了特征融合。其次，不同尺度和方式的特征融合使网络能够提取丰富的上下文信息，应对目标尺度变化，提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验，分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较，结果表明本文所提模型优于对比模型，在两个数据集上的平均IOU分别达到了85%和84%，平均F1值分别达到了92%和93%，能够有效提高遥感图像目标分割的完整性和正确性。 相似文献
6.
针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。 相似文献
7.
8.
一种四叉树和测地线活动轮廓模型相结合的海陆影像分割方法 总被引：1，自引：0，他引：1
海陆影像分割对于后续的海岸线提取、潮间带地形反演、海岸演化状况分析等都具有十分重要的意义。本文在分析了四叉树、测地线活动轮廓(GAC)模型和Canny边缘检测算子等在海陆影像分割中优缺点的基础上,提出了一种四叉树、Canny算子和GAC模型相结合的海陆影像分割方法。该方法综合利用上述各方法的优点,将Canny算子边缘检测结果融入到基于四叉树初分割的GAC模型中,重构边界停止函数,演化水平集方程,实现海陆影像分割。试验结果表明,该方法具有海陆影像分割速度快、精度高、可靠性强和自动化程度高等优点,对于弱边缘以及严重凹陷边缘,都能实现自动和准确分割。 相似文献
9.
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
10.
遥感图像因具有丰富的语义信息和空间信息,增加了语义分割的难度。然而已有提取双模态特征的分割方法采用相同的主干网络,没有考虑互补特征的差异,存在特征提取、特征融合和上采样恢复细节信息不足等问题,无法准确高效的学习高分辨率遥感图像信息。因此,本文提出基于双模态高效特征学习的高分辨率遥感图像分割算法。首先,针对不同模态的遥感图像设计合适的编码器,高效的提取双模态特征,并通过交互加强模块减少不同路径特征之间的差异。其次,提出双模态特征聚合模块和深层特征提取模块进一步融合和提取双模态特征,使网络能够充分学习互补信息。最后,提出多层特征上采样模块,利用语义信息丰富的高层特征对细节信息丰富的低层特征进行加权操作,逐步上采样实现特征高效恢复,提升分割性能。实验结果表明,所提算法在ISPRS Potsdam和Vaihingen数据集上的总体精度分别达到了94.52%、90.45%,能够高效的提取并融合高分辨率遥感图像的双模态特征,提高遥感图像分割的准确率。 相似文献
11.
SAR图像海岸线检测的区域距离正则化几何主动轮廓模型 总被引：2，自引：0，他引：2
合成孔径雷达(SAR)卫星遥感图像可以极大地提高全国海岸线覆盖频率,然而受到海洋波浪所引起的随机海水表面粗糙度的影响,海岸目标与海水背景边界易混淆不清,因此本文提出了基于区域距离正则化几何主动轮廓模型(RDRGAC),引入距离正则项,解决重复初始化水平集函数为符号距离函数的问题,提高了算法收敛速度。此外,将区域面积项系数与SAR图像等效视数(ENL)建立非线性拟合关系,实现RDRGAC模型根据不同SAR遥感图像的自适应调整,改善海岸线自动提取精度。通过河北省北戴河和大连市金州湾SAR数据海岸线提取对比试验,验证了所提方法的有效性。 相似文献
12.
提出了一种综合利用极化特征、统计特征和几何形状特征的全极化SAR图像分割方法。该方法采用分形网络演化算法思想,基于相干矩阵Pauli分解构建对象间的极化特征相似性准则,根据相干矩阵的Wishart分布假设构建对象间的统计特征相似性准则;制定对象合并过程中多特征的综合策略,通过极化特征增强及权重调整统一各类特征异质度的水平,最终建立全极化SAR图像多特征综合分割流程。实验结果表明,该方法能有效抑制斑点噪声,地物边界分割准确,特别是对具有均质纹理的农田、水体等分割效果较好。 相似文献
13.
混合智能优化算法的SAR图像特征选择 总被引：1，自引：0，他引：1
为提高SAR图像自动目标识别的准确率及实时性,提出了一种基于混合智能优化的SAR图像特征选择算法。首先,采用分形特征对SAR图像进行增强,基于分割后的图像提出了一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合,使用遗传算法结合二值粒子群的混合优化算法实现SAR图像特征选择。最后,采用MSTAR数据库验证本文算法的有效性。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR目标识别的准确率,另一方面减小了SAR图像目标识别的时间。 相似文献
14.
针对遥感图像分割时仅利用光谱信息容易造成过分割和边缘定位不准的问题,提出一种结合光谱强度和纹理信息的遥感图像分水岭分割算法。首先分别提取图像的光谱梯度和纹理梯度,提出一种改进双边滤波模型,滤除图像中的噪声的周时,采用了一种局部的平滑尺度,能够有效消除纹理信息,借助于滤波算法,分别对原图像和Gabor纹理特征图像进行平滑处理,利用边缘检测算子得到光谱梯度和纹理梯度。最后利用形态学膨胀方法进行融合融合,使用分水岭变换对图像分割。用三幅高分辨率彩色遥感图像数据进行实验,并与JSEG（Joint Systems Engineering Group）和多分辨率分割方法进行比较,结果表明该方法具有较高的边界定位准确性,同时降低了过分割和欠分割现象。 相似文献
15.
合成孔径雷达(synthetic aperture radar,SAR)影像分辨率的不断提高为建筑物提取提供了有效的数据支持,而传统像素级方法,提取建筑物的效果较差,精度较低。通过分形网络演化分割算法(fractal net evolution approach,FNEA)获取分析单元,利用对象级分析单元与邻近环境之间的上下文特征,提出了高亮邻接强度特征(highlight adjacent intensity,HAI)与亮点散射密度特征(shining point distribute density,SDD)的概念,然后结合上述两种特征进行对象级建筑物的提取。最后通过几组实验验证了基于面向对象特征方法比面向像素特征方法对高分辨率SAR建筑物提取具有更好的效果、更高的精度。 相似文献
16.
从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法 总被引：1，自引：0，他引：1
本文基于边缘与局部信息提出了一种处理多波段图像的活动轮廓模型,并将其应用于LiDAR数据的建筑物边界提取。本文首先将分类得到的屋顶点云数据转换为栅格数据,并作为模型的输入图像,进而采用变分水平集方法解求模型能量函数的最小解,得到建筑物的边界。该模型消除了其他活动轮廓模型对初始曲线和所处理图像类型的限制,适于任意形状的建筑物边界的自动提取;水平集规则项的添加,减小了模型的计算时间。实验结果表明：与IAC模型、GACcolor模型相比,本文模型在建筑物边界提取的应用中可以达到更高的匹配度、形状相似度以及位置精度。 相似文献
17.
18.
变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。 相似文献
19.
道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。 相似文献
20.
《国土资源遥感》2017,(4)
高空间分辨率(简称"高分")SAR图像具有高维非线性特点,以高维空间蕴含的低维流形描述SAR图像,会更有利于目标识别。将流形学习应用到高维SAR目标识别的特征表达中,提出一种新的高分SAR图像建筑区提取方法。首先,对高分SAR图像进行预处理;然后,采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取8种纹理特征,与灰度图像共同构建SAR图像的高维特征集;利用自适应邻域选择的邻域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法对高维特征集进行特征提取,提取出新的特征;最后,通过阈值分割及后处理提取建筑区,并进行精度评价。选择Terra SAR-X数据进行实验研究,结果表明,ANSNPE算法能够从高分SAR图像中有效提取建筑区,并具有较强的泛化能力;通过训练数据获得的投影矩阵可直接应用到新样本中,建筑区提取精度达85%以上。 相似文献